Përmbajtje[Fshih][Shfaqje]
Tani mund të llogarisim hapësirën e hapësirës dhe ndërlikimet e vogla të grimcave nënatomike falë kompjuterëve.
Kompjuterët i mundin njerëzit kur bëhet fjalë për numërimin dhe llogaritjen, si dhe ndjekjen e proceseve logjike po/jo, falë elektroneve që udhëtojnë me shpejtësinë e dritës përmes qarkut të tij.
Megjithatë, ne nuk i shohim shpesh ata si "inteligjentë" pasi, në të kaluarën, kompjuterët nuk mund të kryenin asgjë pa u mësuar (programuar) nga njerëzit.
Mësimi i makinerisë, duke përfshirë mësimin e thellë dhe inteligjencës artificiale, është bërë një kryefjalë në titujt shkencorë dhe teknologjikë.
Mësimi i makinerisë duket se është i gjithëpranishëm, por shumë njerëz që e përdorin fjalën do të luftonin për të përcaktuar në mënyrë adekuate se çfarë është, çfarë bën dhe për çfarë përdoret më mirë.
Ky artikull kërkon të sqarojë mësimin e makinerive, ndërsa ofron gjithashtu shembuj konkretë, të botës reale se si funksionon teknologjia për të ilustruar pse është kaq e dobishme.
Më pas, ne do të shikojmë metodologjitë e ndryshme të mësimit të makinerive dhe do të shohim se si ato po përdoren për të adresuar sfidat e biznesit.
Më në fund, ne do të konsultohemi me topin tonë kristal për disa parashikime të shpejta në lidhje me të ardhmen e mësimit të makinerive.
Isfarë është mësimi i makinerisë?
Mësimi i makinerive është një disiplinë e shkencës kompjuterike që u mundëson kompjuterëve të nxjerrin modele nga të dhënat pa u mësuar në mënyrë eksplicite se cilat janë ato modele.
Këto përfundime shpesh bazohen në përdorimin e algoritmeve për të vlerësuar automatikisht veçoritë statistikore të të dhënave dhe zhvillimin e modeleve matematikore për të përshkruar marrëdhënien midis vlerave të ndryshme.
Krahasoni këtë me llogaritjen klasike, e cila bazohet në sisteme përcaktuese, në të cilat ne i japim në mënyrë eksplicite kompjuterit një sërë rregullash që duhen ndjekur për të kryer një detyrë të caktuar.
Kjo mënyrë e programimit të kompjuterëve njihet si programim i bazuar në rregulla. Mësimi i makinerisë ndryshon dhe e tejkalon programimin e bazuar në rregulla në atë që mund t'i nxjerrë këto rregulla vetë.
Supozoni se jeni një menaxher banke që dëshiron të përcaktojë nëse një aplikim për kredi do të dështojë në kredinë e tyre.
Në një metodë të bazuar në rregulla, menaxheri i bankës (ose specialistë të tjerë) do të informonte shprehimisht kompjuterin se nëse rezultati i kredisë së aplikantit është nën një nivel të caktuar, aplikimi duhet të refuzohet.
Megjithatë, një program i mësimit të makinerive thjesht do të analizonte të dhënat e mëparshme mbi vlerësimet e kreditit të klientëve dhe rezultatet e huasë dhe do të përcaktonte se cili duhet të jetë ky prag më vete.
Makina mëson nga të dhënat e mëparshme dhe krijon rregullat e veta në këtë mënyrë. Sigurisht, ky është vetëm një abetare për mësimin e makinerive; Modelet e mësimit të makinerive në botën reale janë dukshëm më të komplikuara se sa një prag bazë.
Sidoqoftë, është një demonstrim i shkëlqyeshëm i potencialit të mësimit të makinerive.
Si funksionon një makine mësoj?
Për t'i mbajtur gjërat të thjeshta, makinat "mësojnë" duke zbuluar modele në të dhëna të krahasueshme. Konsideroni të dhënat si informacione që mblidhni nga bota e jashtme. Sa më shumë të dhëna të ushqehen një makinë, aq më "e zgjuar" bëhet ajo.
Megjithatë, jo të gjitha të dhënat janë të njëjta. Supozoni se jeni një pirat me një qëllim jete për të zbuluar pasuritë e varrosura në ishull. Ju do të dëshironi një sasi të konsiderueshme njohurish për të gjetur çmimin.
Kjo njohuri, si të dhënat, mund t'ju çojë në mënyrën e duhur ose të gabuar.
Sa më i madh informacioni/të dhënat e marra, aq më pak paqartësi ka dhe anasjelltas. Si rezultat, është thelbësore të merrni parasysh llojin e të dhënave nga të cilat po ushqeni kompjuterin tuaj për të mësuar.
Megjithatë, pasi të sigurohet një sasi e konsiderueshme e të dhënave, kompjuteri mund të bëjë parashikime. Makinat mund të parashikojnë të ardhmen për sa kohë që ajo nuk devijon shumë nga e kaluara.
Makinat "mësojnë" duke analizuar të dhënat historike për të përcaktuar se çfarë ka të ngjarë të ndodhë.
Nëse të dhënat e vjetra ngjajnë me të dhënat e reja, atëherë gjërat që mund të thoni për të dhënat e mëparshme ka të ngjarë të zbatohen për të dhënat e reja. Është sikur po shikon pas për të parë përpara.
Cilat janë llojet e mësimit të makinerive?
Algoritmet për mësimin e makinerive shpesh klasifikohen në tre lloje të gjera (megjithëse përdoren edhe skema të tjera klasifikimi):
- Të mësuarit e mbikëqyrur
- Të mësuarit pa mbikëqyrje
- Të mësuarit e përforcimit
Të mësuarit e mbikëqyrur
Mësimi i mbikëqyrur i makinerisë i referohet teknikave në të cilat modelit të mësimit të makinerive i jepet një koleksion të dhënash me etiketa të qarta për sasinë e interesit (kjo sasi shpesh referohet si përgjigje ose objektiv).
Për të trajnuar modelet e AI, mësimi gjysmë i mbikëqyrur përdor një përzierje të të dhënave të etiketuara dhe të paetiketuara.
Nëse jeni duke punuar me të dhëna të paetiketuara, do t'ju duhet të ndërmerrni disa etiketime të të dhënave.
Etiketimi është procesi i etiketimit të mostrave për të ndihmuar trajnimi i një të mësuari makine model. Etiketimi bëhet kryesisht nga njerëzit, gjë që mund të jetë e kushtueshme dhe kërkon kohë. Megjithatë, ka teknika për të automatizuar procesin e etiketimit.
Situata e aplikimit për kredi që diskutuam më parë është një ilustrim i shkëlqyer i të mësuarit të mbikëqyrur. Ne kishim të dhëna historike në lidhje me vlerësimet e kredisë së ish-kërkuesve të kredisë (dhe ndoshta nivelet e të ardhurave, moshën, e kështu me radhë) si dhe etiketa specifike që na tregonin nëse personi në fjalë dështoi ose jo për kredinë e tyre.
Regresioni dhe klasifikimi janë dy nëngrupe të teknikave të të mësuarit të mbikëqyrur.
- Klasifikim – Përdor një algoritëm për të kategorizuar saktë të dhënat. Filtrat e spamit janë një shembull. "Spam" mund të jetë një kategori subjektive - linja midis komunikimeve të padëshiruara dhe atyre jo të padëshiruara është e paqartë - dhe algoritmi i filtrit të postës së padëshiruar po përmirësohet vazhdimisht në varësi të komenteve tuaja (që do të thotë email që njerëzit e shënojnë si të padëshiruar).
- Regres – Është e dobishme për të kuptuar lidhjen midis variablave të varur dhe të pavarur. Modelet e regresionit mund të parashikojnë vlera numerike bazuar në disa burime të dhënash, siç janë vlerësimet e të ardhurave nga shitjet për një kompani të caktuar. Regresioni linear, regresioni logjistik dhe regresioni polinom janë disa teknika të spikatura të regresionit.
Të mësuarit pa mbikëqyrje
Në mësimin e pambikëqyrur, na jepen të dhëna të paetiketuara dhe thjesht kërkojmë modele. Le të pretendojmë se jeni Amazon. A mund të gjejmë ndonjë grupim (grupe të konsumatorëve të ngjashëm) bazuar në historikun e blerjeve të klientëve?
Edhe pse nuk kemi të dhëna të qarta, përfundimtare për preferencat e një personi, në këtë rast, thjesht duke ditur se një grup specifik konsumatorësh blen mallra të krahasueshme na lejon të bëjmë sugjerime për blerje bazuar në atë që kanë blerë edhe individë të tjerë në grup.
Karuseli "ju gjithashtu mund të jeni të interesuar" i Amazon mundësohet nga teknologji të ngjashme.
Mësimi i pambikëqyrur mund të grupojë të dhënat përmes grupimit ose shoqërimit, në varësi të asaj që dëshironi të gruponi së bashku.
- clustering – Të mësuarit e pambikëqyrur përpiqet ta kapërcejë këtë sfidë duke kërkuar modele në të dhëna. Nëse ka një grup ose grup të ngjashëm, algoritmi do t'i kategorizojë ato në një mënyrë të caktuar. Përpjekja për të kategorizuar klientët bazuar në historinë e mëparshme të blerjeve është një shembull i kësaj.
- Shoqatë – Të mësuarit e pambikëqyrur përpiqet të trajtojë këtë sfidë duke u përpjekur të kuptojë rregullat dhe kuptimet që qëndrojnë në themel të grupeve të ndryshme. Një shembull i shpeshtë i një problemi të lidhjes është përcaktimi i një lidhjeje midis blerjeve të klientëve. Dyqanet mund të jenë të interesuar të dinë se cilat mallra janë blerë së bashku dhe mund ta përdorin këtë informacion për të rregulluar pozicionimin e këtyre produkteve për qasje të lehtë.
Mësimi i përforcimit
Të mësuarit përforcues është një teknikë për të mësuar modelet e mësimit të makinerive për të marrë një sërë vendimesh të orientuara drejt qëllimit në një mjedis ndërveprues. Rastet e përdorimit të lojërave të përmendura më sipër janë ilustrime të shkëlqyera të kësaj.
Ju nuk keni nevojë të futni AlphaZero mijëra lojëra të mëparshme shahu, secila me një lëvizje "të mirë" ose "të dobët" të etiketuar. Thjesht mësojini rregullat e lojës dhe qëllimin, dhe më pas lëreni të provojë akte të rastësishme.
Përforcim pozitiv u jepet aktiviteteve që e çojnë programin më afër qëllimit (si p.sh. zhvillimi i një pozicioni të fortë pengu). Kur aktet kanë efekt të kundërt (siç është zhvendosja e parakohshme e mbretit), ato fitojnë përforcim negativ.
Softueri përfundimisht mund të zotërojë lojën duke përdorur këtë metodë.
Të mësuarit e përforcimit përdoret gjerësisht në robotikë për të mësuar robotët për veprime të ndërlikuara dhe të vështira për t'u inxhinieruar. Ndonjëherë përdoret së bashku me infrastrukturën rrugore, siç janë sinjalet e trafikut, për të përmirësuar rrjedhën e trafikut.
Çfarë mund të bëhet me mësimin e makinerive?
Përdorimi i mësimit të makinerive në shoqëri dhe industri po rezulton në përparime në një gamë të gjerë përpjekjesh njerëzore.
Në jetën tonë të përditshme, mësimi i makinerive tani kontrollon algoritmet e kërkimit dhe imazhit të Google, duke na lejuar të përputhemi më saktë me informacionin që na nevojitet kur na nevojitet.
Në mjekësi, për shembull, mësimi i makinës po zbatohet në të dhënat gjenetike për të ndihmuar mjekët të kuptojnë dhe të parashikojnë se si përhapet kanceri, duke lejuar zhvillimin e terapive më efektive.
Të dhënat nga hapësira e thellë po mblidhen këtu në Tokë nëpërmjet radioteleskopëve masivë – dhe pasi analizohen me mësimin e makinerive, po na ndihmojnë të zbulojmë misteret e vrimave të zeza.
Mësimi i makinerive në shitje me pakicë lidh blerësit me gjërat që dëshirojnë të blejnë në internet, dhe gjithashtu ndihmon punonjësit e dyqaneve që të përshtatin shërbimin që u ofrojnë klientëve të tyre në botën me tulla dhe llaç.
Mësimi i makinerisë përdoret në betejën kundër terrorit dhe ekstremizmit për të parashikuar sjelljen e atyre që dëshirojnë të lëndojnë të pafajshmit.
Përpunimi i gjuhës natyrore (NLP) i referohet procesit të lejimit të kompjuterëve që të kuptojnë dhe të komunikojnë me ne në gjuhën njerëzore përmes mësimit të makinës, dhe ka rezultuar në përparime në teknologjinë e përkthimit, si dhe në pajisjet e kontrolluara me zë që ne përdorim gjithnjë e më shumë çdo ditë, si p.sh. Alexa, Google dot, Siri dhe asistenti i Google.
Pa diskutim, mësimi i makinerive po tregon se është një teknologji transformuese.
Robotët e aftë për të punuar përkrah nesh dhe për të rritur origjinalitetin dhe imagjinatën tonë me logjikën e tyre të patëmetë dhe shpejtësinë mbinjerëzore nuk janë më një fantazi fantastiko-shkencore – ata po bëhen realitet në shumë sektorë.
Rastet e përdorimit të Learning Machine
1. Siguria kibernetike
Ndërsa rrjetet janë bërë më të komplikuara, specialistët e sigurisë kibernetike kanë punuar pa u lodhur për t'u përshtatur me gamën gjithnjë në zgjerim të kërcënimeve të sigurisë.
Kundërvajtja e malware me zhvillim të shpejtë dhe taktikat e hakerimit është mjaft sfiduese, por përhapja e pajisjeve të Internetit të Gjërave (IoT) ka transformuar rrënjësisht mjedisin e sigurisë kibernetike.
Sulmet mund të ndodhin në çdo moment dhe në çdo vend.
Fatmirësisht, algoritmet e mësimit të makinerive kanë mundësuar që operacionet e sigurisë kibernetike të vazhdojnë me këto zhvillime të shpejta.
Analitikë parashikuese mundësoni zbulimin dhe zbutjen më të shpejtë të sulmeve, ndërkohë që mësimi i makinës mund të analizojë aktivitetin tuaj brenda një rrjeti për të zbuluar anomalitë dhe dobësitë në mekanizmat ekzistues të sigurisë.
2. Automatizimi i shërbimit ndaj klientit
Menaxhimi i një numri në rritje të kontakteve të klientëve në internet ka tendosur shumë organizimin.
Ata thjesht nuk kanë personel të mjaftueshëm për shërbimin ndaj klientit për të trajtuar vëllimin e pyetjeve që po marrin dhe qasjen tradicionale të kontraktimit të çështjeve në një qendra e kontaktit është thjesht e papranueshme për shumë nga klientët e sotëm.
Chatbots dhe sisteme të tjera të automatizuara tani mund t'i adresojnë këto kërkesa falë përparimeve në teknikat e mësimit të makinerive. Kompanitë mund të lirojnë personelin për të ndërmarrë më shumë mbështetje të klientit të nivelit të lartë duke automatizuar aktivitetet e zakonshme dhe me prioritet të ulët.
Kur përdoret si duhet, mësimi i makinerive në biznes mund të ndihmojë në thjeshtimin e zgjidhjes së problemit dhe t'u sigurojë konsumatorëve llojin e mbështetjes së dobishme që i kthen ata të bëhen kampionë të përkushtuar të markës.
3. komunikim
Shmangia e gabimeve dhe keqkuptimeve është kritike në çdo lloj komunikimi, por më shumë në komunikimet e sotme të biznesit.
Gabimet e thjeshta gramatikore, toni i pasaktë ose përkthimet e gabuara mund të shkaktojnë një sërë vështirësish në kontaktin me email, vlerësimet e klientëve, konferenca video, ose dokumentacion i bazuar në tekst në shumë forma.
Sistemet e mësimit të makinerisë kanë avancuar komunikimin shumë përtej ditëve të vështira të Clippy të Microsoft.
Këta shembuj të mësimit të makinerive kanë ndihmuar individët të komunikojnë thjesht dhe saktë duke përdorur përpunimin e gjuhës natyrore, përkthimin e gjuhës në kohë reale dhe njohjen e të folurit.
Ndërsa shumë individë nuk i pëlqejnë aftësitë e korrigjimit automatik, ata gjithashtu vlerësojnë mbrojtjen nga gabimet e turpshme dhe toni i papërshtatshëm.
4. Njohja e objekteve
Ndërsa teknologjia për mbledhjen dhe interpretimin e të dhënave ka ekzistuar për një kohë, mësimi i sistemeve kompjuterike për të kuptuar atë që po shikojnë është dëshmuar të jetë një detyrë mashtruese e vështirë.
Aftësitë e njohjes së objekteve po i shtohen një numri në rritje pajisjesh për shkak të aplikacioneve të mësimit të makinerive.
Një makinë që drejton vetë, për shembull, njeh një makinë tjetër kur e sheh një të tillë, edhe nëse programuesit nuk i kanë dhënë një shembull të saktë të asaj makine për ta përdorur si referencë.
Kjo teknologji tani po përdoret në bizneset e shitjes me pakicë për të ndihmuar në përshpejtimin e procesit të arkëtimit. Kamerat identifikojnë produktet në karrocat e konsumatorëve dhe mund të faturojnë automatikisht llogaritë e tyre kur dalin nga dyqani.
5. Marketingu dixhital
Pjesa më e madhe e marketingut të sotëm bëhet online, duke përdorur një sërë platformash dixhitale dhe programe softuerike.
Ndërsa bizneset mbledhin informacione rreth konsumatorëve të tyre dhe sjelljeve të tyre blerëse, ekipet e marketingut mund ta përdorin atë informacion për të krijuar një pamje të detajuar të audiencës së tyre të synuar dhe për të zbuluar se cilët njerëz janë më të prirur për të kërkuar produktet dhe shërbimet e tyre.
Algoritmet e mësimit të makinerive ndihmojnë tregtarët që të kuptojnë të gjitha ato të dhëna, duke zbuluar modele dhe atribute domethënëse që i lejojnë ata të kategorizojnë ngushtë mundësitë.
E njëjta teknologji lejon automatizim të madh të marketingut dixhital. Sistemet e reklamave mund të krijohen për të zbuluar konsumatorët e rinj të mundshëm në mënyrë dinamike dhe për t'u ofruar atyre përmbajtje përkatëse të marketingut në kohën dhe vendin e duhur.
E ardhmja e Mësimit të Makinerisë
Mësimi i makinerive sigurisht po fiton popullaritet pasi më shumë biznese dhe organizata të mëdha përdorin teknologjinë për të trajtuar sfida specifike ose për të nxitur inovacionin.
Ky investim i vazhdueshëm tregon të kuptuarit se mësimi i makinerive po prodhon ROI, veçanërisht përmes disa prej rasteve të përdorimit të vendosura dhe të riprodhueshme të përmendura më lart.
Në fund të fundit, nëse teknologjia është mjaft e mirë për Netflix, Facebook, Amazon, Google Maps, e kështu me radhë, shanset janë që ajo mund të ndihmojë kompaninë tuaj të shfrytëzojë sa më shumë të dhënat e saj.
Si e re Mësimi makinë modelet janë zhvilluar dhe lançuar, do të jemi dëshmitarë të rritjes së numrit të aplikacioneve që do të përdoren në të gjithë industritë.
Kjo tashmë po ndodh me njohja e fytyrës, i cili dikur ishte një funksion i ri në iPhone-in tuaj, por tani po zbatohet në një gamë të gjerë programesh dhe aplikacionesh, veçanërisht ato që lidhen me sigurinë publike.
Çelësi për shumicën e organizatave që përpiqen të fillojnë me mësimin e makinerive është të shikojnë përpara vizioneve të ndritura futuriste dhe të zbulojnë sfidat reale të biznesit me të cilat teknologjia mund t'ju ndihmojë.
Përfundim
Në epokën post-industrializuar, shkencëtarët dhe profesionistët janë përpjekur të krijojnë një kompjuter që sillet më shumë si njerëzit.
Makina e të menduarit është kontributi më domethënës i AI për njerëzimin; Ardhja fenomenale e kësaj makinerie vetëlëvizëse ka transformuar me shpejtësi rregulloret e funksionimit të korporatës.
Automjetet që drejtojnë vetë, asistentët e automatizuar, punonjësit autonome të prodhimit dhe qytetet inteligjente kanë demonstruar kohët e fundit qëndrueshmërinë e makinerive inteligjente. Revolucioni i mësimit të makinerive dhe e ardhmja e mësimit të makinerive do të jenë me ne për një kohë të gjatë.
Lini një Përgjigju