Daptar eusi[Sumputkeun][Témbongkeun]
Urang ayeuna bisa ngitung expanse spasi jeung intricacies menit partikel subatomik berkat komputer.
Komputer ngéléhkeun manusa lamun datang ka cacah jeung ngitung, kitu ogé nuturkeun logis enya / henteu prosés, berkat éléktron iinditan dina laju cahaya via circuitry na.
Sanajan kitu, urang teu mindeng ningali aranjeunna salaku "cerdas" saprak jaman baheula, komputer teu bisa ngalakukeun nanaon tanpa diajar (diprogram) ku manusa.
Pembelajaran mesin, kalebet diajar jero sareng kacerdasan buatan, geus jadi buzzword dina headline ilmiah jeung téhnologi.
Pembelajaran mesin sigana aya di mana-mana, tapi seueur jalma anu ngagunakeun kecap éta bakal bajoang pikeun ngartikeun naon éta, naon anu dilakukeun, sareng naon anu paling hadé dianggo.
Artikel ieu narékahan pikeun netelakeun pembelajaran mesin bari ogé nyadiakeun conto beton, nyata-dunya kumaha téhnologi jalan pikeun ngagambarkeun naha éta jadi mangpaat.
Teras, urang bakal ningali rupa-rupa metodologi pembelajaran mesin sareng ningali kumaha aranjeunna dianggo pikeun ngatasi tantangan bisnis.
Tungtungna, urang bakal konsultasi bola kristal kami pikeun sababaraha prediksi gancang ngeunaan masa depan pembelajaran mesin.
Naon Ari Pembelajaran Mesin?
Pembelajaran mesin mangrupikeun disiplin élmu komputer anu ngamungkinkeun komputer pikeun nyimpulkeun pola tina data tanpa diajarkeun sacara eksplisit naon pola éta.
Kacindekan ieu sering didasarkeun kana ngagunakeun algoritma pikeun otomatis meunteun fitur statistik data sareng ngembangkeun model matematika pikeun ngagambarkeun hubungan antara rupa-rupa nilai.
Kontras ieu kalawan komputasi klasik, nu dumasar kana sistem deterministik, nu urang eksplisit masihan komputer susunan aturan pikeun nuturkeun pikeun ngalakukeun hiji tugas tangtu.
Cara program komputer ieu katelah pemrograman dumasar aturan. Mesin learning béda jeung outperforms programming dumasar aturan sabab bisa deduce aturan ieu sorangan.
Anggap anjeun manajer bank anu hoyong nangtukeun upami aplikasi injeuman bakal gagal dina injeumanna.
Dina metode dumasar aturan, manajer bank (atanapi spesialis anu sanés) bakal ngawartosan komputer yén upami skor kiridit ngalamar sahandapeun tingkat anu tangtu, aplikasina kedah ditolak.
Nanging, program pembelajaran mesin ngan saukur nganalisa data sateuacanna ngeunaan rating kiridit klien sareng hasil injeuman sareng nangtukeun naon ambang ieu nyalira.
Mesin diajar tina data saméméhna sareng nyiptakeun aturan sorangan ku cara ieu. Tangtu, ieu ngan hiji Primer on machine learning; model pembelajaran mesin dunya nyata nyata leuwih pajeulit batan bangbarung dasar.
Mangkaning, éta mangrupikeun demonstrasi anu saé ngeunaan poténsi pembelajaran mesin.
Kumaha carana a mesin diajar?
Pikeun ngajaga hal basajan, mesin "diajar" ku ngadeteksi pola dina data comparable. Anggap data janten inpormasi anu anjeun kumpulkeun ti dunya luar. Beuki data mesin anu fed, nu "pinter" janten.
Nanging, henteu sadayana data sami. Anggap anjeun bajak laut sareng tujuan hirup pikeun mendakan kakayaan anu dikubur di Pulo Jawa. Anjeun bakal hoyong jumlah anu ageung pangaweruh pikeun milarian hadiah.
Pangaweruh ieu, sapertos data, tiasa nyandak anjeun ku cara anu leres atanapi salah.
Beuki gede informasi/data nu kaala, kurang ambiguitasna, jeung sabalikna. Hasilna, penting pikeun mertimbangkeun jinis data anu anjeun tuangkeun kana mesin anjeun pikeun diajar.
Nanging, saatos jumlah data anu ageung disayogikeun, komputer tiasa ngadamel prediksi. Mesin tiasa ngantisipasi masa depan salami teu nyimpang tina jaman baheula.
Mesin "diajar" ku nganalisis data sajarah pikeun nangtukeun naon kamungkinan kajadian.
Lamun data heubeul nyarupaan data anyar, mangka hal anjeun bisa nyebutkeun ngeunaan data saméméhna kamungkinan dilarapkeun ka data anyar. Saolah-olah anjeun ningali ka tukang pikeun ningali ka hareup.
Naon jinis pembelajaran mesin?
Algoritma pikeun pembelajaran mesin sering digolongkeun kana tilu jinis anu lega (sanaos skéma klasifikasi sanésna ogé dianggo):
- Diajar diawasi
- Diajar anu teu diawasan
- Diajar tulangan
Diajar diawasi
Pembelajaran mesin anu diawaskeun nujul kana téknik dimana modél pembelajaran mesin dibéré kumpulan data kalayan labél eksplisit pikeun kuantitas anu dipikaresep (kuantitas ieu sering disebut salaku réspon atanapi udagan).
Pikeun ngalatih modél AI, pangajaran semi-diawasan ngagunakeun campuran data anu dilabélan sareng henteu dilabélan.
Upami anjeun damel sareng data anu henteu dilabélan, anjeun kedah ngalaksanakeun sababaraha panyiri data.
Labeling mangrupikeun prosés labél sampel pikeun ngabantosan latihan mesin learning modél. Labeling utamina dilakukeun ku jalma, anu tiasa mahal sareng nyéépkeun waktos. Nanging, aya téknik pikeun ngajadikeun otomatis prosés panyiri.
Kaayaan aplikasi pinjaman anu urang bahas sateuacanna mangrupikeun ilustrasi anu saé pikeun diajar anu diawasi. Kami ngagaduhan data sajarah ngeunaan rating kiridit urut pelamar pinjaman (sareng panginten tingkat panghasilan, umur, sareng saterasna) ogé labél khusus anu nyarioskeun ka urang naha, atanapi henteu jalma anu ditaroskeun injeumanna.
Regresi sareng klasifikasi mangrupikeun dua subset tina téknik diajar anu diawasan.
- carana ngumpulan - Éta ngagunakeun algoritma pikeun ngagolongkeun data kalayan leres. Saringan spam mangrupikeun conto. "Spam" tiasa janten kategori subjektif-garis antara spam sareng komunikasi non-spam kabur-sareng algoritma filter spam terus nyaring sorangan gumantung kana eupan balik anjeun (hartina email anu ditandaan ku manusa salaku spam).
- regression - Ieu mantuan dina pamahaman sambungan antara variabel gumantung jeung bebas. Modél régrési tiasa ngaramalkeun nilai numerik dumasar kana sababaraha sumber data, sapertos perkiraan pendapatan penjualan pikeun perusahaan anu tangtu. Régrési liniér, régrési logistik, sareng régrési polinomial nyaéta sababaraha téknik régrési anu kasohor.
Diajar anu teu diawasan
Dina pangajaran anu teu diawaskeun, urang dipasihan data anu teu dilabélan sareng ngan ukur milarian pola. Hayu urang pura-pura anjeun Amazon. Naha urang tiasa mendakan klaster (grup konsumen anu sami) dumasar kana sajarah pameseran klien?
Sanaos urang henteu gaduh data anu jelas sareng konklusif ngeunaan karesep hiji jalma, dina hal ieu, ngan ukur terang yén sakumpulan konsumen anu mésér barang anu sebanding ngamungkinkeun urang pikeun ngagaleuh saran dumasar kana anu dibeli ku jalma sanés dina kluster.
Carousel "anjeun ogé tiasa resep" Amazon didamel ku téknologi anu sami.
Pangajaran anu teu diawasi tiasa ngagolongkeun data ngalangkungan kluster atanapi asosiasi, gumantung kana naon anu anjeun hoyong kumpulkeun.
- Klastering - Pembelajaran anu teu diawaskeun nyobian ngatasi tantangan ieu ku cara milarian pola dina data. Upami aya klaster atanapi grup anu sami, algoritma bakal ngagolongkeun aranjeunna dina cara anu tangtu. Nyobian ngagolongkeun klien dumasar kana sajarah purchasing saméméhna mangrupa conto ieu.
- perkumpulan - Pangajaran anu teu diawaskeun nyobian ngarengsekeun tantangan ieu ku nyobian ngartos aturan sareng hartos anu aya dina sababaraha kelompok. Hiji conto sering tina masalah pakaitna nangtukeun tumbu antara purchases customer. Toko tiasa kabetot pikeun terang naon barang anu dibeli babarengan sareng tiasa nganggo inpormasi ieu pikeun ngatur posisi produk ieu pikeun aksés gampang.
Pembuatan Penguatan
Pangajaran penguatan mangrupikeun téknik pikeun ngajarkeun modél pembelajaran mesin pikeun ngadamel séri kaputusan anu berorientasi tujuan dina setting interaktif. Kasus pamakean kaulinan anu disebatkeun di luhur mangrupikeun ilustrasi anu saé pikeun ieu.
Anjeun teu kudu input AlphaZero rébuan kaulinan catur saméméhna, unggal kalawan "alus" atawa "goréng" move dilabélan. Kantun ngajarkeun aturan kaulinan sareng tujuanana, teras cobian tindakan acak.
Penguatan positip dipasihan ka kagiatan anu nyandak program langkung caket kana tujuan (sapertos ngembangkeun posisi pion anu padet). Nalika tindakan ngagaduhan pangaruh anu sabalikna (sapertos ngagentos raja sateuacanna), aranjeunna nampi tulangan négatip.
software nu pamustunganana bisa ngawasaan kaulinan ngagunakeun métode ieu.
Diajar tulangan loba dipaké dina robotics pikeun ngajarkeun robot pikeun lampah pajeulit jeung hésé-ka-insinyur. Kadang-kadang dianggo babarengan sareng infrastruktur jalan, sapertos sinyal lalu lintas, pikeun ningkatkeun aliran lalu lintas.
Naon anu tiasa dilakukeun sareng diajar mesin?
Pamakéan pembelajaran mesin di masarakat sareng industri nyababkeun kamajuan dina rupa-rupa usaha manusa.
Dina kahirupan sapopoe urang, machine learning ayeuna ngadalikeun algoritma pilarian sarta gambar Google, sahingga urang bisa leuwih akurat cocog jeung informasi urang butuh lamun urang butuh eta.
Dina ubar, contona, pembelajaran mesin keur dilarapkeun kana data genetik pikeun mantuan dokter ngartos tur ngaduga kumaha kanker nyebar, sahingga pikeun ngembangkeun terapi leuwih éféktif.
Data ti angkasa jero keur dikumpulkeun di dieu di Bumi ngaliwatan teleskop radio masif - sarta sanggeus dianalisis kalawan learning mesin, éta mantuan kami unravel misteri liang hideung.
Pembelajaran mesin dina ritel ngahubungkeun pembeli sareng hal-hal anu aranjeunna hoyong mésér sacara online, sareng ogé ngabantosan karyawan toko pikeun nyaluyukeun jasa anu aranjeunna nyayogikeun ka klienna di dunya bata-na-mortir.
Pembelajaran mesin dianggo dina perang ngalawan teror sareng ekstremisme pikeun ngantisipasi paripolah jalma-jalma anu hoyong nganyenyeri anu polos.
Ngolah basa alami (NLP) ngarujuk kana prosés ngamungkinkeun komputer ngartos sareng komunikasi sareng urang dina basa manusa ngaliwatan pembelajaran mesin, sareng éta nyababkeun terobosan dina téknologi tarjamahan ogé alat anu dikontrol sora anu urang dianggo unggal dinten, sapertos Alexa, Google dot, Siri, sareng asisten Google.
Tanpa patarosan, pembelajaran mesin nunjukkeun yén éta mangrupikeun téknologi transformasi.
Robot-robot anu tiasa damel sareng urang sareng naekeun orisinalitas sareng imajinasi urang sorangan kalayan logika anu teu lepat sareng kecepatan superhuman henteu deui implengan fiksi ilmiah - aranjeunna janten kanyataan dina seueur séktor.
Kasus pamakéan Machine Learning
1. Kaamanan Siber
Kusabab jaringan parantos langkung rumit, spesialis cybersecurity parantos nyambut damel pikeun adaptasi sareng ancaman kaamanan anu terus-terusan.
Ngalawan malware anu ngembang pesat sareng taktik hacking cukup nangtang, tapi panyebaran alat Internet of Things (IoT) dasarna parantos ngarobih lingkungan cybersecurity.
Serangan tiasa lumangsung iraha waé sareng dimana waé.
Untungna, algoritma pembelajaran mesin parantos ngaktifkeun operasi cybersecurity pikeun nuturkeun kamajuan anu gancang ieu.
Analytics ramalan Aktipkeun deteksi sareng mitigasi serangan anu langkung gancang, sedengkeun pembelajaran mesin tiasa nganalisis kagiatan anjeun di jero jaringan pikeun ngadeteksi abnormalitas sareng kalemahan dina mékanisme kaamanan anu tos aya.
2. Automation sahiji layanan palanggan
Ngatur paningkatan jumlah kontak klien online parantos nyéépkeun organisasi.
Éta ngan saukur teu boga cukup tanaga layanan palanggan pikeun nanganan volume inquiries aranjeunna nampi, sarta pendekatan tradisional outsourcing isu ka a kontak puseur ngan teu bisa ditarima keur loba klien kiwari.
Chatbots sareng sistem otomatis anu sanés ayeuna tiasa nyayogikeun tungtutan ieu berkat kamajuan dina téknik pembelajaran mesin. Pausahaan tiasa ngosongkeun tanaga pikeun ngalaksanakeun langkung seueur dukungan palanggan tingkat luhur ku cara ngajadikeun otomatis kagiatan duniawi sareng prioritas rendah.
Nalika dianggo leres, diajar mesin dina bisnis tiasa ngabantosan pikeun nyéépkeun résolusi masalah sareng masihan para konsumen jinis dukungan anu ngabantosan aranjeunna janten juara merek anu komitmen.
3. Komunikasi
Ngahindarkeun kasalahan sareng misconceptions penting pisan dina sagala jinis komunikasi, tapi langkung seueur dina komunikasi bisnis ayeuna.
Kasalahan gramatikal basajan, nada anu salah, atanapi tarjamahan anu salah tiasa nyababkeun sababaraha kasusah dina kontak email, evaluasi palanggan, video konperénsi, atawa dokuméntasi dumasar-téks dina sababaraha bentuk.
Sistem pembelajaran mesin gaduh komunikasi anu langkung maju saluareun dinten-dinten sirah Microsoft Clippy.
Conto pembelajaran mesin ieu parantos ngabantosan individu komunikasi sacara sederhana sareng tepat ku cara ngolah basa alami, tarjamahan basa sacara real-time, sareng pangakuan ucapan.
Sanaos seueur jalma henteu resep kamampuan koréksi otomatis, aranjeunna ogé ngahargaan kajagaan tina kasalahan anu ngerakeun sareng nada anu teu leres.
4. Pangakuan objék
Nalika téknologi pikeun ngumpulkeun sareng napsirkeun data parantos lami-lami, ngajar sistem komputer pikeun ngartos naon anu ditingali ku aranjeunna parantos kabuktosan janten tugas anu sesah.
Kamampuhan pangenal obyék ditambah kana jumlah alat anu ningkat kusabab aplikasi pembelajaran mesin.
Hiji mobil timer nyetir, contona, ngakuan mobil sejen lamun eta nilik hiji, sanajan programer teu masihan eta conto pasti tina mobil nu dipaké salaku rujukan.
Téknologi ieu ayeuna dianggo dina usaha ritel pikeun ngabantosan nyepetkeun prosés pamariksaan. Kaméra ngaidentipikasi produk dina karanjang konsumen sareng tiasa otomatis nagih akunna nalika aranjeunna kaluar tina toko.
5. Pamasaran Digital
Seueur pamasaran ayeuna dilakukeun sacara online, nganggo sajumlah platform digital sareng program parangkat lunak.
Nalika usaha ngumpulkeun inpormasi ngeunaan konsuménna sareng paripolah pameseranna, tim pamasaran tiasa ngagunakeun inpormasi éta pikeun ngawangun gambaran detil ngeunaan pamiarsa targétna sareng mendakan jalma mana anu langkung condong milarian produk sareng jasana.
Algoritma pembelajaran mesin ngabantosan para pemasar pikeun ngartos sadaya data éta, mendakan pola sareng atribut anu penting anu ngamungkinkeun aranjeunna ngagolongkeun kamungkinan.
Téknologi anu sami ngamungkinkeun automation pamasaran digital ageung. Sistem iklan tiasa disetél pikeun mendakan calon konsumén anyar sacara dinamis sareng nyayogikeun eusi pamasaran anu relevan pikeun aranjeunna dina waktos sareng tempat anu ditangtoskeun.
Masa Depan Pembelajaran Mesin
Pembelajaran mesin pasti janten popularitas sabab langkung seueur usaha sareng organisasi ageung ngagunakeun téknologi pikeun ngatasi tantangan khusus atanapi inovasi bahan bakar.
Investasi anu terus-terusan ieu nunjukkeun pamahaman yén pembelajaran mesin ngahasilkeun ROI, khususna ngaliwatan sababaraha kasus pamakean anu didadarkeun di luhur sareng tiasa diulang.
Barina ogé, lamun téhnologi nu geus cukup alus pikeun Netflix, Facebook, Amazon, Google Maps, jeung saterusna, Chances aya bisa mantuan parusahaan anjeun nyieun kalolobaan data na ogé.
Salaku anyar learning mesin model anu dimekarkeun sarta dibuka, urang bakal saksi paningkatan dina jumlah aplikasi anu bakal dipaké di sakuliah industri.
Ieu geus lumangsung kalawan pangakuan raray, nu kungsi jadi pungsi anyar dina iPhone Anjeun tapi ayeuna keur dilaksanakeun kana rupa-rupa program jeung aplikasi, utamana nu patali jeung kaamanan umum.
Konci pikeun sabagéan ageung organisasi anu nyobian ngamimitian diajar mesin nyaéta ningali katukang visi futuristik anu terang sareng mendakan tantangan bisnis nyata anu téknologi tiasa ngabantosan anjeun.
kacindekan
Dina jaman pasca-industrialisasi, para ilmuwan sareng profésional parantos nyobian nyiptakeun komputer anu kalakuanana langkung mirip manusa.
Mesin pamikiran mangrupikeun kontribusi AI anu paling penting pikeun umat manusa; datangna fenomenal tina mesin timer propelled ieu gancang robah peraturan operasi perusahaan.
Kandaraan nyetir mandiri, asisten otomatis, karyawan manufaktur otonom, sareng kota pinter akhir-akhir ieu nunjukkeun kamampuan mesin pinter. Revolusi pembelajaran mesin, sareng masa depan pembelajaran mesin, bakal aya sareng urang salami lami.
Leave a Reply