Jadual Kandungan[Sembunyi][Tunjukkan]
Kini kita boleh mengira keluasan ruang dan selok-belok kecil zarah subatom terima kasih kepada komputer.
Komputer mengalahkan manusia semasa mengira dan mengira, serta mengikuti proses ya/tidak logik, terima kasih kepada elektron yang bergerak pada kelajuan cahaya melalui litarnya.
Walau bagaimanapun, kita tidak sering melihat mereka sebagai "pintar" kerana, pada masa lalu, komputer tidak dapat melakukan apa-apa tanpa diajar (diprogramkan) oleh manusia.
Pembelajaran mesin, termasuk pembelajaran mendalam dan kecerdasan buatan, telah menjadi bualan dalam tajuk utama sains dan teknologi.
Pembelajaran mesin nampaknya ada di mana-mana, tetapi ramai orang yang menggunakan perkataan itu akan bergelut untuk mentakrifkan perkataan itu dengan secukupnya, apa yang dilakukannya dan untuk apa ia digunakan dengan sebaiknya.
Artikel ini bertujuan untuk menjelaskan pembelajaran mesin sambil turut menyediakan contoh nyata yang konkrit tentang cara teknologi berfungsi untuk menggambarkan sebab ia sangat bermanfaat.
Kemudian, kita akan melihat pelbagai metodologi pembelajaran mesin dan melihat cara ia digunakan untuk menangani cabaran perniagaan.
Akhir sekali, kami akan merujuk bola kristal kami untuk beberapa ramalan pantas tentang masa depan pembelajaran mesin.
Apa itu Pembelajaran Mesin?
Pembelajaran mesin ialah disiplin sains komputer yang membolehkan komputer membuat kesimpulan corak daripada data tanpa diajar secara eksplisit tentang corak tersebut.
Kesimpulan ini selalunya berdasarkan menggunakan algoritma untuk menilai secara automatik ciri statistik data dan membangunkan model matematik untuk menggambarkan hubungan antara pelbagai nilai.
Bezakan ini dengan pengkomputeran klasik, yang berdasarkan sistem penentuan, di mana kami secara eksplisit memberikan komputer satu set peraturan untuk dipatuhi untuk melakukan tugas tertentu.
Cara pengaturcaraan komputer ini dikenali sebagai pengaturcaraan berasaskan peraturan. Pembelajaran mesin berbeza daripada dan mengatasi prestasi pengaturcaraan berasaskan peraturan kerana ia boleh menyimpulkan peraturan ini sendiri.
Andaikan anda seorang pengurus bank yang ingin menentukan sama ada permohonan pinjaman akan gagal dalam pinjaman mereka.
Dalam kaedah berasaskan peraturan, pengurus bank (atau pakar lain) akan memberitahu komputer dengan jelas bahawa jika skor kredit pemohon berada di bawah paras tertentu, permohonan itu harus ditolak.
Walau bagaimanapun, program pembelajaran mesin hanya akan menganalisis data terdahulu tentang penilaian kredit pelanggan dan keputusan pinjaman dan menentukan sendiri ambang ini.
Mesin belajar daripada data sebelumnya dan mencipta peraturannya sendiri dengan cara ini. Sudah tentu, ini hanya asas pembelajaran mesin; model pembelajaran mesin dunia sebenar adalah jauh lebih rumit daripada ambang asas.
Walau bagaimanapun, ia merupakan demonstrasi yang sangat baik tentang potensi pembelajaran mesin.
Bagaimana a mesin belajar?
Untuk memastikan perkara mudah, mesin "belajar" dengan mengesan corak dalam data yang setanding. Pertimbangkan data sebagai maklumat yang anda kumpulkan dari dunia luar. Semakin banyak data yang diberikan kepada mesin, semakin "pintar" ia.
Walau bagaimanapun, tidak semua data adalah sama. Anggap anda seorang lanun dengan tujuan hidup untuk mendedahkan kekayaan yang terkubur di pulau itu. Anda akan mahukan sejumlah besar pengetahuan untuk mencari hadiah.
Pengetahuan ini, seperti data, boleh membawa anda dengan cara yang betul atau salah.
Semakin besar maklumat/data yang diperoleh, semakin kurang kekaburan, dan begitu juga sebaliknya. Akibatnya, adalah penting untuk mempertimbangkan jenis data yang anda berikan kepada mesin anda untuk dipelajari.
Walau bagaimanapun, sebaik sahaja kuantiti data yang banyak disediakan, komputer boleh membuat ramalan. Mesin boleh menjangka masa depan selagi ia tidak banyak menyimpang dari masa lalu.
Mesin "belajar" dengan menganalisis data sejarah untuk menentukan perkara yang mungkin berlaku.
Jika data lama menyerupai data baharu, maka perkara yang boleh anda katakan tentang data sebelumnya berkemungkinan digunakan pada data baharu. Seolah-olah anda melihat ke belakang untuk melihat ke hadapan.
Apakah jenis pembelajaran mesin?
Algoritma untuk pembelajaran mesin sering dikelaskan kepada tiga jenis umum (walaupun skema klasifikasi lain juga digunakan):
- Pembelajaran yang diawasi
- Pembelajaran tanpa pengawasan
- Pembelajaran pengukuhan
Pembelajaran yang diawasi
Pembelajaran mesin diselia merujuk kepada teknik di mana model pembelajaran mesin diberikan koleksi data dengan label eksplisit untuk kuantiti minat (kuantiti ini sering dirujuk sebagai tindak balas atau sasaran).
Untuk melatih model AI, pembelajaran separa penyeliaan menggunakan gabungan data berlabel dan tidak berlabel.
Jika anda bekerja dengan data tidak berlabel, anda perlu melakukan beberapa pelabelan data.
Pelabelan ialah proses pelabelan sampel untuk membantu melatih pembelajaran mesin model. Pelabelan terutamanya dilakukan oleh orang ramai, yang boleh memakan kos dan memakan masa. Walau bagaimanapun, terdapat teknik untuk mengautomasikan proses pelabelan.
Situasi permohonan pinjaman yang kita bincangkan sebelum ini merupakan ilustrasi pembelajaran yang diselia yang sangat baik. Kami mempunyai data sejarah mengenai penarafan kredit bekas pemohon pinjaman (dan mungkin tahap pendapatan, umur, dan sebagainya) serta label khusus yang memberitahu kami sama ada, atau tidak orang yang dipersoalkan gagal membayar pinjaman mereka.
Regresi dan klasifikasi adalah dua subset teknik pembelajaran yang diselia.
- klasifikasi – Ia menggunakan algoritma untuk mengkategorikan data dengan betul. Penapis spam adalah satu contoh. "Spam" boleh menjadi kategori subjektif—garisan antara komunikasi spam dan bukan spam adalah kabur—dan algoritma penapis spam sentiasa memperhalusi dirinya bergantung pada maklum balas anda (bermaksud e-mel yang ditandai oleh manusia sebagai spam).
- Regresi – Ia membantu dalam memahami hubungan antara pembolehubah bersandar dan bebas. Model regresi boleh meramalkan nilai berangka berdasarkan beberapa sumber data, seperti anggaran hasil jualan untuk syarikat tertentu. Regresi linear, regresi logistik, dan regresi polinomial adalah beberapa teknik regresi yang menonjol.
Pembelajaran tanpa pengawasan
Dalam pembelajaran tanpa pengawasan, kami diberi data tidak berlabel dan hanya mencari corak. Mari kita berpura-pura anda Amazon. Bolehkah kita mencari mana-mana kluster (kumpulan pengguna yang serupa) berdasarkan sejarah pembelian pelanggan?
Walaupun kami tidak mempunyai data yang jelas dan konklusif tentang pilihan seseorang, dalam hal ini, hanya dengan mengetahui bahawa set pengguna tertentu membeli barangan setanding membolehkan kami membuat cadangan pembelian berdasarkan perkara yang telah dibeli oleh individu lain dalam kelompok itu.
Karusel "anda mungkin juga berminat" Amazon dikuasakan oleh teknologi yang serupa.
Pembelajaran tanpa pengawasan boleh mengumpulkan data melalui pengelompokan atau perkaitan, bergantung pada perkara yang anda ingin kumpulkan bersama.
- Clustering – Pembelajaran tanpa pengawasan cuba mengatasi cabaran ini dengan mencari corak dalam data. Jika terdapat kluster atau kumpulan yang serupa, algoritma akan mengkategorikannya mengikut cara tertentu. Cuba untuk mengkategorikan pelanggan berdasarkan sejarah pembelian sebelumnya adalah contoh perkara ini.
- Persatuan – Pembelajaran tanpa pengawasan cuba menangani cabaran ini dengan cuba memahami peraturan dan makna yang mendasari pelbagai kumpulan. Contoh masalah perkaitan yang kerap berlaku ialah menentukan pautan antara pembelian pelanggan. Kedai boleh berminat untuk mengetahui barangan yang dibeli bersama dan boleh menggunakan maklumat ini untuk mengatur kedudukan produk ini untuk akses mudah.
Pembelajaran Pengukuhan
Pembelajaran pengukuhan ialah teknik untuk mengajar model pembelajaran mesin untuk membuat satu siri keputusan berorientasikan matlamat dalam suasana interaktif. Kes penggunaan permainan yang disebutkan di atas adalah ilustrasi yang sangat baik untuk ini.
Anda tidak perlu memasukkan AlphaZero beribu-ribu permainan catur sebelumnya, setiap satu dengan langkah "baik" atau "buruk" berlabel. Cuma ajar peraturan permainan dan matlamat, kemudian biarkan ia mencuba tindakan rawak.
Peneguhan positif diberikan kepada aktiviti yang membawa program lebih dekat kepada matlamat (seperti membangunkan kedudukan bidak yang kukuh). Apabila perbuatan mempunyai kesan sebaliknya (seperti peralihan raja sebelum waktunya), mereka mendapat peneguhan negatif.
Perisian akhirnya boleh menguasai permainan menggunakan kaedah ini.
Pembelajaran pengukuhan digunakan secara meluas dalam robotik untuk mengajar robot untuk tindakan yang rumit dan sukar untuk jurutera. Ia kadangkala digunakan bersama-sama dengan infrastruktur jalan raya, seperti isyarat lalu lintas, untuk meningkatkan aliran trafik.
Apakah yang boleh dilakukan dengan pembelajaran mesin?
Penggunaan pembelajaran mesin dalam masyarakat dan industri menghasilkan kemajuan dalam pelbagai usaha manusia.
Dalam kehidupan seharian kita, pembelajaran mesin kini mengawal carian Google dan algoritma imej, membolehkan kami dipadankan dengan lebih tepat dengan maklumat yang kami perlukan apabila kami memerlukannya.
Dalam bidang perubatan, sebagai contoh, pembelajaran mesin digunakan pada data genetik untuk membantu doktor memahami dan meramalkan cara kanser merebak, membolehkan untuk membangunkan terapi yang lebih berkesan.
Data dari angkasa lepas sedang dikumpul di Bumi melalui teleskop radio yang besar – dan selepas dianalisis dengan pembelajaran mesin, ia membantu kami merungkai misteri lubang hitam.
Pembelajaran mesin dalam runcit memautkan pembeli dengan perkara yang mereka ingin beli dalam talian, dan juga membantu pekerja kedai untuk menyesuaikan perkhidmatan yang mereka sediakan kepada pelanggan mereka dalam dunia bata-dan-mortar.
Pembelajaran mesin digunakan dalam pertempuran menentang keganasan dan ekstremisme untuk menjangka tingkah laku mereka yang ingin menyakiti orang yang tidak bersalah.
Pemprosesan bahasa semula jadi (NLP) merujuk kepada proses membenarkan komputer memahami dan berkomunikasi dengan kami dalam bahasa manusia melalui pembelajaran mesin, dan ia menghasilkan penemuan dalam teknologi terjemahan serta peranti kawalan suara yang semakin kami gunakan setiap hari, seperti Alexa, Google dot, Siri dan Google assistant.
Tanpa persoalan, pembelajaran mesin menunjukkan bahawa ia adalah teknologi transformasi.
Robot yang mampu bekerja bersama kita dan meningkatkan keaslian dan imaginasi kita sendiri dengan logik yang sempurna dan kelajuan manusia luar biasa bukan lagi fantasi fiksyen sains - ia menjadi realiti dalam banyak sektor.
kes penggunaan Pembelajaran Mesin
1. Keselamatan siber
Memandangkan rangkaian menjadi semakin rumit, pakar keselamatan siber telah bekerja tanpa mengenal penat lelah untuk menyesuaikan diri dengan pelbagai ancaman keselamatan yang sentiasa berkembang.
Menangani perisian hasad dan taktik penggodaman yang berkembang pesat adalah cukup mencabar, tetapi percambahan peranti Internet Perkara (IoT) secara asasnya telah mengubah persekitaran keselamatan siber.
Serangan boleh berlaku pada bila-bila masa dan di mana-mana tempat.
Syukurlah, algoritma pembelajaran mesin telah membolehkan operasi keselamatan siber mengikuti perkembangan pantas ini.
Analisis ramalan membolehkan pengesanan dan pengurangan serangan yang lebih cepat, manakala pembelajaran mesin boleh menganalisis aktiviti anda di dalam rangkaian untuk mengesan keabnormalan dan kelemahan dalam mekanisme keselamatan sedia ada.
2. Automasi perkhidmatan pelanggan
Menguruskan peningkatan bilangan kenalan pelanggan dalam talian telah membebankan banyak organisasi.
Mereka tidak mempunyai kakitangan perkhidmatan pelanggan yang mencukupi untuk mengendalikan jumlah pertanyaan yang mereka terima, dan pendekatan tradisional isu penyumberan luar kepada pusat perhubungan tidak boleh diterima oleh kebanyakan pelanggan hari ini.
Chatbots dan sistem automatik lain kini boleh menangani permintaan ini berkat kemajuan dalam teknik pembelajaran mesin. Syarikat boleh membebaskan kakitangan untuk melaksanakan lebih banyak sokongan pelanggan peringkat tinggi dengan mengautomasikan aktiviti biasa dan keutamaan rendah.
Apabila digunakan dengan betul, pembelajaran mesin dalam perniagaan boleh membantu menyelaraskan penyelesaian isu dan menyediakan pengguna dengan jenis sokongan yang membantu yang menukar mereka menjadi juara jenama yang komited.
3. komunikasi
Mengelakkan kesilapan dan salah tanggapan adalah penting dalam sebarang jenis komunikasi, tetapi lebih-lebih lagi dalam komunikasi perniagaan hari ini.
Kesilapan tatabahasa yang mudah, nada yang salah atau terjemahan yang salah boleh menyebabkan pelbagai kesukaran dalam hubungan e-mel, penilaian pelanggan, persidangan video, atau dokumentasi berasaskan teks dalam pelbagai bentuk.
Sistem pembelajaran mesin mempunyai komunikasi yang lebih maju melangkaui zaman Microsoft Clippy yang membosankan.
Contoh pembelajaran mesin ini telah membantu individu berkomunikasi secara ringkas dan tepat dengan menggunakan pemprosesan bahasa semula jadi, terjemahan bahasa masa nyata dan pengecaman pertuturan.
Walaupun ramai individu tidak menyukai keupayaan autopembetulan, mereka juga menghargai dilindungi daripada kesilapan yang memalukan dan nada yang tidak betul.
4. Pengecaman Objek
Walaupun teknologi untuk mengumpul dan mentafsir data telah wujud sejak sekian lama, mengajar sistem komputer untuk memahami perkara yang mereka lihat telah terbukti sebagai tugas yang mengelirukan.
Keupayaan pengecaman objek ditambah pada bilangan peranti yang semakin meningkat kerana aplikasi pembelajaran mesin.
Kereta pandu sendiri, sebagai contoh, mengenali kereta lain apabila ia melihatnya, walaupun pengaturcara tidak memberikannya contoh tepat kereta itu untuk digunakan sebagai rujukan.
Teknologi ini kini digunakan dalam perniagaan runcit untuk membantu mempercepatkan proses pembayaran. Kamera mengenal pasti produk dalam troli pengguna dan boleh mengebil akaun mereka secara automatik apabila mereka meninggalkan kedai.
5. Pemasaran Digital
Kebanyakan pemasaran hari ini dilakukan dalam talian, menggunakan pelbagai platform digital dan program perisian.
Semasa perniagaan mengumpul maklumat tentang pengguna mereka dan gelagat pembelian mereka, pasukan pemasaran boleh menggunakan maklumat tersebut untuk membina gambaran terperinci tentang khalayak sasaran mereka dan mengetahui orang yang lebih cenderung untuk mencari produk dan perkhidmatan mereka.
Algoritma pembelajaran mesin membantu pemasar memahami semua data itu, menemui corak dan atribut penting yang membolehkan mereka mengkategorikan kemungkinan dengan ketat.
Teknologi yang sama membolehkan automasi pemasaran digital yang besar. Sistem iklan boleh disediakan untuk menemui bakal pengguna baharu secara dinamik dan menyediakan kandungan pemasaran yang berkaitan kepada mereka pada masa dan tempat yang sesuai.
Masa Depan Pembelajaran Mesin
Pembelajaran mesin sudah tentu semakin popular apabila lebih banyak perniagaan dan organisasi besar menggunakan teknologi untuk menangani cabaran tertentu atau memacu inovasi.
Pelaburan berterusan ini menunjukkan pemahaman bahawa pembelajaran mesin menghasilkan ROI, terutamanya melalui beberapa kes penggunaan yang ditetapkan dan boleh diterbitkan semula yang dinyatakan di atas.
Lagipun, jika teknologi itu cukup baik untuk Netflix, Facebook, Amazon, Peta Google dan sebagainya, kemungkinan besar ia boleh membantu syarikat anda memanfaatkan sepenuhnya datanya juga.
Seperti yang baru pembelajaran mesin model dibangunkan dan dilancarkan, kami akan menyaksikan peningkatan dalam bilangan aplikasi yang akan digunakan di seluruh industri.
Ini sudah berlaku dengan pengecaman wajah, yang pernah menjadi fungsi baharu pada iPhone anda tetapi kini dilaksanakan ke dalam pelbagai program dan aplikasi, terutamanya yang berkaitan dengan keselamatan awam.
Kunci bagi kebanyakan organisasi yang cuba memulakan pembelajaran mesin adalah untuk melihat melepasi visi futuristik yang cerah dan menemui cabaran perniagaan sebenar yang teknologi boleh membantu anda.
Kesimpulan
Pada zaman pasca industri, saintis dan profesional telah cuba mencipta komputer yang berkelakuan lebih seperti manusia.
Mesin berfikir adalah sumbangan AI yang paling penting kepada manusia; kedatangan fenomena mesin gerak sendiri ini telah mengubah peraturan operasi korporat dengan pantas.
Kenderaan pandu sendiri, pembantu automatik, pekerja pembuatan autonomi dan bandar pintar baru-baru ini menunjukkan daya maju mesin pintar. Revolusi pembelajaran mesin, dan masa depan pembelajaran mesin, akan bersama kami untuk masa yang lama.
Sila tinggalkan balasan anda