Saturs[Paslēpt][Rādīt]
Tagad, pateicoties datoriem, mēs varam aprēķināt telpas plašumu un subatomisko daļiņu sarežģītību.
Datori pārspēj cilvēkus, skaitot un rēķinot, kā arī sekojot loģiskiem jā/nē procesiem, pateicoties elektroniem, kas caur to ķēdēm pārvietojas ar gaismas ātrumu.
Tomēr mēs tos bieži neuzskatām par “inteliģentiem”, jo agrāk datori neko nevarēja veikt, ja cilvēki tos nemācīja (ieprogrammēja).
Mašīnmācība, tostarp dziļa mācīšanās un mākslīgais intelekts, ir kļuvis par modes vārdu zinātnes un tehnoloģiju virsrakstos.
Šķiet, ka mašīnmācība ir visuresoša, taču daudziem cilvēkiem, kas lieto šo vārdu, būtu grūti pareizi definēt, kas tas ir, ko tā dara un kam to vislabāk izmantot.
Šajā rakstā ir mēģināts izskaidrot mašīnmācīšanos, vienlaikus sniedzot konkrētus, reālus piemērus, kā tehnoloģija darbojas, lai ilustrētu, kāpēc tā ir tik izdevīga.
Pēc tam apskatīsim dažādas mašīnmācīšanās metodoloģijas un redzēsim, kā tās tiek izmantotas, lai risinātu biznesa problēmas.
Visbeidzot, mēs konsultēsimies ar mūsu kristāla lodi, lai iegūtu dažas ātras prognozes par mašīnmācības nākotni.
Kas ir mašīnmācība?
Mašīnmācība ir datorzinātņu disciplīna, kas ļauj datoriem izsecināt modeļus no datiem, nepārprotami nemācot, kas tie ir.
Šie secinājumi bieži vien ir balstīti uz algoritmu izmantošanu, lai automātiski novērtētu datu statistiskās pazīmes, un matemātisko modeļu izstrādi, lai attēlotu attiecības starp dažādām vērtībām.
Salīdziniet to ar klasisko skaitļošanu, kas balstās uz deterministiskām sistēmām, kurās mēs skaidri sniedzam datoram noteikumu kopumu, kas tam jāievēro, lai tas varētu veikt noteiktu uzdevumu.
Šis datoru programmēšanas veids ir pazīstams kā uz noteikumiem balstīta programmēšana. Mašīnmācība atšķiras no uz likumiem balstītas programmēšanas un pārspēj to ar to, ka tā pati var secināt šos noteikumus.
Pieņemsim, ka esat bankas vadītājs, kurš vēlas noteikt, vai aizdevuma pieteikums viņam neizdosies.
Izmantojot uz noteikumiem balstītu metodi, bankas vadītājs (vai citi speciālisti) skaidri informē datoru, ka, ja pieteikuma iesniedzēja kredītreitings ir zem noteikta līmeņa, pieteikums ir jānoraida.
Tomēr mašīnmācīšanās programma vienkārši analizētu iepriekšējos datus par klientu kredītreitingiem un aizdevumu rezultātiem un noteiktu, kādam jābūt šim slieksnim.
Iekārta mācās no iepriekšējiem datiem un šādā veidā izveido savus noteikumus. Protams, tas ir tikai mašīnmācības pamats; reālās pasaules mašīnmācīšanās modeļi ir ievērojami sarežģītāki nekā pamata slieksnis.
Tomēr tas lieliski parāda mašīnmācības potenciālu.
Kā notiek a mašīna mācīties?
Lai lietas būtu vienkāršas, mašīnas “mācās”, atklājot modeļus salīdzināmos datos. Uzskatiet, ka dati ir informācija, ko apkopojat no ārpasaules. Jo vairāk datu mašīna tiek ievadīta, jo “gudrāka” tā kļūst.
Tomēr ne visi dati ir vienādi. Pieņemsim, ka esat pirāts, kura dzīves mērķis ir atklāt salā apraktās bagātības. Lai atrastu balvu, jums būs nepieciešams ievērojams zināšanu apjoms.
Šīs zināšanas, tāpat kā dati, var jūs vadīt pareizi vai nepareizi.
Jo lielāka ir iegūtā informācija/dati, jo mazāk neskaidrību un otrādi. Rezultātā ir ļoti svarīgi apsvērt, kādus datus jūs padodat savai iekārtai, no kā mācīties.
Tomēr, tiklīdz ir nodrošināts ievērojams datu daudzums, dators var veikt prognozes. Mašīnas var paredzēt nākotni, ja vien tā īpaši neatkāpjas no pagātnes.
Mašīnas “mācās”, analizējot vēsturiskos datus, lai noteiktu, kas varētu notikt.
Ja vecie dati atgādina jaunos datus, tas, ko varat teikt par iepriekšējiem datiem, visticamāk, attieksies uz jaunajiem datiem. Tas ir tā, it kā jūs skatāties atpakaļ, lai redzētu uz priekšu.
Kādi ir mašīnmācīšanās veidi?
Mašīnmācības algoritmi bieži tiek iedalīti trīs plašos veidos (lai gan tiek izmantotas arī citas klasifikācijas shēmas):
- Uzraudzīta mācīšanās
- Nepārraudzīta mācīšanās
- Pastiprināšanas mācīšanās
Uzraudzīta mācīšanās
Uzraudzīta mašīnmācīšanās attiecas uz paņēmieniem, kuros mašīnmācīšanās modelim tiek piešķirts datu kopums ar precīzām etiķetēm par interesējošo daudzumu (šo daudzumu bieži dēvē par atbildi vai mērķi).
Lai apmācītu AI modeļus, daļēji uzraudzīta apmācība izmanto marķētu un nemarķētu datu kombināciju.
Ja strādājat ar nemarķētiem datiem, jums būs jāveic datu marķēšana.
Marķēšana ir paraugu marķēšanas process, lai palīdzētu mašīnmācības apmācība modelis. Marķēšanu galvenokārt veic cilvēki, kas var būt dārgi un laikietilpīgi. Tomēr ir metodes, kā automatizēt marķēšanas procesu.
Aizdevuma pieteikuma situācija, par kuru mēs runājām iepriekš, ir lielisks uzraudzītas apmācības piemērs. Mums bija vēsturiski dati par bijušo aizdevuma iesniedzēju kredītreitingiem (un, iespējams, ienākumu līmeni, vecumu un tā tālāk), kā arī īpašas etiķetes, kas mums norādīja, vai attiecīgā persona nepilda kredīta saistības.
Regresija un klasifikācija ir divas uzraudzītu mācību metožu apakškopas.
- Klasifikācija - Tas izmanto algoritmu, lai pareizi klasificētu datus. Viens piemērs ir surogātpasta filtri. “Surogātpasts” var būt subjektīva kategorija — robeža starp surogātpastu un saziņu, kas nav surogātpasts, ir neskaidra, un surogātpasta filtra algoritms pastāvīgi pilnveidojas atkarībā no jūsu atsauksmēm (tas nozīmē, ka e-pasts, ko cilvēki atzīmē kā surogātpastu).
- Regress – Tas palīdz izprast saistību starp atkarīgiem un neatkarīgiem mainīgajiem. Regresijas modeļi var prognozēt skaitliskās vērtības, pamatojoties uz vairākiem datu avotiem, piemēram, pārdošanas ieņēmumu aplēsēm konkrētam uzņēmumam. Lineārā regresija, loģistiskā regresija un polinoma regresija ir dažas ievērojamas regresijas metodes.
Nepārraudzīta mācīšanās
Nepārraudzītās mācībās mums tiek doti nemarķēti dati, un mēs tikai meklējam modeļus. Izliksimies, ka esat Amazon. Vai varam atrast klasterus (līdzīgu patērētāju grupas), pamatojoties uz klientu pirkumu vēsturi?
Pat ja mums nav skaidru un pārliecinošu datu par personas vēlmēm, šajā gadījumā, vienkārši zinot, ka konkrēta patērētāju kopa iegādājas salīdzināmas preces, mēs varam sniegt pirkuma ieteikumus, pamatojoties uz to, ko ir iegādājušās arī citas klastera personas.
Amazon karuselis “jūs varētu arī interesēt” tiek darbināts ar līdzīgām tehnoloģijām.
Nepārraudzīta apmācība var grupēt datus, izmantojot klasterus vai asociāciju, atkarībā no tā, ko vēlaties grupēt.
- Klasterizācijas – Nepārraudzīta mācīšanās mēģina pārvarēt šo izaicinājumu, meklējot datos modeļus. Ja ir līdzīgs klasteris vai grupa, algoritms tos klasificēs noteiktā veidā. Piemērs tam ir mēģinājums klasificēt klientus, pamatojoties uz iepriekšējo pirkumu vēsturi.
- Asociācija – Nepārraudzīta mācīšanās mēģina risināt šo izaicinājumu, mēģinot izprast dažādu grupu pamatā esošos noteikumus un nozīmes. Biežs asociācijas problēmas piemērs ir saiknes noteikšana starp klientu pirkumiem. Veikali var būt ieinteresēti uzzināt, kuras preces tika iegādātas kopā, un var izmantot šo informāciju, lai sakārtotu šo produktu novietojumu, lai tie būtu ērti pieejami.
Pastiprināšanas mācības
Pastiprināšanas mācīšanās ir paņēmiens mašīnmācīšanās modeļu mācīšanai, lai interaktīvā vidē pieņemtu virkni mērķtiecīgu lēmumu. Iepriekš minētie spēļu lietošanas gadījumi to lieliski ilustrē.
Jums nav jāievada AlphaZero tūkstošiem iepriekšējo šaha spēļu, katra ar atzīmi “labs” vai “slikts” gājiens. Vienkārši iemāciet tai spēles noteikumus un mērķi un pēc tam ļaujiet tai izmēģināt nejaušas darbības.
Pozitīvs pastiprinājums tiek piešķirts aktivitātēm, kas tuvina programmu mērķim (piemēram, stabilas bandinieka pozīcijas attīstīšana). Ja darbībām ir pretējs efekts (piemēram, priekšlaicīga ķēniņa maiņa), tās iegūst negatīvu pastiprinājumu.
Programmatūra galu galā var apgūt spēli, izmantojot šo metodi.
Pastiprināšanas mācīšanās tiek plaši izmantots robotikā, lai mācītu robotus sarežģītām un grūti konstruējamām darbībām. To dažreiz izmanto kopā ar ceļu infrastruktūru, piemēram, luksoforiem, lai uzlabotu satiksmes plūsmu.
Ko var izdarīt ar mašīnmācību?
Mašīnmācības izmantošana sabiedrībā un rūpniecībā veicina dažādu cilvēku darbību attīstību.
Mūsu ikdienas dzīvē mašīnmācīšanās tagad kontrolē Google meklēšanas un attēlu algoritmus, ļaujot mums precīzāk atrast vajadzīgo informāciju, kad tā ir vajadzīga.
Piemēram, medicīnā mašīnmācība tiek izmantota ģenētiskajiem datiem, lai palīdzētu ārstiem saprast un paredzēt, kā vēzis izplatās, ļaujot izstrādāt efektīvākas terapijas.
Dati no dziļā kosmosa tiek vākti šeit uz Zemes, izmantojot masīvus radioteleskopus, un pēc tam, kad tie ir analizēti ar mašīnmācību, tie palīdz mums atšķetināt melno caurumu noslēpumus.
Mašīnmācība mazumtirdzniecībā saista pircējus ar precēm, ko viņi vēlas iegādāties tiešsaistē, kā arī palīdz veikalu darbiniekiem pielāgot pakalpojumus, ko viņi sniedz saviem klientiem tradicionālajā pasaulē.
Mašīnmācība tiek izmantota cīņā pret terorismu un ekstrēmismu, lai paredzētu to cilvēku uzvedību, kuri vēlas ievainot nevainīgos.
Dabiskās valodas apstrāde (NLP) attiecas uz procesu, kas ļauj datoriem saprast un sazināties ar mums cilvēku valodā, izmantojot mašīnmācīšanos, un tas ir radījis sasniegumus tulkošanas tehnoloģijā, kā arī ar balsi vadāmajās ierīcēs, kuras mēs arvien biežāk lietojam katru dienu, piemēram, Alexa, Google dot, Siri un Google palīgs.
Bez šaubām, mašīnmācība parāda, ka tā ir transformācijas tehnoloģija.
Roboti, kas spēj strādāt kopā ar mums un uzlabot mūsu pašu oriģinalitāti un iztēli ar savu nevainojamo loģiku un pārcilvēcisko ātrumu, vairs nav zinātniskās fantastikas fantāzija — tie kļūst par realitāti daudzās nozarēs.
Mašīnmācības lietošanas gadījumi
1. Kiberdrošība
Tā kā tīkli ir kļuvuši sarežģītāki, kiberdrošības speciālisti ir nenogurstoši strādājuši, lai pielāgotos arvien pieaugošajam drošības apdraudējumu klāstam.
Cīņa pret strauji attīstošu ļaunprogrammatūru un uzlaušanas taktiku ir pietiekami sarežģīta, taču lietu interneta (IoT) ierīču izplatība ir būtiski mainījusi kiberdrošības vidi.
Uzbrukumi var notikt jebkurā brīdī un jebkurā vietā.
Par laimi, mašīnmācīšanās algoritmi ir ļāvuši kiberdrošības operācijām sekot līdzi šīm straujajām norisēm.
Jutīgā analītika ļauj ātrāk noteikt un mazināt uzbrukumus, savukārt mašīnmācīšanās var analizēt jūsu darbības tīklā, lai atklātu esošo drošības mehānismu novirzes un nepilnības.
2. Klientu apkalpošanas automatizācija
Arvien lielāka tiešsaistes klientu kontaktu skaita pārvaldīšana ir sasprindzinājusi daudzas organizācijas.
Viņiem vienkārši nav pietiekami daudz klientu apkalpošanas personāla, lai apstrādātu saņemto pieprasījumu apjomu, kā arī tradicionālā pieeja jautājumu risināšanai ārpakalpojumos. kontaktu centrs ir vienkārši nepieņemami daudziem mūsdienu klientiem.
Pateicoties mašīnmācīšanās metožu attīstībai, tērzēšanas roboti un citas automatizētas sistēmas tagad var apmierināt šīs prasības. Uzņēmumi var atbrīvot personālu augsta līmeņa klientu atbalsta sniegšanai, automatizējot ikdienišķas un zemas prioritātes darbības.
Pareizi lietojot, mašīnmācīšanās uzņēmējdarbībā var palīdzēt racionalizēt problēmu risināšanu un sniegt patērētājiem tādu noderīgu atbalstu, kas liek viņiem kļūt par apņēmīgiem zīmola čempioniem.
3. Sakari
Izvairīšanās no kļūdām un nepareiziem priekšstatiem ir ļoti svarīga jebkura veida saziņā, bet jo īpaši mūsdienu biznesa komunikācijā.
Vienkāršas gramatikas kļūdas, nepareizs tonis vai kļūdaini tulkojumi var radīt dažādas grūtības saziņā ar e-pastu, klientu vērtējumiem, videokonferencesvai teksta dokumentāciju daudzos veidos.
Mašīnmācīšanās sistēmām ir uzlabota saziņa, kas pārsniedz Microsoft Clippy reibinošās dienas.
Šie mašīnmācīšanās piemēri ir palīdzējuši cilvēkiem sazināties vienkārši un precīzi, izmantojot dabiskās valodas apstrādi, reāllaika valodas tulkošanu un runas atpazīšanu.
Lai gan daudziem cilvēkiem nepatīk automātiskās korekcijas iespējas, viņi arī novērtē, ka viņi ir pasargāti no apkaunojošām kļūdām un nepareiza toņa.
4. Objektu atpazīšana
Lai gan datu vākšanas un interpretācijas tehnoloģija pastāv jau kādu laiku, datorsistēmu mācīšana saprast, uz ko tās skatās, ir izrādījies maldinoši grūts uzdevums.
Objektu atpazīšanas iespējas tiek pievienotas arvien lielākam skaitam ierīču, pateicoties mašīnmācīšanās lietojumprogrammām.
Piemēram, pašbraucošs automobilis atpazīst citu automašīnu, kad to ierauga, pat ja programmētāji tai nesniedza precīzu šīs automašīnas piemēru, ko izmantot kā atsauci.
Šī tehnoloģija tagad tiek izmantota mazumtirdzniecības uzņēmumos, lai palīdzētu paātrināt norēķināšanās procesu. Kameras identificē produktus patērētāju grozos un var automātiski iekasēt rēķinu no viņu kontiem, kad viņi atstāj veikalu.
5. Digitālais mārketings
Liela daļa mūsdienu mārketinga tiek veikta tiešsaistē, izmantojot dažādas digitālās platformas un programmatūras.
Uzņēmumiem vācot informāciju par saviem patērētājiem un viņu iepirkšanās paradumiem, mārketinga komandas var izmantot šo informāciju, lai izveidotu detalizētu priekšstatu par savu mērķauditoriju un atklātu, kuri cilvēki vairāk vēlas meklēt viņu produktus un pakalpojumus.
Mašīnmācīšanās algoritmi palīdz tirgotājiem izprast visus šos datus, atklājot nozīmīgus modeļus un atribūtus, kas ļauj precīzi klasificēt iespējas.
Tā pati tehnoloģija nodrošina lielu digitālā mārketinga automatizāciju. Reklāmu sistēmas var iestatīt, lai dinamiski atklātu jaunus potenciālos patērētājus un nodrošinātu viņiem atbilstošu mārketinga saturu īstajā laikā un vietā.
Mašīnmācības nākotne
Mašīnmācība noteikti kļūst arvien populārāka, jo arvien vairāk uzņēmumu un milzīgu organizāciju izmanto tehnoloģiju, lai risinātu konkrētas problēmas vai veicinātu inovācijas.
Šis nepārtrauktais ieguldījums parāda izpratni, ka mašīnmācīšanās rada IA, jo īpaši dažos no iepriekš minētajiem konstatētajiem un atkārtojamiem lietošanas gadījumiem.
Galu galā, ja tehnoloģija ir pietiekami laba Netflix, Facebook, Amazon, Google Maps un tā tālāk, iespējams, ka tā var palīdzēt jūsu uzņēmumam maksimāli izmantot savus datus.
Kā jauns mašīna mācīšanās modeļi tiek izstrādāti un laisti tirgū, mēs pieredzēsim lietojumprogrammu skaita pieaugumu, kuras tiks izmantotas dažādās nozarēs.
Tas jau notiek ar sejas atpazīšana, kas kādreiz bija jauna funkcija jūsu iPhone tālrunī, bet tagad tiek ieviesta daudzās programmās un lietojumprogrammās, jo īpaši tajās, kas saistītas ar sabiedrisko drošību.
Lielākajai daļai organizāciju, kas mēģina sākt darbu ar mašīnmācību, galvenais ir paskatīties garām spilgtajām futūristiskajām vīzijām un atklāt patiesos biznesa izaicinājumus, ar kuriem tehnoloģija var jums palīdzēt.
Secinājumi
Postindustrializētajā laikmetā zinātnieki un profesionāļi ir mēģinājuši izveidot datoru, kas uzvedas vairāk kā cilvēki.
Domāšanas mašīna ir AI nozīmīgākais ieguldījums cilvēcei; šīs pašpiedziņas mašīnas fenomenālā ienākšana ir strauji mainījusi uzņēmuma darbības noteikumus.
Pašpiedziņas transportlīdzekļi, automatizēti palīgi, autonomas ražošanas darbinieki un viedās pilsētas pēdējā laikā ir pierādījuši viedo mašīnu dzīvotspēju. Mašīnmācīšanās revolūcija un mašīnmācīšanās nākotne būs ar mums ilgu laiku.
Atstāj atbildi