Cuprins[Ascunde][Spectacol]
Acum putem calcula întinderea spațiului și subtilitățile mici ale particulelor subatomice datorită computerelor.
Calculatoarele înving oamenii atunci când vine vorba de numărare și calcul, precum și de urmărirea proceselor logice da/nu, datorită electronilor care călătoresc cu viteza luminii prin intermediul circuitelor sale.
Cu toate acestea, nu le vedem adesea ca fiind „inteligente”, deoarece, în trecut, computerele nu puteau efectua nimic fără a fi învățate (programate) de oameni.
Învățarea automată, inclusiv învățarea profundă și inteligență artificială, a devenit un cuvânt la modă în titlurile științifice și tehnologice.
Învățarea automată pare a fi omniprezentă, dar mulți oameni care folosesc cuvântul s-ar lupta să definească în mod adecvat ce este, ce face și pentru ce este cel mai bine folosit.
Acest articol urmărește să clarifice învățarea automată, oferind, de asemenea, exemple concrete, din lumea reală, despre cum funcționează tehnologia pentru a ilustra de ce este atât de benefică.
Apoi, ne vom uita la diferitele metodologii de învățare automată și vom vedea cum acestea sunt utilizate pentru a aborda provocările de afaceri.
În cele din urmă, vom consulta globul nostru de cristal pentru câteva predicții rapide despre viitorul învățării automate.
Ce este învățarea automată?
Învățarea automată este o disciplină a informaticii care permite computerelor să deducă modele din date fără a fi învățat în mod explicit care sunt acele modele.
Aceste concluzii se bazează frecvent pe utilizarea algoritmilor pentru a evalua automat caracteristicile statistice ale datelor și pe dezvoltarea unor modele matematice pentru a descrie relația dintre diferitele valori.
Comparați acest lucru cu calculul clasic, care se bazează pe sisteme deterministe, în care dăm în mod explicit computerului un set de reguli de urmat pentru ca acesta să îndeplinească o anumită sarcină.
Acest mod de programare a computerelor este cunoscut sub numele de programare bazată pe reguli. Învățarea automată diferă și depășește programarea bazată pe reguli prin faptul că poate deduce aceste reguli singură.
Să presupunem că ești un manager de bancă care dorește să stabilească dacă o cerere de împrumut va eșua împrumutul.
Într-o metodă bazată pe reguli, managerul băncii (sau alți specialiști) ar informa în mod expres computerul că, dacă scorul de credit al solicitantului este sub un anumit nivel, cererea ar trebui respinsă.
Cu toate acestea, un program de învățare automată ar analiza pur și simplu datele anterioare despre ratingurile de credit ale clienților și rezultatele împrumutului și ar determina singur care ar trebui să fie acest prag.
Mașina învață din datele anterioare și își creează propriile reguli în acest fel. Desigur, acesta este doar o inițială despre învățarea automată; Modelele de învățare automată din lumea reală sunt semnificativ mai complicate decât un prag de bază.
Cu toate acestea, este o demonstrație excelentă a potențialului învățării automate.
Cum face un maşină învăța?
Pentru a menține lucrurile simple, mașinile „învață” detectând modele în date comparabile. Considerați datele ca fiind informații pe care le adunați din lumea exterioară. Cu cât o mașină este alimentată cu mai multe date, cu atât devine „mai inteligentă”.
Cu toate acestea, nu toate datele sunt la fel. Să presupunem că ești un pirat cu scopul vieții de a descoperi bogățiile îngropate pe insulă. Veți dori o cantitate substanțială de cunoștințe pentru a localiza premiul.
Aceste cunoștințe, ca și datele, vă pot duce fie în mod corect, fie în mod greșit.
Cu cât informațiile/datele dobândite sunt mai mari, cu atât există mai puțină ambiguitate și invers. Ca rezultat, este esențial să luați în considerare tipul de date din care alimentați mașina dvs. pentru a învăța.
Cu toate acestea, odată ce este furnizată o cantitate substanțială de date, computerul poate face predicții. Mașinile pot anticipa viitorul atâta timp cât acesta nu se abate mult de la trecut.
Mașinile „învață” analizând datele istorice pentru a determina ce este probabil să se întâmple.
Dacă datele vechi seamănă cu datele noi, atunci lucrurile pe care le puteți spune despre datele anterioare se vor aplica probabil noilor date. Parcă te uiți înapoi pentru a vedea înainte.
Care sunt tipurile de învățare automată?
Algoritmii pentru învățarea automată sunt adesea clasificați în trei tipuri mari (deși sunt utilizate și alte scheme de clasificare):
- Învățare supravegheată
- Învățare nesupravegheată
- Consolidarea învățării
Învățare supravegheată
Învățarea automată supravegheată se referă la tehnici în care modelului de învățare automată i se oferă o colecție de date cu etichete explicite pentru cantitatea de interes (această cantitate este adesea denumită răspuns sau țintă).
Pentru a antrena modele AI, învățarea semi-supravegheată folosește o combinație de date etichetate și neetichetate.
Dacă lucrați cu date neetichetate, va trebui să efectuați o etichetare a datelor.
Etichetarea este procesul de etichetare a probelor pentru a ajuta antrenarea unui machine learning model. Etichetarea este făcută în primul rând de oameni, ceea ce poate fi costisitor și consuma mult timp. Cu toate acestea, există tehnici de automatizare a procesului de etichetare.
Situația cererii de împrumut de care am discutat anterior este o ilustrare excelentă a învățării supravegheate. Aveam date istorice cu privire la ratingurile de credit ale foștilor solicitanți de împrumut (și poate nivelurile de venit, vârsta și așa mai departe), precum și etichete specifice care ne spuneau dacă persoana în cauză nu a acceptat împrumutul sau nu.
Regresia și clasificarea sunt două subseturi de tehnici de învățare supravegheată.
- Clasificare – Utilizează un algoritm pentru a clasifica datele corect. Filtrele de spam sunt un exemplu. „Spam” poate fi o categorie subiectivă – linia dintre comunicațiile spam și non-spam este neclară – iar algoritmul de filtrare a spamului se perfecționează în mod constant în funcție de feedback-ul tău (adică e-mailul pe care oamenii îl marchează ca spam).
- Regres – Este util în înțelegerea conexiunii dintre variabilele dependente și independente. Modelele de regresie pot prognoza valori numerice pe baza mai multor surse de date, cum ar fi estimările veniturilor din vânzări pentru o anumită companie. Regresia liniară, regresia logistică și regresia polinomială sunt câteva tehnici de regresie proeminente.
Învățare nesupravegheată
În învățarea nesupravegheată, ni se oferă date neetichetate și doar căutăm modele. Să ne prefacem că ești Amazon. Putem găsi clustere (grupuri de consumatori similari) pe baza istoricului de achiziții a clienților?
Chiar dacă nu avem date explicite și concludente despre preferințele unei persoane, în acest caz, pur și simplu știind că un anumit set de consumatori cumpără bunuri comparabile ne permite să facem sugestii de cumpărare bazate pe ceea ce au cumpărat și alți indivizi din grup.
Caruselul Amazon „de asemenea ați putea fi interesat” este alimentat de tehnologii similare.
Învățarea nesupravegheată poate grupa datele prin grupare sau asociere, în funcție de ceea ce doriți să grupați.
- clustering – Învățarea nesupravegheată încearcă să depășească această provocare căutând modele în date. Dacă există un grup sau un grup similar, algoritmul le va clasifica într-un anumit mod. Încercarea de a clasifica clienții pe baza istoricului de achiziții anterior este un exemplu în acest sens.
- Asociație – Învățarea nesupravegheată încearcă să facă față acestei provocări încercând să înțeleagă regulile și semnificațiile care stau la baza diferitelor grupuri. Un exemplu frecvent de problemă de asociere este determinarea unei legături între achizițiile clienților. Magazinele pot fi interesate să știe ce bunuri au fost achiziționate împreună și pot folosi aceste informații pentru a aranja poziționarea acestor produse pentru un acces ușor.
Consolidarea învățării
Învățarea prin consolidare este o tehnică de predare a modelelor de învățare automată pentru a lua o serie de decizii orientate către obiective într-un cadru interactiv. Cazurile de utilizare pentru jocuri menționate mai sus sunt ilustrații excelente în acest sens.
Nu trebuie să introduceți AlphaZero mii de jocuri de șah anterioare, fiecare cu o mișcare „bună” sau „proastă” etichetată. Învățați-l pur și simplu regulile jocului și obiectivul, apoi lăsați-l să încerce acte aleatorii.
Întărirea pozitivă este acordată activităților care duc programul mai aproape de scop (cum ar fi dezvoltarea unei poziții solide a pionului). Când actele au efectul opus (cum ar fi schimbarea prematură a regelui), ele câștigă întărire negativă.
Software-ul poate stăpâni în cele din urmă jocul folosind această metodă.
Consolidarea învățării este utilizat pe scară largă în robotică pentru a preda roboții pentru acțiuni complicate și dificil de proiectat. Este uneori utilizat împreună cu infrastructura rutieră, cum ar fi semnalele de circulație, pentru a îmbunătăți fluxul de trafic.
Ce se poate face cu machine learning?
Utilizarea învățării automate în societate și industrie are ca rezultat progrese într-o gamă largă de eforturi umane.
În viața noastră de zi cu zi, învățarea automată controlează acum algoritmii de căutare și imagini ai Google, permițându-ne să fim corelați mai precis cu informațiile de care avem nevoie atunci când avem nevoie.
În medicină, de exemplu, învățarea automată este aplicată datelor genetice pentru a ajuta medicii să înțeleagă și să prezică modul în care cancerul se răspândește, permițând dezvoltarea unor terapii mai eficiente.
Datele din spațiul adânc sunt colectate aici, pe Pământ, prin intermediul unor radiotelescoape masive – și, după ce au fost analizate cu învățare automată, ne ajută să dezvăluim misterele găurilor negre.
Învățarea automată din comerțul cu amănuntul leagă cumpărătorii cu lucrurile pe care doresc să le cumpere online și, de asemenea, îi ajută pe angajații magazinului să adapteze serviciul pe care îl oferă clienților lor în lumea reală.
Învățarea automată este folosită în lupta împotriva terorii și a extremismului pentru a anticipa comportamentul celor care doresc să rănească pe cei nevinovați.
Procesarea limbajului natural (NLP) se referă la procesul de a permite computerelor să înțeleagă și să comunice cu noi în limbajul uman prin învățarea automată și a dus la progrese în tehnologia de traducere, precum și la dispozitivele controlate prin voce pe care le folosim din ce în ce mai mult în fiecare zi, cum ar fi Alexa, Google dot, Siri și asistent Google.
Fără îndoială, învățarea automată demonstrează că este o tehnologie de transformare.
Roboții capabili să lucreze alături de noi și să ne impulsioneze propria originalitate și imaginație cu logica lor impecabilă și viteza supraomenească nu mai sunt o fantezie științifico-fantastică, ci devin o realitate în multe sectoare.
Cazuri de utilizare a învățării automate
1. Cibersecuritatea
Pe măsură ce rețelele s-au complicat, specialiștii în securitate cibernetică au lucrat neobosit pentru a se adapta la gama în continuă extindere de amenințări de securitate.
Combaterea malware-ului care evoluează rapid și a tacticilor de hacking este destul de dificilă, dar proliferarea dispozitivelor Internet of Things (IoT) a transformat fundamental mediul de securitate cibernetică.
Atacurile pot avea loc în orice moment și în orice loc.
Din fericire, algoritmii de învățare automată au permis operațiunilor de securitate cibernetică să țină pasul cu aceste evoluții rapide.
Analize predictive permite detectarea și atenuarea mai rapidă a atacurilor, în timp ce învățarea automată vă poate analiza activitatea în interiorul unei rețele pentru a detecta anomalii și slăbiciuni ale mecanismelor de securitate existente.
2. Automatizarea serviciului pentru clienți
Gestionarea unui număr tot mai mare de contacte cu clienții online a tensionat mult organizația.
Pur și simplu nu au suficient personal de serviciu pentru clienți pentru a gestiona volumul de întrebări pe care le primesc și abordarea tradițională a problemelor de externalizare a unui centru de contact este pur și simplu inacceptabil pentru mulți dintre clienții de astăzi.
Chatbot-urile și alte sisteme automate pot acum să răspundă acestor cerințe datorită progreselor în tehnicile de învățare automată. Companiile pot elibera personal pentru a întreprinde mai multă asistență pentru clienți la nivel înalt prin automatizarea activităților banale și cu prioritate redusă.
Atunci când este utilizată corect, învățarea automată în afaceri poate ajuta la eficientizarea soluționării problemelor și le poate oferi consumatorilor tipul de asistență utilă care îi transformă în campioni angajați ai mărcii.
3. Comunicare
Evitarea erorilor și concepțiilor greșite este esențială în orice tip de comunicare, dar mai ales în comunicațiile de afaceri de astăzi.
Greșelile gramaticale simple, tonul incorect sau traducerile eronate pot cauza o serie de dificultăți în contactul prin e-mail, evaluările clienților, videoconferinta, sau documentație bazată pe text în multe forme.
Sistemele de învățare automată au o comunicare avansată cu mult dincolo de zilele înflăcărate ale Microsoft Clippy.
Aceste exemple de învățare automată au ajutat persoanele să comunice simplu și precis, folosind procesarea limbajului natural, traducerea în timp real a limbii și recunoașterea vorbirii.
În timp ce multor persoane nu le plac capabilitățile de autocorecție, ei apreciază, de asemenea, să fie protejați de greșelile jenante și de tonul nepotrivit.
4. Recunoașterea obiectelor
În timp ce tehnologia de colectare și interpretare a datelor există de ceva vreme, predarea sistemelor informatice să înțeleagă la ce se uită s-a dovedit a fi o sarcină înșelător de dificilă.
Capacitățile de recunoaștere a obiectelor sunt adăugate unui număr tot mai mare de dispozitive din cauza aplicațiilor de învățare automată.
Un automobil cu conducere autonomă, de exemplu, recunoaște o altă mașină atunci când vede una, chiar dacă programatorii nu i-au dat un exemplu exact al acelei mașini pentru a o folosi ca referință.
Această tehnologie este acum utilizată în afacerile de vânzare cu amănuntul pentru a ajuta la accelerarea procesului de finalizare a comenzii. Camerele de luat vederi identifică produsele din cărucioarele consumatorilor și își pot factura automat conturile atunci când părăsesc magazinul.
5. Marketing digital
O mare parte din marketingul de astăzi se face online, folosind o gamă largă de platforme digitale și programe software.
Pe măsură ce companiile colectează informații despre consumatorii lor și despre comportamentele lor de cumpărare, echipele de marketing pot folosi aceste informații pentru a-și construi o imagine detaliată a publicului țintă și pentru a descoperi ce oameni sunt mai înclinați să-și caute produsele și serviciile.
Algoritmii de învățare automată îi ajută pe marketeri să dea sens tuturor acestor date, descoperind modele și atribute semnificative care le permit să clasifice bine posibilitățile.
Aceeași tehnologie permite automatizarea mare a marketingului digital. Sistemele publicitare pot fi configurate pentru a descoperi noi consumatori potențiali în mod dinamic și pentru a le oferi conținut de marketing relevant la momentul și locul potrivit.
Viitorul învățării automate
Învățarea automată câștigă cu siguranță popularitate pe măsură ce mai multe întreprinderi și organizații uriașe folosesc tehnologia pentru a aborda provocări specifice sau pentru a alimenta inovația.
Această investiție continuă demonstrează înțelegerea faptului că învățarea automată produce rentabilitatea investiției, în special prin unele dintre cazurile de utilizare stabilite și reproductibile menționate mai sus.
La urma urmei, dacă tehnologia este suficient de bună pentru Netflix, Facebook, Amazon, Google Maps și așa mai departe, sunt șanse să vă ajute și compania să profite la maximum de datele sale.
Ca nou masina de învățare sunt dezvoltate și lansate modele, vom asista la o creștere a numărului de aplicații care vor fi utilizate în toate industriile.
Acest lucru se întâmplă deja cu recunoașterea feței, care a fost cândva o funcție nouă pe iPhone-ul dvs., dar acum este implementată într-o gamă largă de programe și aplicații, în special cele legate de securitatea publică.
Cheia pentru majoritatea organizațiilor care încearcă să înceapă cu învățarea automată este să privească dincolo de viziunile futuriste strălucitoare și să descopere provocările reale de afaceri cu care te poate ajuta tehnologia.
Concluzie
În epoca post-industrializată, oamenii de știință și profesioniștii au încercat să creeze un computer care să se comporte mai mult ca oamenii.
Mașina de gândire este cea mai semnificativă contribuție a AI la umanitate; sosirea fenomenală a acestei mașini autopropulsate a transformat rapid reglementările de funcționare corporative.
Vehiculele cu conducere autonomă, asistenții automatizați, angajații autonomi de producție și orașele inteligente au demonstrat în ultima vreme viabilitatea mașinilor inteligente. Revoluția învățării automate și viitorul învățării automate vor fi alături de noi pentru o lungă perioadă de timp.
Lasă un comentariu