Turinys[Slėpti][Rodyti]
Dabar kompiuterių dėka galime apskaičiuoti erdvės platumą ir smulkiausias subatominių dalelių subtilybes.
Kompiuteriai įveikia žmones, kai reikia skaičiuoti ir skaičiuoti, taip pat sekti loginius „taip“ / „ne“ procesus, nes elektronai per jų grandines keliauja šviesos greičiu.
Tačiau dažnai nematome jų kaip „protingų“, nes praeityje kompiuteriai nieko negalėjo atlikti, jei jų nemokė (užprogramavo) žmonės.
Mašininis mokymasis, įskaitant gilųjį mokymąsi ir dirbtinis intelektas, tapo populiariu žodžiu mokslo ir technologijų antraštėse.
Atrodo, kad mašininis mokymasis yra visur, tačiau daugeliui žmonių, vartojančių šį žodį, būtų sunku tinkamai apibrėžti, kas tai yra, ką jis veikia ir kam jis geriausiai tinka.
Šiame straipsnyje siekiama paaiškinti mašininį mokymąsi, taip pat pateikiant konkrečių, realaus pasaulio pavyzdžių, kaip ši technologija veikia, siekiant parodyti, kodėl ji tokia naudinga.
Tada apžvelgsime įvairias mašininio mokymosi metodikas ir pamatysime, kaip jos naudojamos sprendžiant verslo iššūkius.
Galiausiai pasikonsultuosime su krištoliniu rutuliu, kad gautume greitų prognozių apie mašininio mokymosi ateitį.
Kas yra mašinų mokymasis?
Mašinų mokymasis yra kompiuterių mokslo disciplina, leidžianti kompiuteriams iš duomenų daryti išvadas apie modelius, jiems aiškiai nemokant, kas tai yra.
Šios išvados dažnai grindžiamos algoritmų, skirtų automatiškai įvertinti duomenų statistines ypatybes, naudojimu ir matematinių modelių, skirtų įvairių reikšmių ryšiui pavaizduoti, kūrimu.
Palyginkite tai su klasikiniu skaičiavimu, kuris yra pagrįstas deterministinėmis sistemomis, kuriose mes aiškiai suteikiame kompiuteriui taisyklių rinkinį, kad jis atliktų tam tikrą užduotį.
Šis kompiuterių programavimo būdas yra žinomas kaip taisyklėmis pagrįstas programavimas. Mašininis mokymasis skiriasi nuo taisyklėmis pagrįsto programavimo ir pranoksta tuo, kad gali pats nustatyti šias taisykles.
Tarkime, kad esate banko vadovas, kuris nori nustatyti, ar paskolos paraiška nepavyks.
Taikant taisyklėmis pagrįstą metodą, banko vadovas (ar kiti specialistai) aiškiai informuotų kompiuterį, kad jei pareiškėjo kredito balas yra mažesnis už tam tikrą lygį, paraiška turėtų būti atmesta.
Tačiau mašininio mokymosi programa paprasčiausiai analizuotų ankstesnius duomenis apie klientų kredito reitingus ir paskolų rezultatus ir pati nustatytų, kokia turėtų būti ši riba.
Mašina mokosi iš ankstesnių duomenų ir tokiu būdu sukuria savo taisykles. Žinoma, tai tik mašininio mokymosi pradžia; realaus pasaulio mašininio mokymosi modeliai yra daug sudėtingesni nei pagrindinis slenkstis.
Nepaisant to, tai puikiai parodo mašininio mokymosi potencialą.
Kaip veikia a mašina mokytis?
Kad viskas būtų paprasta, mašinos „mokosi“ aptikdamos palyginamų duomenų modelius. Laikykite duomenis informacija, kurią renkate iš išorinio pasaulio. Kuo daugiau duomenų į mašiną tiekiama, tuo „išmanesnė“ ji tampa.
Tačiau ne visi duomenys yra vienodi. Tarkime, kad esate piratas, kurio gyvenimo tikslas yra atskleisti saloje palaidotus turtus. Norėdami rasti prizą, jums reikės daug žinių.
Šios žinios, kaip ir duomenys, gali jus nukreipti teisingu arba neteisingu būdu.
Kuo daugiau informacijos/duomenų gaunama, tuo mažiau neaiškumų ir atvirkščiai. Todėl labai svarbu atsižvelgti į tai, kokius duomenis tiekiate savo įrenginiui, kad galėtumėte mokytis.
Tačiau kai pateikiamas didelis duomenų kiekis, kompiuteris gali daryti prognozes. Mašinos gali numatyti ateitį tol, kol ji nedaug nukrypsta nuo praeities.
Mašinos „mokosi“ analizuodamos istorinius duomenis, kad nustatytų, kas gali nutikti.
Jei seni duomenys yra panašūs į naujus duomenis, tai, ką galite pasakyti apie ankstesnius duomenis, greičiausiai bus taikomi naujiems duomenims. Atrodo, tarsi žiūrėtumėte atgal, kad pamatytumėte į priekį.
Kokie yra mašininio mokymosi tipai?
Mašininio mokymosi algoritmai dažnai skirstomi į tris plačius tipus (nors naudojamos ir kitos klasifikavimo schemos):
- Vadovaujamasi mokymuisi
- Neprižiūrimas mokymasis
- Armatūros mokymasis
Vadovaujamasi mokymuisi
Prižiūrimas mašininis mokymasis reiškia metodus, kai mašininio mokymosi modeliui suteikiamas duomenų rinkinys su aiškiomis dominančio kiekio etiketėmis (šis kiekis dažnai vadinamas atsaku arba tikslu).
Norint išmokyti dirbtinio intelekto modelius, pusiau prižiūrimas mokymasis naudojamas pažymėtų ir nepažymėtų duomenų deriniu.
Jei dirbate su nepažymėtais duomenimis, turėsite atlikti tam tikrą duomenų žymėjimą.
Ženklinimas yra mėginių ženklinimo procesas, siekiant padėti mašininio mokymosi mokymas modelis. Ženklinimą pirmiausia atlieka žmonės, o tai gali būti brangu ir atimta daug laiko. Tačiau yra būdų, kaip automatizuoti ženklinimo procesą.
Paskolos prašymo padėtis, kurią aptarėme anksčiau, yra puiki prižiūrimo mokymosi iliustracija. Turėjome istorinius duomenis apie buvusių paskolos prašančių asmenų kredito reitingus (ir galbūt pajamų lygį, amžių ir pan.), taip pat konkrečias etiketes, kuriose buvo nurodyta, ar atitinkamas asmuo neįvykdė savo paskolos įsipareigojimų.
Regresija ir klasifikacija yra du prižiūrimų mokymosi metodų pogrupiai.
- klasifikacija – Jis naudoja algoritmą, kad teisingai suskirstytų duomenis į kategorijas. Šlamšto filtrai yra vienas iš pavyzdžių. „Šlamštas“ gali būti subjektyvi kategorija – riba tarp šlamšto ir ne šlamšto pranešimų yra neryški, o šlamšto filtro algoritmas nuolat tobulėja, atsižvelgiant į jūsų atsiliepimus (tai reiškia, kad el. laiškai, kuriuos žmonės pažymi kaip šlamštą).
- Regresija – Tai padeda suprasti ryšį tarp priklausomų ir nepriklausomų kintamųjų. Regresijos modeliai gali numatyti skaitines reikšmes pagal kelis duomenų šaltinius, pavyzdžiui, tam tikros įmonės pardavimo pajamų įvertinimus. Tiesinė regresija, logistinė regresija ir polinominė regresija yra keletas žinomų regresijos metodų.
Neprižiūrimas mokymasis
Neprižiūrimo mokymosi metu mums pateikiami nepaženklinti duomenys ir tik ieškome modelių. Apsimeskime, kad esate „Amazon“. Ar galime rasti grupes (panašių vartotojų grupes) pagal klientų pirkimo istoriją?
Net jei neturime aiškių ir įtikinamų duomenų apie asmens pageidavimus, šiuo atveju tiesiog žinodami, kad konkretus vartotojų rinkinys perka panašias prekes, galime teikti pirkimo pasiūlymus pagal tai, ką taip pat įsigijo kiti grupės asmenys.
„Amazon“ karuselė „jums taip pat gali būti įdomi“ yra varoma panašiomis technologijomis.
Neprižiūrimas mokymasis gali grupuoti duomenis naudojant grupes arba susiejimą, atsižvelgiant į tai, ką norite sugrupuoti.
- grupavimas – Neprižiūrimas mokymasis bando įveikti šį iššūkį ieškant duomenų šablonų. Jei yra panašus klasteris arba grupė, algoritmas juos suskirstys į kategorijas tam tikru būdu. To pavyzdys yra bandymas suskirstyti klientus pagal ankstesnę pirkimo istoriją.
- Asociacija – Neprižiūrimas mokymasis bando įveikti šį iššūkį, bandant suprasti taisykles ir reikšmes, kuriomis grindžiamos įvairios grupės. Dažnas asociacijos problemos pavyzdys yra ryšio tarp pirkėjo pirkimų nustatymas. Parduotuvės gali būti suinteresuotos žinoti, kokios prekės buvo įsigytos kartu, ir naudoti šią informaciją, kad nustatytų šių produktų padėtį, kad būtų lengviau pasiekti.
Stiprinimo mokymasis
Stiprinamasis mokymasis – tai mašininio mokymosi modelių mokymo būdas interaktyvioje aplinkoje priimti į tikslą orientuotus sprendimus. Aukščiau paminėti žaidimų naudojimo atvejai puikiai tai iliustruoja.
Nereikia įvesti AlphaZero tūkstančių ankstesnių šachmatų partijų, kurių kiekvienas yra pažymėtas „geras“ arba „prastas“ ėjimas. Tiesiog išmokykite jį žaidimo taisyklių ir tikslo, o tada leiskite jam išbandyti atsitiktinius veiksmus.
Teigiamas pastiprinimas suteikiamas veiklai, kuri priartina programą prie tikslo (pvz., tvirtos pėstininko pozicijos kūrimas). Kai veiksmai turi priešingą poveikį (pavyzdžiui, per anksti pakeičia karalių), jie gauna neigiamą pastiprinimą.
Programinė įranga galiausiai gali valdyti žaidimą naudodama šį metodą.
Armatūros mokymasis yra plačiai naudojamas robotikoje mokant robotus atlikti sudėtingus ir sunkiai suprojektuojamus veiksmus. Kartais jis naudojamas kartu su kelių infrastruktūra, pvz., šviesoforais, siekiant pagerinti eismo srautą.
Ką galima padaryti naudojant mašininį mokymąsi?
Mašininio mokymosi naudojimas visuomenėje ir pramonėje daro pažangą įvairiose žmonių pastangose.
Kasdieniame mūsų gyvenime mašininis mokymasis dabar valdo „Google“ paieškos ir vaizdų algoritmus, todėl galime tiksliau surasti reikiamą informaciją, kai jos reikia.
Pavyzdžiui, medicinoje mašininis mokymasis taikomas genetiniams duomenims, siekiant padėti gydytojams suprasti ir numatyti, kaip vėžys plinta, o tai leidžia kurti veiksmingesnius gydymo būdus.
Duomenys iš gilios erdvės renkami čia, Žemėje, naudojant didžiulius radijo teleskopus, o išanalizuoti naudojant mašininį mokymąsi, jie padeda mums atskleisti juodųjų skylių paslaptis.
Mašininis mokymasis mažmeninėje prekyboje susieja pirkėjus su daiktais, kuriuos jie nori pirkti internetu, taip pat padeda parduotuvių darbuotojams pritaikyti paslaugas, kurias jie teikia savo klientams tradiciniame pasaulyje.
Mašininis mokymasis naudojamas kovojant su terorizmu ir ekstremizmu, siekiant numatyti tų, kurie nori įskaudinti nekaltuosius, elgesį.
Natūralios kalbos apdorojimas (NLP) reiškia procesą, leidžiantį kompiuteriams suprasti ir bendrauti su mumis žmonių kalba per mašininį mokymąsi, o tai lėmė vertimo technologijų proveržį, taip pat vis dažniau kasdien naudojamus balsu valdomus įrenginius, pvz. Alexa, Google dot, Siri ir Google asistentas.
Be jokios abejonės, mašininis mokymasis parodo, kad tai yra transformacinė technologija.
Robotai, galintys dirbti kartu su mumis ir tobulinti mūsų pačių originalumą bei vaizduotę savo nepriekaištinga logika ir antžmogišku greičiu, nebėra mokslinės fantastikos fantazija – jie tampa realybe daugelyje sektorių.
Mašininio mokymosi naudojimo atvejai
1. Kibernetinis saugumas
Tinklams vis sudėtingėjant, kibernetinio saugumo specialistai nenuilstamai dirbo, kad prisitaikytų prie nuolat besiplečiančių grėsmių saugumui.
Kova su sparčiai besivystančia kenkėjiška programa ir įsilaužimo taktika yra pakankamai sudėtinga, tačiau daiktų interneto (IoT) įrenginių paplitimas iš esmės pakeitė kibernetinio saugumo aplinką.
Priepuoliai gali įvykti bet kuriuo metu ir bet kurioje vietoje.
Laimei, mašininio mokymosi algoritmai leido kibernetinio saugumo operacijoms neatsilikti nuo šių sparčių pokyčių.
Nuspėjama analizė leidžia greičiau aptikti ir sušvelninti atakas, o mašininis mokymasis gali analizuoti jūsų veiklą tinkle, kad aptiktų esamų saugos mechanizmų anomalijas ir trūkumus.
2. Klientų aptarnavimo automatizavimas
Vis didesnio internetinių klientų kontaktų skaičiaus valdymas įtempė organizacijos veiklą.
Jie tiesiog neturi pakankamai klientų aptarnavimo personalo, kad galėtų susidoroti su gaunamų užklausų kiekiu, ir tradicinio požiūrio į užsakomųjų paslaugų klausimus. kontaktinis centras yra tiesiog nepriimtina daugeliui šiandieninių klientų.
Pokalbių robotai ir kitos automatizuotos sistemos dabar gali patenkinti šiuos poreikius dėl mašininio mokymosi metodų pažangos. Įmonės gali atlaisvinti darbuotojus, kad jie galėtų teikti daugiau aukšto lygio klientų aptarnavimo, automatizuodami kasdienę ir žemo prioriteto veiklą.
Tinkamai naudojamas mašininis mokymasis versle gali padėti supaprastinti problemų sprendimą ir suteikti vartotojams tokią naudingą pagalbą, kuri leidžia jiems tapti atsidavę prekės ženklo čempionais.
3. Bendravimas
Klaidų ir klaidingų supratimų išvengimas yra labai svarbus bet kokio tipo komunikacijoje, bet ypač šiandienos verslo komunikacijoje.
Paprastos gramatinės klaidos, neteisingas tonas ar klaidingi vertimai gali sukelti įvairių sunkumų susisiekiant el. paštu, vertinant klientus, vaizdo konferencija, arba įvairių formų tekstu pagrįsta dokumentacija.
Mašininio mokymosi sistemos yra pažangios komunikacijos, gerokai daugiau nei svaiginančiais „Microsoft Clippy“ laikais.
Šie mašininio mokymosi pavyzdžiai padėjo asmenims bendrauti paprastai ir tiksliai naudojant natūralios kalbos apdorojimą, kalbos vertimą realiuoju laiku ir kalbos atpažinimą.
Nors daugelis žmonių nemėgsta automatinio taisymo galimybių, jie taip pat vertina būti apsaugoti nuo nepatogių klaidų ir netinkamo tono.
4. Objekto atpažinimas
Nors duomenų rinkimo ir interpretavimo technologija egzistuoja jau kurį laiką, kompiuterinių sistemų mokymas suprasti, į ką jos žiūri, pasirodė esąs apgaulingai sudėtingas uždavinys.
Objektų atpažinimo galimybės pridedamos prie vis daugiau įrenginių dėl mašininio mokymosi programų.
Pavyzdžiui, savarankiškai važiuojantis automobilis atpažįsta kitą automobilį, kai jį pamato, net jei programuotojai nepateikė tikslaus to automobilio pavyzdžio, kad būtų galima naudoti kaip nuorodą.
Ši technologija dabar naudojama mažmeninės prekybos įmonėse, siekiant pagreitinti atsiskaitymo procesą. Kameros identifikuoja vartotojų krepšeliuose esančius produktus ir gali automatiškai apmokestinti jų sąskaitas, kai jie išeina iš parduotuvės.
5. Skaitmeninė rinkodara
Didžioji dalis šiandieninės rinkodaros vykdoma internetu, naudojant įvairias skaitmenines platformas ir programinės įrangos programas.
Kai įmonės renka informaciją apie savo vartotojus ir jų pirkimo elgseną, rinkodaros komandos gali naudoti šią informaciją, kad susidarytų išsamų savo tikslinės auditorijos vaizdą ir sužinotų, kurie žmonės yra labiau linkę ieškoti jų produktų ir paslaugų.
Mašininio mokymosi algoritmai padeda rinkodaros specialistams suprasti visus tuos duomenis, atrasti reikšmingus modelius ir atributus, leidžiančius tiksliai suskirstyti galimybes.
Ta pati technologija leidžia automatizuoti didelę skaitmeninę rinkodarą. Skelbimų sistemos gali būti sukurtos taip, kad dinamiškai atrastų naujus potencialius vartotojus ir pateiktų jiems tinkamą rinkodaros turinį tinkamu laiku ir vietoje.
Mašininio mokymosi ateitis
Mašininis mokymasis neabejotinai populiarėja, nes vis daugiau įmonių ir didžiulių organizacijų naudoja technologiją konkretiems iššūkiams spręsti arba naujovėms skatinti.
Šios nuolatinės investicijos rodo supratimą, kad mašininis mokymasis sukuria IG, ypač kai kuriais iš pirmiau minėtų nustatytų ir atkuriamų naudojimo atvejų.
Galų gale, jei technologija yra pakankamai gera „Netflix“, „Facebook“, „Amazon“, „Google Maps“ ir t. t., tikėtina, kad ji taip pat padės jūsų įmonei maksimaliai išnaudoti savo duomenis.
Kaip nauja mašininis mokymasis modeliai yra sukurti ir išleisti, pamatysime, kad daugės programų, kurios bus naudojamos įvairiose pramonės šakose.
Tai jau vyksta su veido atpažinimas, kuri kažkada buvo nauja jūsų „iPhone“ funkcija, bet dabar įdiegiama įvairiose programose ir programose, ypač susijusiose su visuomenės saugumu.
Daugeliui organizacijų, bandančių pradėti naudotis mašininiu mokymusi, svarbiausia pažvelgti į šviesias futuristines vizijas ir atrasti tikrus verslo iššūkius, kuriuos technologija gali jums padėti.
Išvada
Postindustrializacijos amžiuje mokslininkai ir profesionalai bandė sukurti kompiuterį, kuris elgtųsi labiau kaip žmonės.
Mąstymo mašina yra svarbiausias AI indėlis į žmoniją; fenomenalus šios savaeigės mašinos atsiradimas greitai pakeitė įmonės veiklos reglamentus.
Savarankiškai važiuojančios transporto priemonės, automatizuoti asistentai, autonominės gamybos darbuotojai ir išmanieji miestai pastaruoju metu įrodė išmaniųjų mašinų gyvybingumą. Mašininio mokymosi revoliucija ir mašininio mokymosi ateitis bus su mumis ilgą laiką.
Palikti atsakymą