Содржина[Крие][Прикажи]
Сега можеме да го пресметаме просторот и малата сложеност на субатомските честички благодарение на компјутерите.
Компјутерите ги победуваат луѓето кога станува збор за броење и пресметување, како и следење на логични процеси да/не, благодарение на електроните кои патуваат со брзина на светлината преку нивните кола.
Сепак, не ги гледаме често како „интелигентни“ бидејќи, во минатото, компјутерите не можеа да вршат ништо без да бидат подучени (програмирани) од луѓето.
Машинско учење, вклучувајќи длабоко учење и вештачка интелигенција, стана главен збор во научните и технолошките наслови.
Изгледа дека машинското учење е сеприсутно, но многу луѓе кои го користат зборот би се бореле адекватно да дефинираат што е тоа, што прави и за што најдобро се користи.
Оваа статија се обидува да го разјасни машинското учење, истовремено обезбедувајќи конкретни примери од реалниот свет за тоа како функционира технологијата за да илустрира зошто е толку корисна.
Потоа, ќе ги разгледаме различните методологии за машинско учење и ќе видиме како тие се користат за справување со деловните предизвици.
Конечно, ќе се консултираме со нашата кристална топка за некои брзи предвидувања за иднината на машинското учење.
Што е машинско учење?
Машинското учење е дисциплина на компјутерската наука која им овозможува на компјутерите да заклучуваат обрасци од податоците без да бидат експлицитно поучени кои се тие обрасци.
Овие заклучоци често се засноваат на користење алгоритми за автоматска проценка на статистичките карактеристики на податоците и развивање математички модели за прикажување на врската помеѓу различните вредности.
Спротивно на ова со класичното пресметување, кое се заснова на детерминистички системи, во кои експлицитно му даваме на компјутерот збир на правила што треба да ги следи за тој да изврши одредена задача.
Овој начин на програмирање на компјутерите е познат како програмирање засновано на правила. Машинското учење се разликува и го надминува програмирањето засновано на правила по тоа што може самостојно да ги заклучи овие правила.
Претпоставете дека сте менаџер на банка кој сака да утврди дали апликацијата за заем ќе пропадне на нивниот заем.
Во методот заснован на правила, менаџерот на банката (или други специјалисти) експресно би го известил компјутерот дека ако кредитниот резултат на апликантот е под одредено ниво, апликацијата треба да се одбие.
Меѓутоа, програмата за машинско учење едноставно би ги анализирала претходните податоци за кредитниот рејтинг на клиентите и резултатите од заемот и сам ќе одреди колкав треба да биде овој праг.
Машината учи од претходните податоци и на овој начин создава свои правила. Се разбира, ова е само прајмер за машинско учење; Моделите за машинско учење од реалниот свет се значително покомплицирани од основниот праг.
Сепак, тоа е одлична демонстрација на потенцијалот на машинското учење.
Како тоа машина научи?
За нештата да бидат едноставни, машините „учат“ со откривање шеми во споредливи податоци. Сметајте дека податоците се информации што ги собирате од надворешниот свет. Колку повеќе податоци се снабдува машината, толку таа станува „попаметна“.
Сепак, не се сите податоци исти. Претпоставете дека сте пират со животна цел да ги открие закопаните богатства на островот. Ќе сакате значителна количина на знаење за да ја лоцирате наградата.
Ова знаење, како и податоците, може да ве одведе на правилен или погрешен начин.
Колку се поголеми информациите/податоците добиени, толку е помала двосмисленоста и обратно. Како резултат на тоа, од клучно значење е да се земе предвид видот на податоци од коишто ја храните вашата машина за да учи.
Меѓутоа, штом ќе се обезбеди значителна количина на податоци, компјутерот може да прави предвидувања. Машините можат да ја предвидат иднината се додека таа не отстапува многу од минатото.
Машините „учат“ со анализа на историски податоци за да утврдат што веројатно ќе се случи.
Ако старите податоци личат на новите податоци, тогаш работите што можете да ги кажете за претходните податоци најверојатно ќе се применат и на новите податоци. Како да гледаш назад за да гледаш напред.
Кои се видовите на машинско учење?
Алгоритмите за машинско учење често се класифицираат во три широки типови (иако се користат и други шеми за класификација):
- Надзорно учење
- Неуспешно учење
- Засилување на учењето
Надзорно учење
Надгледуваното машинско учење се однесува на техники во кои на моделот за машинско учење му се дава збирка на податоци со експлицитни ознаки за количината на интерес (оваа количина често се нарекува одговор или цел).
За да се обучуваат модели на вештачка интелигенција, полу-надгледуваното учење користи мешавина од означени и неетикетирани податоци.
Ако работите со неозначени податоци, ќе треба да преземете одредено етикетирање на податоците.
Обележувањето е процес на етикетирање на примероците за помош обука на машинско учење модел. Обележувањето првенствено го прават луѓе, што може да биде скапо и одзема многу време. Сепак, постојат техники за автоматизирање на процесот на етикетирање.
Ситуацијата со апликацијата за заем што ја дискутиравме претходно е одлична илустрација за надгледувано учење. Имавме историски податоци во врска со кредитниот рејтинг на поранешните апликанти за заем (а можеби и нивоата на приходи, возраста итн.), како и специфични етикети кои ни кажуваа дали или не дотичниот не го исполнил својот заем.
Регресијата и класификацијата се две подгрупи на техники за надгледувано учење.
- Класификација - Користи алгоритам за правилно категоризирање на податоците. Филтрите за спам се еден пример. „Спам“ може да биде субјективна категорија - линијата помеѓу спам и неспам комуникациите е нејасна - а алгоритмот за филтер за спам постојано се усовршува во зависност од вашите повратни информации (што значи е-пошта што луѓето ја означуваат како спам).
- Регресија – Тоа е корисно за разбирање на врската помеѓу зависните и независните променливи. Регресивните модели можат да предвидат нумерички вредности врз основа на неколку извори на податоци, како што се проценките на приходите од продажба за одредена компанија. Линеарна регресија, логистичка регресија и полиномна регресија се некои истакнати техники на регресија.
Неуспешно учење
Во учењето без надзор, ни се даваат неозначени податоци и само бараме обрасци. Ајде да се преправаме дека си Амазон. Можеме ли да најдеме какви било кластери (групи слични потрошувачи) врз основа на историјата на купување на клиентите?
И покрај тоа што немаме експлицитни, убедливи податоци за преференциите на една личност, во овој пример, едноставното знаење дека одреден сет на потрошувачи купуваат споредливи стоки ни овозможува да даваме предлози за купување врз основа на она што го купиле и другите поединци во кластерот.
Рингишпилот на Amazon „исто така можеби ќе ве интересира“ се напојува со слични технологии.
Учењето без надзор може да групира податоци преку групирање или здружување, во зависност од тоа што сакате да групирате заедно.
- Кластерирање – Ненадгледуваното учење се обидува да го надмине овој предизвик со пребарување на обрасци во податоците. Ако постои сличен кластер или група, алгоритмот ќе ги категоризира на одреден начин. Обидот да се категоризираат клиентите врз основа на претходната историја на купување е пример за ова.
- Здружението – Учењето без надзор се обидува да се справи со овој предизвик обидувајќи се да ги разбере правилата и значењата во основата на различни групи. Чест пример за проблем со асоцијацијата е одредувањето врска помеѓу купувањата од клиентите. Продавниците можат да бидат заинтересирани да знаат кои стоки се купени заедно и можат да ги користат овие информации за да го организираат позиционирањето на овие производи за лесен пристап.
Засилување на учењето
Учењето со засилување е техника за учење на моделите за машинско учење за да се донесат низа одлуки насочени кон целта во интерактивно опкружување. Случаите за користење на игри споменати погоре се одлични илустрации за тоа.
Не мора да внесувате илјадници претходни шаховски партии AlphaZero, секоја со „добар“ или „лош“ потег означен. Едноставно научете го на правилата на играта и целта, а потоа оставете го да испроба случајни дела.
Позитивно засилување се дава на активностите што ја приближуваат програмата до целта (како што е развивање цврста позиција на пион). Кога делата имаат спротивен ефект (како што е предвремено преместување на кралот), тие заработуваат негативно засилување.
Софтверот на крајот може да ја совлада играта користејќи го овој метод.
Засилување на учењето е широко користен во роботиката за да ги научи роботите за комплицирани и тешки дејства. Понекогаш се користи во врска со патната инфраструктура, како што се сообраќајните сигнали, за да се подобри протокот на сообраќај.
Што може да се направи со машинското учење?
Употребата на машинско учење во општеството и индустријата резултира со напредок во широк опсег на човечки напори.
Во нашиот секојдневен живот, машинското учење сега ги контролира алгоритмите за пребарување и слики на Google, што ни овозможува попрецизно усогласување со информациите што ни се потребни кога ни се потребни.
Во медицината, на пример, машинското учење се применува на генетски податоци за да им помогне на лекарите да разберат и предвидат како се шири ракот, што овозможува развој на поефикасни терапии.
Податоците од длабоката вселена се собираат овде на Земјата преку масивни радио телескопи - и по анализирањето со машинско учење, ни помагаат да ги откриеме мистериите на црните дупки.
Машинското учење во малопродажбата ги поврзува купувачите со работи што сакаат да ги купат преку Интернет, а исто така им помага на вработените во продавниците да ја прилагодат услугата што им ја обезбедуваат на своите клиенти во светот на тули и малтер.
Машинското учење се користи во битката против теророт и екстремизмот за да се предвиди однесувањето на оние кои сакаат да повредат невини.
Обработката на природен јазик (НЛП) се однесува на процесот на дозволување на компјутерите да разберат и да комуницираат со нас на човечки јазик преку машинско учење, а тоа резултираше со откритија во технологијата за превод, како и со уредите контролирани со глас што сè повеќе ги користиме секој ден, како на пр. Alexa, Google dot, Siri и Google асистент.
Без прашање, машинското учење покажува дека е трансформациска технологија.
Роботите способни да работат заедно со нас и да ја зајакнат нашата сопствена оригиналност и имагинација со нивната беспрекорна логика и натчовечка брзина повеќе не се научно-фантастична фантазија - тие стануваат реалност во многу сектори.
Случаи за употреба на машинско учење
1. Сајбер безбедност
Како што мрежите станаа покомплицирани, специјалистите за сајбер-безбедност неуморно работеа за да се прилагодат на постојано проширување на опсегот на безбедносни закани.
Спротивставувањето на малициозен софтвер што брзо се развива и тактиките за хакирање е доволно предизвик, но ширењето на уредите за Интернет на нештата (IoT) фундаментално ја трансформираше сајбер-безбедноста.
Нападите можат да се случат во секој момент и на секое место.
За среќа, алгоритмите за машинско учење им овозможија на операциите на сајбер безбедноста да бидат во чекор со овие брзи случувања.
Предвидлива аналитика овозможете побрзо откривање и ублажување на нападите, додека машинското учење може да ја анализира вашата активност во мрежата за да открие абнормалности и слабости во постоечките безбедносни механизми.
2. Автоматизација на услуги на клиентите
Управувањето со зголемен број контакти со клиенти преку Интернет напрега многу организација.
Тие едноставно немаат доволно персонал за услуги на клиентите за да се справат со обемот на прашања што ги добиваат и традиционалниот пристап на аутсорсинг прашања на контакт центар е едноставно неприфатливо за многу од денешните клиенти.
Четботите и другите автоматизирани системи сега можат да одговорат на овие барања благодарение на напредокот во техниките за машинско учење. Компаниите можат да ослободат персонал за да преземат поголема поддршка на клиентите на високо ниво преку автоматизирање на секојдневните и активностите со низок приоритет.
Кога се користи правилно, машинското учење во бизнисот може да помогне да се насочи решавањето на проблемите и да им се обезбеди на потрошувачите тип на корисна поддршка што ги претвора во посветени шампиони на брендот.
3 Комуникација
Избегнувањето на грешки и заблуди е критично во секој тип на комуникација, но уште повеќе во денешните деловни комуникации.
Едноставните граматички грешки, неточниот тон или погрешните преводи може да предизвикаат низа потешкотии во контакт со е-пошта, проценки на клиентите, видео конференции, или документација базирана на текст во многу форми.
Системите за машинско учење напреднаа во комуникацијата многу подалеку од напорните денови на Clippy на Microsoft.
Овие примери за машинско учење им помогнаа на поединците да комуницираат едноставно и прецизно со користење на обработка на природен јазик, превод на јазик во реално време и препознавање на говор.
Иако на многу поединци не им се допаѓаат можностите за автоматска корекција, тие исто така ценат да бидат заштитени од срамни грешки и несоодветен тон.
4. Препознавање на објекти
Додека технологијата за собирање и интерпретирање податоци постои веќе некое време, учењето на компјутерските системи да разберат што гледаат се покажа како измамливо тешка задача.
Способностите за препознавање објекти се додаваат на зголемен број уреди поради апликациите за машинско учење.
На пример, самоуправувачки автомобил препознава друг автомобил кога ќе го види, дури и ако програмерите не му дале точен пример за тој автомобил за да го користи како референца.
Оваа технологија сега се користи во малопродажните бизниси за да помогне да се забрза процесот на наплата. Камерите ги идентификуваат производите во количките на потрошувачите и можат автоматски да ги наплатат нивните сметки кога ќе ја напуштат продавницата.
5. Дигитален маркетинг
Голем дел од денешниот маркетинг се прави онлајн, со користење на голем број дигитални платформи и софтверски програми.
Како што бизнисите собираат информации за нивните потрошувачи и нивното однесување при купувањето, маркетинг тимовите можат да ги користат тие информации за да изградат детална слика за нивната целна публика и да откријат кои луѓе се повеќе склони да ги бараат нивните производи и услуги.
Алгоритмите за машинско учење им помагаат на маркетерите да ги разберат сите тие податоци, откривајќи значајни обрасци и атрибути кои им овозможуваат цврсто да ги категоризираат можностите.
Истата технологија овозможува голема автоматизација на дигитален маркетинг. Рекламните системи може да се постават за динамично да откриваат нови потенцијални потрошувачи и да им обезбедат релевантна маркетинг содржина во соодветно време и место.
Иднината на машинското учење
Машинското учење секако добива популарност бидејќи повеќе бизниси и огромни организации ја користат технологијата за да се справат со конкретни предизвици или да поттикнат иновации.
Оваа континуирана инвестиција покажува разбирање дека машинското учење создава рентабилност, особено преку некои од горенаведените воспоставени и репродуктивни случаи на употреба.
На крајот на краиштата, ако технологијата е доволно добра за Netflix, Facebook, Amazon, Google Maps и така натаму, голема е веројатноста дека може да и помогне на вашата компанија да ги искористи максимално своите податоци.
Како ново машинско учење модели се развиени и лансирани, ќе бидеме сведоци на зголемување на бројот на апликации кои ќе се користат низ индустриите.
Ова веќе се случува со препознавање на лице, која некогаш беше нова функција на вашиот iPhone, но сега се имплементира во широк опсег на програми и апликации, особено оние поврзани со јавната безбедност.
Клучот за повеќето организации кои се обидуваат да започнат со машинско учење е да гледаат покрај светлите футуристички визии и да ги откријат вистинските деловни предизвици со кои технологијата може да ви помогне.
Заклучок
Во пост-индустријализираното доба, научниците и професионалците се обидуваат да создадат компјутер кој се однесува повеќе како луѓе.
Машината за размислување е најзначајниот придонес на ВИ за човештвото; феноменалното доаѓање на оваа самоодна машина брзо ги трансформираше корпоративните оперативни прописи.
Самоуправувачките возила, автоматизираните асистенти, вработените во автономното производство и паметните градови во последно време ја покажаа одржливоста на паметните машини. Револуцијата на машинското учење и иднината на машинското учење ќе бидат со нас уште долго.
Оставете Одговор