Obsah[Skryť][Šou]
Teraz môžeme vďaka počítačom vypočítať rozlohu priestoru a nepatrnú zložitosť subatomárnych častíc.
Počítače porážajú ľudí, čo sa týka počítania a výpočtov, ako aj dodržiavania logických procesov áno/nie, vďaka elektrónom, ktoré sa pohybujú rýchlosťou svetla cez ich obvody.
Často ich však nevidíme ako „inteligentné“, pretože v minulosti počítače nedokázali nič vykonávať bez toho, aby ich ľudia učili (naprogramovali).
Strojové učenie vrátane hlbokého učenia a umelá inteligencia, sa stal módnym slovom v titulkoch vedeckých a technologických správ.
Zdá sa, že strojové učenie je všadeprítomné, ale mnohí ľudia, ktorí toto slovo používajú, by mali problém primerane definovať, čo to je, na čo slúži a na čo sa najlepšie používa.
Tento článok sa snaží objasniť strojové učenie a zároveň poskytuje konkrétne príklady toho, ako táto technológia funguje, aby ilustrovala, prečo je taká výhodná.
Potom sa pozrieme na rôzne metodológie strojového učenia a uvidíme, ako sa používajú na riešenie obchodných výziev.
Nakoniec sa pozrieme na našu krištáľovú guľu pre niekoľko rýchlych predpovedí o budúcnosti strojového učenia.
Čo je to strojové učenie?
Strojové učenie je disciplína počítačovej vedy, ktorá umožňuje počítačom odvodzovať vzorce z údajov bez toho, aby sa explicitne učili, o aké vzory ide.
Tieto závery sú často založené na použití algoritmov na automatické vyhodnotenie štatistických vlastností údajov a na vývoji matematických modelov na zobrazenie vzťahu medzi rôznymi hodnotami.
Porovnajte to s klasickým výpočtom, ktorý je založený na deterministických systémoch, v ktorých počítaču explicitne dávame súbor pravidiel, ktoré musí dodržiavať, aby vykonal určitú úlohu.
Tento spôsob programovania počítačov je známy ako programovanie založené na pravidlách. Strojové učenie sa líši od programovania založeného na pravidlách a prekonáva ho v tom, že dokáže tieto pravidlá odvodiť samo.
Predpokladajme, že ste bankový manažér, ktorý chce zistiť, či žiadosť o pôžičku zlyhá.
Pri metóde založenej na pravidlách by manažér banky (alebo iní špecialisti) výslovne informovali počítač, že ak je úverové skóre žiadateľa pod určitou úrovňou, žiadosť by mala byť zamietnutá.
Program strojového učenia by však jednoducho analyzoval predchádzajúce údaje o úverových ratingoch klientov a výsledkoch pôžičiek a sám by určil, aká by mala byť táto hranica.
Stroj sa učí z predchádzajúcich údajov a vytvára si tak vlastné pravidlá. Samozrejme, toto je len základ strojového učenia; modely strojového učenia v reálnom svete sú podstatne komplikovanejšie ako základný prah.
Napriek tomu je to vynikajúca demonštrácia potenciálu strojového učenia.
Ako to funguje? stroj učiť sa?
Aby boli veci jednoduché, stroje sa „učia“ zisťovaním vzorcov v porovnateľných údajoch. Údaje považujte za informácie, ktoré zbierate z vonkajšieho sveta. Čím viac údajov sa do stroja dodáva, tým je „inteligentnejší“.
Nie všetky údaje sú však rovnaké. Predpokladajme, že ste pirát, ktorého životným cieľom je odhaliť skryté bohatstvo na ostrove. Na nájdenie ceny budete potrebovať značné množstvo vedomostí.
Tieto znalosti, podobne ako údaje, vás môžu viesť správnym alebo nesprávnym smerom.
Čím väčšie sú získané informácie/údaje, tým menej nejasností a naopak. V dôsledku toho je dôležité zvážiť druh údajov, z ktorých sa má stroj učiť.
Akonáhle je však poskytnuté značné množstvo údajov, počítač môže robiť predpovede. Stroje dokážu predvídať budúcnosť, pokiaľ sa príliš neodchyľuje od minulosti.
Stroje sa „učia“ analýzou historických údajov, aby určili, čo sa pravdepodobne stane.
Ak sa staré údaje podobajú novým údajom, potom veci, ktoré môžete povedať o predchádzajúcich údajoch, budú pravdepodobne platiť aj pre nové údaje. Je to, ako keby ste sa pozerali späť, aby ste videli dopredu.
Aké sú typy strojového učenia?
Algoritmy pre strojové učenie sa často klasifikujú do troch širokých typov (hoci sa používajú aj iné klasifikačné schémy):
- Dohliadané učenie
- Výučba bez dozoru
- Posilnenie učenia
Dohliadané učenie
Riadené strojové učenie sa vzťahuje na techniky, pri ktorých sa modelu strojového učenia poskytuje súbor údajov s explicitnými označeniami pre množstvo záujmu (toto množstvo sa často označuje ako odpoveď alebo cieľ).
Na trénovanie modelov AI využíva poloriadené učenie kombináciu označených a neoznačených údajov.
Ak pracujete s neoznačenými údajmi, budete musieť vykonať určité označovanie údajov.
Označovanie je proces označovania vzoriek na pomoc trénovanie strojového učenia Model. Označovanie vykonávajú predovšetkým ľudia, čo môže byť nákladné a časovo náročné. Existujú však techniky na automatizáciu procesu označovania.
Situácia so žiadosťou o pôžičku, o ktorej sme diskutovali predtým, je vynikajúcou ilustráciou vyučovania pod dohľadom. Mali sme historické údaje týkajúce sa úverových ratingov bývalých žiadateľov o pôžičku (a možno aj úrovne príjmu, veku atď.), ako aj špecifické štítky, ktoré nám hovorili, či daná osoba nesplácala svoju pôžičku alebo nie.
Regresia a klasifikácia sú dve podskupiny techník učenia pod dohľadom.
- Klasifikácia – Využíva algoritmus na správnu kategorizáciu údajov. Jedným príkladom sú spamové filtre. „Spam“ môže byť subjektívnou kategóriou – hranica medzi spamovou a nespamovou komunikáciou je nejasná – a algoritmus filtrovania nevyžiadanej pošty sa neustále zdokonaľuje v závislosti od vašej spätnej väzby (čo znamená e-mail, ktorý ľudia označujú ako spam).
- regresia – Pomáha pochopiť súvislosti medzi závislými a nezávislými premennými. Regresné modely dokážu predpovedať číselné hodnoty na základe niekoľkých zdrojov údajov, ako sú odhady príjmov z predaja pre určitú spoločnosť. Lineárna regresia, logistická regresia a polynomická regresia sú niektoré významné regresné techniky.
Výučba bez dozoru
Pri učení bez dozoru dostávame neoznačené údaje a len hľadáme vzory. Predstavme si, že ste Amazon. Môžeme nájsť nejaké klastre (skupiny podobných spotrebiteľov) na základe histórie nákupov klientov?
Aj keď nemáme jednoznačné a presvedčivé údaje o preferenciách osoby, v tomto prípade nám jednoducho vedomie, že konkrétna skupina spotrebiteľov nakupuje porovnateľný tovar, umožňuje navrhovať nákup na základe toho, čo si kúpili aj iní jednotlivci v skupine.
Kolotoč Amazonu „môže vás tiež zaujímať“ je poháňaný podobnými technológiami.
Učenie bez dozoru môže zoskupovať údaje prostredníctvom klastrovania alebo asociácie v závislosti od toho, čo chcete zoskupiť.
- zhlukovaniu – Učenie bez dozoru sa pokúša prekonať túto výzvu hľadaním vzorcov v údajoch. Ak existuje podobný klaster alebo skupina, algoritmus ich kategorizuje určitým spôsobom. Snaha kategorizovať klientov na základe predchádzajúcej nákupnej histórie je toho príkladom.
- Združenie – Učenie bez dozoru sa pokúša riešiť túto výzvu tak, že sa snaží pochopiť pravidlá a významy rôznych skupín. Častým príkladom asociačného problému je určenie prepojenia medzi nákupmi zákazníkov. Obchody môžu mať záujem vedieť, aký tovar bol zakúpený spoločne, a môžu tieto informácie použiť na usporiadanie umiestnenia týchto produktov pre ľahký prístup.
Posilňovacie učenie
Posilňovacie učenie je technika výučby modelov strojového učenia, aby ste mohli v interaktívnom prostredí robiť sériu cieľovo orientovaných rozhodnutí. Vyššie uvedené prípady herného použitia sú toho vynikajúcim príkladom.
Nemusíte zadávať AlphaZero tisíce predchádzajúcich šachových hier, pričom každá má označený „dobrý“ alebo „zlý“ ťah. Jednoducho ho naučte pravidlá a cieľ hry a potom ho nechajte, aby si vyskúšal náhodné činy.
Pozitívne sa posilňujú aktivity, ktoré posúvajú program bližšie k cieľu (ako je vytvorenie pevnej pozície pešiaka). Ak majú činy opačný účinok (napríklad predčasné posunutie kráľa), získajú negatívne posilnenie.
Softvér môže nakoniec zvládnuť hru pomocou tejto metódy.
Posilnenie učenia je široko používaný v robotike na učenie robotov pre komplikované a ťažko inžinierske činnosti. Niekedy sa používa v spojení s cestnou infraštruktúrou, ako sú dopravné signály, na zlepšenie plynulosti premávky.
Čo sa dá urobiť pomocou strojového učenia?
Využitie strojového učenia v spoločnosti a priemysle vedie k pokroku v širokom spektre ľudských snáh.
V našom každodennom živote strojové učenie teraz riadi vyhľadávacie a obrázkové algoritmy Google, čo nám umožňuje presnejšie priradiť informácie, ktoré potrebujeme, keď ich potrebujeme.
V medicíne sa napríklad strojové učenie používa na genetické údaje, aby lekárom pomohlo pochopiť a predpovedať, ako sa rakovina šíri, čo umožňuje vyvinúť účinnejšie terapie.
Dáta z hlbokého vesmíru sa tu na Zemi zhromažďujú prostredníctvom masívnych rádioteleskopov – a po analýze pomocou strojového učenia nám pomáhajú odhaliť tajomstvá čiernych dier.
Strojové učenie v maloobchode spája kupujúcich s vecami, ktoré si chcú kúpiť online, a tiež pomáha zamestnancom obchodu prispôsobiť služby, ktoré poskytujú svojim klientom v kamennom svete.
Strojové učenie sa používa v boji proti teroru a extrémizmu na predvídanie správania tých, ktorí chcú ublížiť nevinným.
Spracovanie prirodzeného jazyka (NLP) označuje proces, ktorý umožňuje počítačom porozumieť a komunikovať s nami v ľudskom jazyku prostredníctvom strojového učenia, a výsledkom je prelom v technológii prekladu, ako aj v zariadeniach ovládaných hlasom, ktoré stále častejšie používame každý deň, ako napr. Alexa, bodka Google, Siri a asistent Google.
Strojové učenie nepochybne dokazuje, že ide o transformačnú technológiu.
Roboty schopné pracovať po boku nás a podporovať našu vlastnú originalitu a predstavivosť svojou bezchybnou logikou a nadľudskou rýchlosťou už nie sú fantasy sci-fi – stávajú sa realitou v mnohých odvetviach.
Prípady použitia strojového učenia
1. Kybernetická bezpečnosť
Keďže siete sa skomplikovali, špecialisti na kybernetickú bezpečnosť neúnavne pracovali na prispôsobovaní sa neustále sa rozširujúcej škále bezpečnostných hrozieb.
Boj proti rýchlo sa vyvíjajúcemu malvéru a hackerským taktikám je dosť náročný, ale šírenie zariadení internetu vecí (IoT) zásadne zmenilo prostredie kybernetickej bezpečnosti.
Útoky sa môžu vyskytnúť kedykoľvek a na akomkoľvek mieste.
Našťastie, algoritmy strojového učenia umožnili operáciám kybernetickej bezpečnosti držať krok s týmto rýchlym vývojom.
Prediktívna analytika umožňujú rýchlejšiu detekciu a zmiernenie útokov, zatiaľ čo strojové učenie môže analyzovať vašu aktivitu v sieti a odhaliť abnormality a slabé miesta v existujúcich bezpečnostných mechanizmoch.
2. Automatizácia služieb zákazníkom
Riadenie stále väčšieho počtu online kontaktov s klientmi zaťažilo organizáciu.
Jednoducho nemajú dostatok personálu zákazníckeho servisu, aby zvládli množstvo žiadostí, ktoré dostávajú, a tradičný prístup outsourcingu kontaktné centrum je pre mnohých dnešných klientov jednoducho neprijateľné.
Chatboty a ďalšie automatizované systémy teraz dokážu riešiť tieto požiadavky vďaka pokrokom v technikách strojového učenia. Spoločnosti môžu uvoľniť zamestnancov, aby mohli vykonávať vyššiu zákaznícku podporu na vysokej úrovni automatizáciou bežných činností a činností s nízkou prioritou.
Pri správnom použití môže strojové učenie v podnikaní pomôcť zefektívniť riešenie problémov a poskytnúť spotrebiteľom typ užitočnej podpory, vďaka ktorej sa stanú odhodlanými šampiónmi značky.
3. komunikácia
Vyhýbanie sa chybám a mylným predstavám je kritické pri akomkoľvek type komunikácie, no ešte viac v dnešnej obchodnej komunikácii.
Jednoduché gramatické chyby, nesprávny tón alebo chybné preklady môžu spôsobiť celý rad problémov pri e-mailovom kontakte, hodnoteniach zákazníkov, video konferenciaalebo textová dokumentácia v mnohých formách.
Systémy strojového učenia majú pokročilú komunikáciu ďaleko za opojnými časmi Microsoftu Clippy.
Tieto príklady strojového učenia pomohli jednotlivcom jednoducho a presne komunikovať pomocou spracovania prirodzeného jazyka, prekladu jazyka v reálnom čase a rozpoznávania reči.
Zatiaľ čo mnohí jednotlivci nemajú radi automatické opravy, oceňujú aj ochranu pred trápnymi chybami a nevhodným tónom.
4. Rozpoznávanie objektov
Zatiaľ čo technológia na zhromažďovanie a interpretáciu údajov existuje už nejaký čas, ukázalo sa, že naučiť počítačové systémy pochopiť, na čo sa pozerajú, je zdanlivo náročná úloha.
Vďaka aplikáciám strojového učenia sa do čoraz väčšieho počtu zariadení pridávajú možnosti rozpoznávania objektov.
Napríklad auto s vlastným pohonom rozpozná iné auto, keď ho vidí, aj keď mu programátori neposkytli presný príklad tohto auta, ktorý by sa mal použiť ako referencia.
Táto technológia sa teraz používa v maloobchodných podnikoch, aby pomohla urýchliť proces platby. Kamery identifikujú produkty v košíkoch spotrebiteľov a môžu automaticky účtovať ich účty, keď opustia obchod.
5. Digitálny marketing
Veľká časť dnešného marketingu sa robí online pomocou rôznych digitálnych platforiem a softvérových programov.
Keď podniky zhromažďujú informácie o svojich spotrebiteľoch a ich nákupnom správaní, marketingové tímy môžu tieto informácie použiť na vytvorenie podrobného obrazu o svojom cieľovom publiku a na zistenie, ktorí ľudia majú väčšiu tendenciu vyhľadávať ich produkty a služby.
Algoritmy strojového učenia pomáhajú obchodníkom porozumieť všetkým týmto údajom, objavovať významné vzory a atribúty, ktoré im umožňujú presne kategorizovať možnosti.
Rovnaká technológia umožňuje veľkú automatizáciu digitálneho marketingu. Reklamné systémy môžu byť nastavené tak, aby dynamicky objavovali nových potenciálnych spotrebiteľov a poskytovali im relevantný marketingový obsah v správnom čase a na správnom mieste.
Budúcnosť strojového učenia
Strojové učenie si určite získava na popularite, keďže viac podnikov a veľkých organizácií používa túto technológiu na riešenie konkrétnych výziev alebo na podporu inovácií.
Táto pokračujúca investícia demonštruje pochopenie, že strojové učenie prináša návratnosť investícií, najmä prostredníctvom niektorých z vyššie uvedených zavedených a reprodukovateľných prípadov použitia.
Koniec koncov, ak je technológia dostatočne dobrá pre Netflix, Facebook, Amazon, Google Maps atď., Je pravdepodobné, že vašej spoločnosti pomôže vyťažiť maximum z jej údajov.
Ako nový strojové učenie sa vyvíjajú a spúšťajú modely, budeme svedkami nárastu počtu aplikácií, ktoré sa budú používať naprieč odvetviami.
Toto sa už deje s rozpoznávanie tváre, ktorá bola kedysi novou funkciou na vašom iPhone, ale teraz sa implementuje do širokej škály programov a aplikácií, najmä tých, ktoré sa týkajú verejnej bezpečnosti.
Kľúčom pre väčšinu organizácií, ktoré sa snažia začať so strojovým učením, je pozrieť sa cez jasné futuristické vízie a objaviť skutočné obchodné výzvy, s ktorými vám táto technológia môže pomôcť.
záver
V postindustrializovanom veku sa vedci a odborníci pokúšali vytvoriť počítač, ktorý by sa choval viac ako ľudia.
Mysliaci stroj je najvýznamnejším príspevkom AI ľudstvu; fenomenálny príchod tohto samohybného stroja rýchlo zmenil podnikové prevádzkové predpisy.
Samoriadiace vozidlá, automatizovaní asistenti, zamestnanci autonómnej výroby a inteligentné mestá v poslednej dobe preukázali životaschopnosť inteligentných strojov. Revolúcia strojového učenia a budúcnosť strojového učenia nás budú sprevádzať ešte dlho.
Nechaj odpoveď