Преглед садржаја[Сакрити][Прикажи]
Сада можемо израчунати пространство простора и ситне замршености субатомских честица захваљујући компјутерима.
Компјутери су победили људе када су у питању бројање и рачунање, као и праћење логичких процеса да/не, захваљујући електронима који путују брзином светлости преко свог кола.
Међутим, не видимо их често као „интелигентне“ јер у прошлости рачунари нису могли ништа да изводе а да их људи не уче (програмирају).
Машинско учење, укључујући дубоко учење и вештачка интелигенција, постао је популарна реч у научним и технолошким насловима.
Чини се да је машинско учење свеприсутно, али многи људи који користе ту реч би се борили да адекватно дефинишу шта је то, шта ради и за шта се најбоље користи.
Овај чланак настоји да разјасни машинско учење, истовремено пружајући конкретне примере из стварног света како технологија функционише да би илустровала зашто је толико корисна.
Затим ћемо погледати различите методологије машинског учења и видети како се оне користе за решавање пословних изазова.
Коначно, консултоваћемо нашу кристалну куглу за нека брза предвиђања о будућности машинског учења.
Шта је машинско учење?
Машинско учење је дисциплина рачунарске науке која омогућава рачунарима да закључују обрасце из података без експлицитног подучавања шта су ти обрасци.
Ови закључци се често заснивају на коришћењу алгоритама за аутоматску процену статистичких карактеристика података и развоју математичких модела за приказ односа између различитих вредности.
Упоредите ово са класичним рачунарством, које се заснива на детерминистичким системима, у којима рачунару изричито дајемо скуп правила која треба да следи како би извршио одређени задатак.
Овај начин програмирања рачунара познат је као програмирање засновано на правилима. Машинско учење се разликује и надмашује програмирање засновано на правилима по томе што може самостално да изведе ова правила.
Претпоставимо да сте менаџер банке који жели да утврди да ли ће захтев за кредит пропасти за њихов кредит.
У методи заснованој на правилима, менаџер банке (или други стручњаци) би изричито обавестио рачунар да ако је кредитни резултат подносиоца захтева испод одређеног нивоа, пријаву треба одбити.
Међутим, програм машинског учења би једноставно анализирао претходне податке о кредитном рејтингу клијената и резултатима зајма и одредио шта би овај праг требало да буде сам по себи.
Машина учи из претходних података и на овај начин креира сопствена правила. Наравно, ово је само почетница о машинском учењу; модели машинског учења у стварном свету су знатно компликованији од основног прага.
Без обзира на то, то је одлична демонстрација потенцијала машинског учења.
Како а машина научити?
Да би ствари биле једноставне, машине „уче“ откривајући обрасце у упоредивим подацима. Податке сматрајте информацијама које прикупљате из спољашњег света. Што више података унесе машина, она постаје „паметнија“.
Међутим, нису сви подаци исти. Претпоставимо да сте гусар са животном сврхом да открије закопано богатство на острву. Пожелећете значајну количину знања да бисте лоцирали награду.
Ово знање, као и подаци, може да вас одведе на исправан или погрешан начин.
Што је више информација/података добијених, мање је нејасноћа, и обрнуто. Као резултат тога, од кључне је важности да узмете у обзир врсту података на које храните своју машину да бисте учили.
Међутим, када се обезбеди значајна количина података, рачунар може да прави предвиђања. Машине могу предвидети будућност све док не одступа много од прошлости.
Машине „уче“ анализирајући историјске податке како би утврдиле шта ће се вероватно догодити.
Ако стари подаци личе на нове податке, онда ће ствари које можете рећи о претходним подацима вероватно бити примењене на нове податке. Као да гледате уназад да бисте видели напред.
Које су врсте машинског учења?
Алгоритми за машинско учење се често класификују у три широка типа (иако се користе и друге шеме класификације):
- Надзирано учење
- Ненадзоровано учење
- Ојачавање учења
Надзирано учење
Надзирано машинско учење се односи на технике у којима се моделу машинског учења даје збирка података са експлицитним ознакама за количину од интереса (ова величина се често назива одговор или циљ).
Да би се обучили АИ модели, полунадгледано учење користи мешавину означених и неозначених података.
Ако радите са неозначеним подацима, мораћете да предузмете неке ознаке података.
Обележавање је процес обележавања узорака који треба да помогне обука машинског учења модел. Означавање првенствено раде људи, што може бити скупо и дуготрајно. Међутим, постоје технике за аутоматизацију процеса означавања.
Ситуација са захтевом за кредит о којој смо раније говорили је одлична илустрација учења под надзором. Имали смо историјске податке у вези са кредитним рејтингом бивших подносилаца захтева за кредит (и можда нивоима прихода, узрастом и тако даље), као и специфичне ознаке које су нам говориле да ли је дотична особа каснила са својим кредитом или не.
Регресија и класификација су два подскупа техника надгледаног учења.
- Класификација – Користи алгоритам за исправну категоризацију података. Филтери за нежељену пошту су један пример. „Нежељена пошта“ може бити субјективна категорија — линија између нежељене поште и комуникације која није непожељна је нејасна — а алгоритам филтера нежељене поште се стално усавршава у зависности од ваших повратних информација (што значи е-пошту коју људи означавају као нежељену пошту).
- Регресија – Помаже у разумевању везе између зависних и независних варијабли. Регресиони модели могу предвидети нумеричке вредности на основу неколико извора података, као што су процене прихода од продаје за одређену компанију. Линеарна регресија, логистичка регресија и полиномска регресија су неке од истакнутих техника регресије.
Ненадзоровано учење
У учењу без надзора, добијамо неозначене податке и само тражимо обрасце. Хајде да се претварамо да сте Амазон. Можемо ли пронаћи неке кластере (групе сличних потрошача) на основу историје куповине клијената?
Чак иако немамо експлицитне, коначне податке о преференцијама неке особе, у овом случају, једноставно сазнање да одређени скуп потрошача купује упоредиву робу нам омогућава да дамо предлоге за куповину на основу онога што су други појединци у групи такође купили.
Амазонова вртешка „можда и вас занима“ покреће сличне технологије.
Учење без надзора може груписати податке кроз груписање или повезивање, у зависности од тога шта желите да групишете заједно.
- Груписање – Учење без надзора покушава да превазиђе овај изазов тражењем образаца у подацима. Ако постоји сличан кластер или група, алгоритам ће их категоризовати на одређени начин. Покушај категоризације клијената на основу претходне историје куповине је пример овога.
- Удружење – Учење без надзора покушава да се ухвати у коштац са овим изазовом покушавајући да схвати правила и значења у основи различитих група. Чест пример проблема повезивања је одређивање везе између куповина купаца. Продавнице могу бити заинтересоване да сазнају која су роба купљена заједно и могу да користе ове информације да организују позиционирање ових производа ради лакшег приступа.
Учење ојачања
Учење са појачањем је техника за подучавање модела машинског учења за доношење низа одлука оријентисаних ка циљу у интерактивном окружењу. Горе наведени случајеви употребе игара су одличне илустрације овога.
Не морате да уносите АлпхаЗеро хиљаде претходних шаховских партија, свака са означеним „добар“ или „лош“ потез. Једноставно га научите правилима игре и циљу, а затим га пустите да испроба насумичне радње.
Позитивно појачање се даје активностима које програм приближавају циљу (као што је развој солидне позиције пешака). Када дела имају супротан ефекат (као што је прерано смењивање краља), они зарађују негативно појачање.
Софтвер на крају може савладати игру користећи овај метод.
Ојачавање учења се широко користи у роботици за подучавање робота за компликоване и тешке за инжењеринг радње. Понекад се користи заједно са инфраструктуром путева, као што је саобраћајна сигнализација, за побољшање протока саобраћаја.
Шта се може урадити са машинским учењем?
Употреба машинског учења у друштву и индустрији резултира напретком у широком спектру људских подухвата.
У нашем свакодневном животу, машинско учење сада контролише Гоогле-ове алгоритме за претрагу и слике, омогућавајући нам да будемо прецизније упарени са информацијама које су нам потребне када су нам потребне.
У медицини, на пример, машинско учење се примењује на генетске податке како би помогло лекарима да разумеју и предвиде како се рак шири, што омогућава развој ефикаснијих терапија.
Подаци из дубоког свемира се прикупљају овде на Земљи путем масивних радио-телескопа – и након анализе помоћу машинског учења, помажу нам да откријемо мистерије црних рупа.
Машинско учење у малопродаји повезује купце са стварима које желе да купе на мрежи, а такође помаже запосленима у продавницама да прилагоде услугу коју пружају својим клијентима у обичном свету.
Машинско учење се користи у борби против терора и екстремизма да се предвиди понашање оних који желе да повреде невине.
Обрада природног језика (НЛП) се односи на процес омогућавања рачунарима да разумеју и комуницирају са нама на људском језику путем машинског учења, а резултирало је открићем у технологији превођења, као и уређајима контролисаним гласом које све више користимо сваки дан, као нпр. Алека, Гоогле тачка, Сири и Гоогле асистент.
Без сумње, машинско учење показује да је то трансформациона технологија.
Роботи који су способни да раде заједно са нама и да својом беспрекорном логиком и надљудском брзином подстичу сопствену оригиналност и машту више нису фантастика научне фантастике – они постају стварност у многим секторима.
Случајеви употребе машинског учења
1. Циберсецурити
Како су мреже постајале све компликованије, стручњаци за сајбер безбедност су неуморно радили на прилагођавању све већем опсегу безбедносних претњи.
Супротстављање брзом развоју малвера и тактика хаковања је довољно изазовно, али је пролиферација уређаја Интернета ствари (ИоТ) фундаментално трансформисала окружење сајбер безбедности.
Напади се могу десити у било ком тренутку и на било ком месту.
Срећом, алгоритми машинског учења су омогућили операцијама сајбер безбедности да буду у корак са овим брзим развојем.
Предиктивна аналитика омогућавају брже откривање и ублажавање напада, док машинско учење може анализирати вашу активност унутар мреже како би открило абнормалности и слабости у постојећим сигурносним механизмима.
2. Аутоматизација корисничког сервиса
Управљање све већим бројем онлајн контаката са клијентима је оптеретило многе организације.
Они једноставно немају довољно особља за корисничку подршку да би одговорили на обим упита које примају и традиционални приступ спољних послова Контакт центар је просто неприхватљиво за многе данашње клијенте.
Чет-ботови и други аутоматизовани системи сада могу да одговоре на ове захтеве захваљујући напретку у техникама машинског учења. Компаније могу да ослободе особље за предузимање више подршке за кориснике на високом нивоу аутоматизацијом свакодневних активности ниског приоритета.
Када се правилно користи, машинско учење у пословању може помоћи да се поједностави решавање проблема и пружи потрошачима врсту корисне подршке која их претвара да постану посвећени шампиони бренда.
КСНУМКС. Комуникација
Избегавање грешака и заблуда је кључно у било којој врсти комуникације, али више у данашњој пословној комуникацији.
Једноставне граматичке грешке, нетачан тон или погрешни преводи могу изазвати низ потешкоћа у контакту путем е-поште, проценама купаца, видео конференције, или документацију засновану на тексту у многим облицима.
Системи за машинско учење су унапредили комуникацију далеко од Мицрософт-овог Цлиппи-јевог опојног дана.
Ови примери машинског учења помогли су појединцима да комуницирају једноставно и прецизно коришћењем обраде природног језика, превођења језика у реалном времену и препознавања говора.
Иако многи појединци не воле могућности аутоматског исправљања, они такође цене заштиту од срамотних грешака и неприкладног тона.
4. Препознавање објеката
Иако технологија за прикупљање и тумачење података постоји већ неко време, показало се да је учење рачунарских система да разумеју шта гледају прилично тежак задатак.
Могућности препознавања објеката се додају све већем броју уређаја због апликација за машинско учење.
Аутомобил који се самостално вози, на пример, препознаје други аутомобил када га види, чак и ако му програмери нису дали тачан пример тог аутомобила за референцу.
Ова технологија се сада користи у малопродајним предузећима како би се убрзао процес плаћања. Камере идентификују производе у колицима потрошача и могу аутоматски да наплате њихове рачуне када напусте продавницу.
5. Дигитални маркетинг
Већи део данашњег маркетинга се обавља онлајн, користећи низ дигиталних платформи и софтверских програма.
Док предузећа прикупљају информације о својим потрошачима и њиховом куповном понашању, маркетиншки тимови могу да користе те информације како би изградили детаљну слику своје циљне публике и открили који људи су склонији да траже њихове производе и услуге.
Алгоритми машинског учења помажу трговцима да схвате све те податке, откривајући значајне обрасце и атрибуте који им омогућавају да уско категоризују могућности.
Иста технологија омогућава велику аутоматизацију дигиталног маркетинга. Огласни системи се могу поставити тако да динамично откривају нове потенцијалне потрошаче и да им обезбеде релевантан маркетиншки садржај у право време и на одговарајућем месту.
Будућност машинског учења
Машинско учење свакако добија на популарности јер све више предузећа и огромних организација користе технологију за решавање специфичних изазова или подстицање иновација.
Ово континуирано улагање показује разумевање да машинско учење производи РОИ, посебно кроз неке од горе наведених утврђених и поновљивих случајева употребе.
На крају крајева, ако је технологија довољно добра за Нетфлик, Фацебоок, Амазон, Гоогле Мапс и тако даље, велике су шансе да може помоћи и вашој компанији да максимално искористи своје податке.
Као ново Машина учење када се модели развијају и лансирају, бићемо сведоци повећања броја апликација које ће се користити у различитим индустријама.
Ово се већ дешава са препознавање лица, која је некада била нова функција на вашем иПхоне-у, али се сада имплементира у широк спектар програма и апликација, посебно оних који се односе на јавну безбедност.
Кључ за већину организација које покушавају да започну са машинским учењем је да погледају мимо светлих футуристичких визија и открију праве пословне изазове у којима вам технологија може помоћи.
Zakljucak
У постиндустријализованом добу, научници и професионалци покушавају да створе компјутер који се понаша више као људи.
Машина за размишљање је најзначајнији допринос вештачке интелигенције човечанству; Феноменалан долазак ове самоходне машине је брзо променио корпоративне оперативне прописе.
Самовозећа возила, аутоматизовани помоћници, запослени у аутономној производњи и паметни градови у последње време су показали одрживост паметних машина. Револуција машинског учења и будућност машинског учења ће бити са нама још дуго.
Ostavite komentar