Содержание[Скрывать][Показывать]
Благодаря компьютерам мы теперь можем рассчитать размеры пространства и мельчайшие тонкости субатомных частиц.
Компьютеры превосходят людей, когда дело доходит до счета и расчета, а также следования логическим процессам «да/нет», благодаря электронам, движущимся со скоростью света через его схемы.
Однако мы не часто считаем их «интеллектуальными», поскольку в прошлом компьютеры не могли ничего делать без обучения (программирования) людей.
Машинное обучение, включая глубокое обучение и искусственный интеллект, стало модным словечком в научных и технологических заголовках.
Машинное обучение кажется вездесущим, но многим людям, использующим это слово, будет трудно адекватно определить, что это такое, что оно делает и для чего его лучше всего использовать.
В этой статье делается попытка прояснить машинное обучение, а также предоставить конкретные, реальные примеры того, как эта технология работает, чтобы проиллюстрировать, почему она так полезна.
Затем мы рассмотрим различные методологии машинного обучения и посмотрим, как они используются для решения бизнес-задач.
Наконец, мы обратимся к нашему хрустальному шару, чтобы сделать несколько быстрых прогнозов о будущем машинного обучения.
Что такое машинное обучение?
Машинное обучение — это дисциплина компьютерных наук, которая позволяет компьютерам выводить шаблоны из данных без явного обучения тому, что это за шаблоны.
Эти выводы часто основаны на использовании алгоритмов для автоматической оценки статистических характеристик данных и разработке математических моделей для отображения взаимосвязи между различными значениями.
Сравните это с классическими вычислениями, основанными на детерминированных системах, в которых мы явно задаем компьютеру набор правил, которым он должен следовать для выполнения определенной задачи.
Этот способ программирования компьютеров известен как программирование на основе правил. Машинное обучение отличается от программирования на основе правил и превосходит его по эффективности тем, что оно может выводить эти правила самостоятельно.
Предположим, вы банковский менеджер, который хочет определить, будет ли отклонена заявка на получение кредита.
В методе, основанном на правилах, менеджер банка (или другие специалисты) прямо сообщает компьютеру, что, если кредитный рейтинг заявителя ниже определенного уровня, заявка должна быть отклонена.
Однако программа машинного обучения просто проанализирует предыдущие данные о кредитных рейтингах клиентов и результатах кредита и самостоятельно определит, каким должен быть этот порог.
Машина учится на предыдущих данных и таким образом создает свои собственные правила. Конечно, это только введение в машинное обучение; реальные модели машинного обучения значительно сложнее базового порога.
Тем не менее, это отличная демонстрация потенциала машинного обучения.
Как это машина учиться?
Для простоты машины «обучаются», обнаруживая закономерности в сопоставимых данных. Рассматривайте данные как информацию, которую вы собираете из внешнего мира. Чем больше данных передается машине, тем «умнее» она становится.
Однако не все данные одинаковы. Предположим, вы пират, цель жизни которого — найти сокровища, зарытые на острове. Вам понадобится значительный объем знаний, чтобы найти приз.
Эти знания, как и данные, могут вести вас либо по правильному, либо по неправильному пути.
Чем больше полученной информации/данных, тем меньше двусмысленности, и наоборот. В результате очень важно учитывать тип данных, которые вы передаете своей машине для обучения.
Однако, как только будет предоставлено значительное количество данных, компьютер может делать прогнозы. Машины могут предвидеть будущее, если оно не сильно отличается от прошлого.
Машины «учатся», анализируя исторические данные, чтобы определить, что может произойти.
Если старые данные напоминают новые данные, то то, что вы можете сказать о предыдущих данных, скорее всего, применимо и к новым данным. Как будто вы оглядываетесь назад, чтобы увидеть вперед.
Какие существуют виды машинного обучения?
Алгоритмы машинного обучения часто подразделяются на три основных типа (хотя используются и другие схемы классификации):
- Контролируемое обучение
- Неконтролируемое обучение
- Укрепление обучения
Контролируемое обучение
Машинное обучение с учителем относится к методам, в которых модели машинного обучения предоставляется набор данных с явными метками для интересующей величины (эту величину часто называют ответом или целью).
Для обучения моделей ИИ полууправляемое обучение использует сочетание размеченных и неразмеченных данных.
Если вы работаете с немаркированными данными, вам нужно выполнить некоторую маркировку данных.
Маркировка – это процесс маркировки образцов, который помогает обучение машинному обучению модель. Маркировка в основном выполняется людьми, что может быть дорогостоящим и занимать много времени. Однако существуют способы автоматизации процесса маркировки.
Ситуация с заявлением на получение кредита, которую мы обсуждали ранее, является прекрасной иллюстрацией контролируемого обучения. У нас были исторические данные о кредитных рейтингах бывших соискателей кредита (и, возможно, уровне доходов, возрасте и т. д.), а также конкретные ярлыки, которые говорили нам, не выполнил ли данное лицо дефолт по своему кредиту.
Регрессия и классификация — это два подмножества методов обучения с учителем.
- классификация – Он использует алгоритм для правильной классификации данных. Одним из примеров являются спам-фильтры. «Спам» может быть субъективной категорией — грань между спамом и не-спамом размыта — и алгоритм спам-фильтра постоянно совершенствуется в зависимости от ваших отзывов (имеется в виду электронная почта, которую люди помечают как спам).
- Регрессия – Это полезно для понимания связи между зависимыми и независимыми переменными. Модели регрессии могут прогнозировать числовые значения на основе нескольких источников данных, таких как оценки доходов от продаж для определенной компании. Линейная регрессия, логистическая регрессия и полиномиальная регрессия являются некоторыми известными методами регрессии.
Неконтролируемое обучение
При неконтролируемом обучении нам даются неразмеченные данные, и мы просто ищем закономерности. Давайте представим, что вы Амазонка. Можем ли мы найти какие-либо кластеры (группы похожих потребителей) на основе истории покупок клиента?
Даже если у нас нет явных, убедительных данных о предпочтениях человека, в данном случае простое знание того, что определенный набор потребителей покупает сопоставимые товары, позволяет нам делать предложения о покупке на основе того, что также купили другие люди в кластере.
Карусель Amazon «Вас также может заинтересовать» основана на аналогичных технологиях.
Неконтролируемое обучение может группировать данные посредством кластеризации или ассоциации, в зависимости от того, что вы хотите сгруппировать.
- Кластеризация – Неконтролируемое обучение пытается решить эту проблему путем поиска закономерностей в данных. Если есть похожий кластер или группа, алгоритм классифицирует их определенным образом. Попытка классифицировать клиентов на основе предыдущей истории покупок является примером этого.
- Объединение – Обучение без учителя пытается решить эту проблему, пытаясь понять правила и значения, лежащие в основе различных групп. Частым примером проблемы ассоциации является определение связи между покупками клиентов. Магазины могут быть заинтересованы в том, чтобы знать, какие товары были куплены вместе, и могут использовать эту информацию, чтобы организовать позиционирование этих продуктов для легкого доступа.
Усиление обучения
Обучение с подкреплением — это метод обучения моделей машинного обучения принятию ряда целенаправленных решений в интерактивной среде. Упомянутые выше случаи использования в играх являются отличной иллюстрацией этого.
Вам не нужно вводить в AlphaZero тысячи предыдущих шахматных партий, каждая из которых имеет пометку «хороший» или «плохой» ход. Просто научите его правилам игры и цели, а затем позвольте ему опробовать случайные действия.
Положительное подкрепление дается действиям, которые приближают программу к цели (например, развитию прочной позиции пешки). Когда действия имеют противоположный эффект (например, преждевременное смещение короля), они получают отрицательное подкрепление.
Программное обеспечение может в конечном итоге освоить игру, используя этот метод.
Укрепление обучения широко используется в робототехнике для обучения роботов сложным действиям. Иногда он используется в сочетании с дорожной инфраструктурой, такой как светофоры, для улучшения транспортного потока.
Что можно сделать с помощью машинного обучения?
Использование машинного обучения в обществе и промышленности приводит к прогрессу в самых разных областях человеческой деятельности.
В нашей повседневной жизни машинное обучение теперь контролирует алгоритмы поиска и изображений Google, позволяя нам более точно сопоставлять нужную нам информацию, когда она нам нужна.
Например, в медицине машинное обучение применяется к генетическим данным, чтобы помочь врачам понять и предсказать, как распространяется рак, что позволяет разрабатывать более эффективные методы лечения.
Данные из глубокого космоса собираются здесь, на Земле, с помощью массивных радиотелескопов, и после анализа с помощью машинного обучения они помогают нам разгадывать тайны черных дыр.
Машинное обучение в розничной торговле связывает покупателей с вещами, которые они хотят купить в Интернете, а также помогает сотрудникам магазинов адаптировать услуги, которые они предоставляют своим клиентам в реальном мире.
Машинное обучение используется в борьбе с терроризмом и экстремизмом, чтобы предвидеть поведение тех, кто хочет причинить вред невиновным.
Обработка естественного языка (NLP) относится к процессу, позволяющему компьютерам понимать нас и общаться с нами на человеческом языке с помощью машинного обучения, что привело к прорыву в технологии перевода, а также к устройствам с голосовым управлением, которые мы все чаще используем каждый день, таким как Alexa, точка Google, Siri и помощник Google.
Без сомнения, машинное обучение демонстрирует, что это трансформационная технология.
Роботы, способные работать вместе с нами и стимулировать нашу оригинальность и воображение своей безупречной логикой и сверхчеловеческой скоростью, уже не фантастика — они становятся реальностью во многих областях.
Варианты использования машинного обучения
1. кибербезопасность
По мере усложнения сетей специалисты по кибербезопасности неустанно работали над адаптацией к постоянно расширяющемуся спектру угроз безопасности.
Противостояние быстро развивающимся вредоносным программам и хакерским тактикам достаточно сложно, но распространение устройств Интернета вещей (IoT) коренным образом изменило среду кибербезопасности.
Приступы могут возникнуть в любой момент и в любом месте.
К счастью, алгоритмы машинного обучения позволили операциям по кибербезопасности не отставать от этих быстрых изменений.
Прогнозная аналитика позволяют быстрее обнаруживать и устранять атаки, а машинное обучение может анализировать вашу активность внутри сети, чтобы обнаруживать аномалии и слабые места в существующих механизмах безопасности.
2. Автоматизация обслуживания клиентов
Управление растущим числом онлайн-контактов с клиентами сильно напрягало организацию.
У них просто не хватает персонала по обслуживанию клиентов, чтобы справиться с тем объемом запросов, которые они получают, и традиционный подход к аутсорсингу контакт-центр просто неприемлемо для многих сегодняшних клиентов.
Чат-боты и другие автоматизированные системы теперь могут удовлетворить эти потребности благодаря достижениям в области методов машинного обучения. Компании могут высвободить персонал для более качественной поддержки клиентов, автоматизировав рутинные и низкоприоритетные действия.
При правильном использовании машинное обучение в бизнесе может помочь упростить решение проблем и предоставить потребителям полезную поддержку, которая превратит их в преданных сторонников бренда.
3. Связь
Избегание ошибок и неправильных представлений имеет решающее значение в любом типе коммуникации, но особенно в современных деловых коммуникациях.
Простые грамматические ошибки, неправильный тон или неправильный перевод могут вызвать ряд трудностей при общении по электронной почте, оценке клиентов, видео-конференцияили текстовую документацию во многих формах.
Системы машинного обучения продвинули коммуникацию намного дальше, чем бурные дни Microsoft Clippy.
Эти примеры машинного обучения помогли людям общаться просто и точно, используя обработку естественного языка, языковой перевод в реальном времени и распознавание речи.
Хотя многим людям не нравятся возможности автокоррекции, они также ценят защиту от досадных ошибок и неподходящего тона.
4. Распознавание объектов
Хотя технология сбора и интерпретации данных существует уже некоторое время, научить компьютерные системы понимать, на что они смотрят, оказалось обманчиво сложной задачей.
Благодаря приложениям машинного обучения возможности распознавания объектов добавляются ко все большему количеству устройств.
Беспилотный автомобиль, например, распознает другой автомобиль, когда он его видит, даже если программисты не предоставили ему точный образец этого автомобиля для использования в качестве эталона.
Эта технология сейчас используется в розничной торговле, чтобы ускорить процесс оформления заказа. Камеры идентифицируют продукты в корзинах покупателей и могут автоматически выставлять счета, когда они покидают магазин.
5. Цифровой маркетинг
Большая часть современного маркетинга осуществляется в Интернете с использованием ряда цифровых платформ и программ.
Поскольку компании собирают информацию о своих потребителях и их покупательском поведении, маркетинговые команды могут использовать эту информацию для создания подробной картины своей целевой аудитории и определения того, какие люди более склонны искать их продукты и услуги.
Алгоритмы машинного обучения помогают маркетологам разобраться во всех этих данных, обнаружив важные закономерности и атрибуты, которые позволяют им четко классифицировать возможности.
Эта же технология позволяет автоматизировать крупный цифровой маркетинг. Рекламные системы могут быть настроены для динамического обнаружения новых потенциальных потребителей и предоставления им релевантного маркетингового контента в нужное время и в нужном месте.
Будущее машинного обучения
Машинное обучение, безусловно, набирает популярность, поскольку все больше предприятий и крупных организаций используют эту технологию для решения конкретных задач или стимулирования инноваций.
Эти постоянные инвестиции демонстрируют понимание того, что машинное обучение обеспечивает рентабельность инвестиций, особенно благодаря некоторым из упомянутых выше установленных и воспроизводимых вариантов использования.
В конце концов, если технология достаточно хороша для Netflix, Facebook, Amazon, Google Maps и т. д., есть вероятность, что она поможет вашей компании максимально эффективно использовать свои данные.
По мере появления новых обучение с помощью машины модели разрабатываются и запускаются, мы станем свидетелями увеличения количества приложений, которые будут использоваться в разных отраслях.
Это уже происходит с распознавание лица, которая когда-то была новой функцией на вашем iPhone, но теперь внедряется в широкий спектр программ и приложений, особенно связанных с общественной безопасностью.
Ключ для большинства организаций, пытающихся начать работу с машинным обучением, состоит в том, чтобы отвлечься от ярких футуристических видений и открыть для себя реальные бизнес-задачи, с которыми эта технология может помочь вам.
Заключение
В постиндустриальную эпоху ученые и профессионалы пытаются создать компьютер, который будет вести себя как человек.
Мыслящая машина — самый значительный вклад ИИ в человечество; Феноменальное появление этой самоходной машины быстро изменило корпоративные правила эксплуатации.
Беспилотные автомобили, автоматизированные помощники, автономные производственные работники и умные города в последнее время продемонстрировали жизнеспособность умных машин. Революция машинного обучения и будущее машинного обучения будут с нами еще долго.
Оставьте комментарий