Talaan ng nilalaman[Tago][Ipakita]
Maaari na nating kalkulahin ang lawak ng espasyo at ang mga minutong intricacies ng subatomic particle salamat sa mga computer.
Daig ng mga computer ang mga tao pagdating sa pagbibilang at pagkalkula, gayundin ang pagsunod sa lohikal na proseso ng oo/hindi, salamat sa mga electron na naglalakbay sa bilis ng liwanag sa pamamagitan ng circuitry nito.
Gayunpaman, hindi natin madalas na nakikita ang mga ito bilang "matalino" dahil, sa nakaraan, ang mga computer ay hindi maaaring gumanap ng anuman nang hindi tinuturuan (na-program) ng mga tao.
Machine learning, kabilang ang deep learning at artificial intelligence, ay naging isang buzzword sa pang-agham at teknolohiya na mga headline.
Mukhang nasa lahat ng dako ang machine learning, ngunit maraming tao na gumagamit ng salita ang nahihirapang tukuyin nang sapat kung ano ito, kung ano ang ginagawa nito, at kung para saan ito pinakamahusay na ginagamit.
Ang artikulong ito ay naglalayong linawin ang machine learning habang nagbibigay din ng mga konkreto, totoong-mundo na mga halimbawa ng kung paano gumagana ang teknolohiya upang ilarawan kung bakit ito kapaki-pakinabang.
Pagkatapos, titingnan natin ang iba't ibang mga pamamaraan sa pag-aaral ng machine at tingnan kung paano ginagamit ang mga ito upang tugunan ang mga hamon sa negosyo.
Panghuli, sasangguni kami sa aming bolang kristal para sa ilang mabilis na hula tungkol sa hinaharap ng machine learning.
Ano ang Learning ng Machine?
Ang machine learning ay isang disiplina ng computer science na nagbibigay-daan sa mga computer na maghinuha ng mga pattern mula sa data nang hindi tahasang itinuro kung ano ang mga pattern na iyon.
Ang mga konklusyong ito ay madalas na nakabatay sa paggamit ng mga algorithm upang awtomatikong masuri ang mga tampok na istatistika ng data at pagbuo ng mga modelo ng matematika upang ilarawan ang kaugnayan sa pagitan ng iba't ibang mga halaga.
Ihambing ito sa classical na computing, na nakabatay sa mga deterministikong sistema, kung saan tahasan naming binibigyan ang computer ng isang hanay ng mga panuntunan na dapat sundin para magawa nito ang isang partikular na gawain.
Ang ganitong paraan ng programming ng mga computer ay kilala bilang rule-based programming. Naiiba ang machine learning at nahihigitan nito ang mga programming na nakabatay sa mga panuntunan dahil maaari nitong tukuyin ang mga panuntunang ito nang mag-isa.
Ipagpalagay na ikaw ay isang bank manager na gustong matukoy kung ang isang loan application ay mabibigo sa kanilang loan.
Sa isang pamamaraang nakabatay sa mga patakaran, ang tagapamahala ng bangko (o iba pang mga espesyalista) ay hayagang ipapaalam sa computer na kung ang marka ng kredito ng aplikante ay mas mababa sa isang tiyak na antas, ang aplikasyon ay dapat tanggihan.
Gayunpaman, susuriin lang ng isang machine learning program ang naunang data sa mga rating ng kredito ng kliyente at mga resulta ng pautang at tutukuyin kung ano dapat ang limitasyong ito nang mag-isa.
Natututo ang makina mula sa nakaraang data at gumagawa ng sarili nitong mga panuntunan sa ganitong paraan. Siyempre, ito ay panimulang aklat lamang sa pag-aaral ng makina; Ang mga modelo ng real-world na machine learning ay mas kumplikado kaysa sa isang pangunahing threshold.
Gayunpaman, ito ay isang mahusay na pagpapakita ng potensyal ng machine learning.
Paano ang a makina matuto?
Upang mapanatiling simple ang mga bagay, "natututo" ang mga makina sa pamamagitan ng pag-detect ng mga pattern sa maihahambing na data. Isaalang-alang ang data bilang impormasyon na iyong nakukuha mula sa labas ng mundo. Kung mas maraming data ang pinapakain ng makina, nagiging "mas matalino" ito.
Gayunpaman, hindi lahat ng data ay pareho. Ipagpalagay na ikaw ay isang pirata na may layunin sa buhay na alisan ng takip ang mga nakabaon na kayamanan sa isla. Gusto mo ng malaking halaga ng kaalaman upang mahanap ang premyo.
Ang kaalamang ito, tulad ng data, ay maaaring magdadala sa iyo sa tama o maling paraan.
Kung mas malaki ang impormasyon/data na nakuha, mas mababa ang kalabuan, at kabaliktaran. Bilang resulta, mahalagang isaalang-alang ang uri ng data na pinapakain mo sa iyong makina para matuto.
Gayunpaman, kapag ang isang malaking dami ng data ay ibinigay, ang computer ay maaaring gumawa ng mga hula. Maaasahan ng mga makina ang hinaharap hangga't hindi ito lumilihis nang malaki sa nakaraan.
Ang mga makina ay "natututo" sa pamamagitan ng pagsusuri sa makasaysayang data upang matukoy kung ano ang malamang na mangyari.
Kung ang lumang data ay kahawig ng bagong data, ang mga bagay na maaari mong sabihin tungkol sa nakaraang data ay malamang na malalapat sa bagong data. Para kang lumilingon sa likod para makita ang pasulong.
Ano ang mga uri ng machine learning?
Ang mga algorithm para sa pag-aaral ng makina ay madalas na inuri sa tatlong malawak na uri (bagama't ginagamit din ang iba pang mga scheme ng pag-uuri):
- Pinagtutuunan ng pag-aaral
- Hindi napapanatili na pag-aaral
- Pag-aaral ng pagpapalakas
Pinagtutuunan ng pag-aaral
Ang pinangangasiwaang machine learning ay tumutukoy sa mga diskarte kung saan ang machine learning model ay binibigyan ng koleksyon ng data na may tahasang mga label para sa dami ng interes (ang dami na ito ay madalas na tinutukoy bilang tugon o target).
Para sanayin ang mga modelo ng AI, ang semi-supervised na pag-aaral ay gumagamit ng pinaghalong may label at walang label na data.
Kung nagtatrabaho ka sa walang label na data, kakailanganin mong magsagawa ng ilang pag-label ng data.
Ang pag-label ay ang proseso ng pag-label ng mga sample upang matulungan pagsasanay ng machine learning modelo. Pangunahing ginagawa ng mga tao ang pag-label, na maaaring magastos at nakakaubos ng oras. Gayunpaman, may mga diskarte upang i-automate ang proseso ng pag-label.
Ang sitwasyon ng aplikasyon ng pautang na tinalakay natin noon ay isang mahusay na paglalarawan ng pinangangasiwaang pag-aaral. Mayroon kaming makasaysayang data tungkol sa mga rating ng kredito ng mga dating aplikante ng pautang (at marahil mga antas ng kita, edad, at iba pa) pati na rin ang mga partikular na label na nagsasabi sa amin kung nag-default o hindi ang taong pinag-uusapan sa kanilang utang.
Ang regression at classification ay dalawang subset ng pinangangasiwaang mga diskarte sa pag-aaral.
- Pag-uuri - Gumagamit ito ng isang algorithm upang maikategorya ang data nang tama. Ang mga filter ng spam ay isang halimbawa. Ang "Spam" ay maaaring isang pansariling kategorya—ang linya sa pagitan ng spam at hindi spam na mga komunikasyon ay malabo—at ang algorithm ng filter ng spam ay patuloy na pinipino ang sarili nito depende sa iyong feedback (ibig sabihin, ang email na minarkahan ng mga tao bilang spam).
- Pagbabalik – Ito ay nakatutulong sa pag-unawa sa koneksyon sa pagitan ng umaasa at independiyenteng mga variable. Maaaring hulaan ng mga modelo ng regression ang mga numerical na halaga batay sa ilang pinagmumulan ng data, gaya ng mga pagtatantya ng kita sa mga benta para sa isang partikular na kumpanya. Ang linear regression, logistic regression, at polynomial regression ay ilang kilalang pamamaraan ng regression.
Hindi napapanatili na pag-aaral
Sa unsupervised learning, binibigyan kami ng walang label na data at naghahanap lang ng mga pattern. Magpanggap tayo na ikaw ay Amazon. Makakahanap ba tayo ng anumang mga kumpol (mga pangkat ng mga katulad na mamimili) batay sa kasaysayan ng pagbili ng kliyente?
Kahit na wala kaming tahasang, tiyak na data tungkol sa mga kagustuhan ng isang tao, sa pagkakataong ito, ang pag-alam lamang na ang isang partikular na hanay ng mga consumer ay bumibili ng mga maihahambing na produkto ay nagbibigay-daan sa amin na gumawa ng mga mungkahi sa pagbili batay sa kung ano ang binili din ng ibang mga indibidwal sa cluster.
Ang carousel na "maaaring interesado ka rin" ng Amazon ay pinapagana ng mga katulad na teknolohiya.
Ang hindi sinusubaybayang pag-aaral ay maaaring magpangkat ng data sa pamamagitan ng clustering o pag-uugnay, depende sa kung ano ang gusto mong pagsama-samahin.
- Clustering – Ang hindi sinusubaybayang pag-aaral ay sumusubok na malampasan ang hamon na ito sa pamamagitan ng paghahanap ng mga pattern sa data. Kung mayroong katulad na kumpol o grupo, ikategorya ng algorithm ang mga ito sa isang partikular na paraan. Ang pagsubok na ikategorya ang mga kliyente batay sa nakaraang kasaysayan ng pagbili ay isang halimbawa nito.
- Kaugnayan – Ang hindi pinangangasiwaang pag-aaral ay sumusubok na harapin ang hamon na ito sa pamamagitan ng pagsisikap na unawain ang mga tuntunin at kahulugan na pinagbabatayan ng iba't ibang grupo. Ang isang madalas na halimbawa ng problema sa pag-uugnay ay ang pagtukoy ng link sa pagitan ng mga pagbili ng customer. Maaaring maging interesado ang mga tindahan sa pag-alam kung anong mga kalakal ang binili nang magkasama at magagamit ang impormasyong ito upang ayusin ang pagpoposisyon ng mga produktong ito para sa madaling pag-access.
Pagpapatibay ng Pagkatuto
Ang reinforcement learning ay isang pamamaraan para sa pagtuturo ng mga modelo ng machine learning para makagawa ng serye ng mga desisyong nakatuon sa layunin sa isang interactive na setting. Ang mga kaso ng paggamit sa paglalaro na binanggit sa itaas ay mahusay na mga paglalarawan nito.
Hindi mo kailangang mag-input ng AlphaZero ng libu-libong nakaraang mga laro ng chess, bawat isa ay may label na "maganda" o "mahina". Ituro lang dito ang mga panuntunan ng laro at ang layunin, at pagkatapos ay hayaan itong subukan ang mga random na pagkilos.
Ang positibong pagpapalakas ay ibinibigay sa mga aktibidad na naglalapit sa programa sa layunin (tulad ng pagbuo ng isang matatag na posisyon ng pawn). Kapag ang mga gawa ay may kabaligtaran na epekto (tulad ng maagang paglilipat ng hari), nakakakuha sila ng negatibong reinforcement.
Ang software ay maaaring ganap na makabisado ang laro gamit ang paraang ito.
Pag-aaral ng pagpapalakas ay malawakang ginagamit sa robotics upang turuan ang mga robot para sa mga kumplikado at mahirap-engineer na aksyon. Minsan ito ay ginagamit kasabay ng imprastraktura ng daanan, tulad ng mga signal ng trapiko, upang mapabuti ang daloy ng trapiko.
Ano ang maaaring gawin sa machine learning?
Ang paggamit ng machine learning sa lipunan at industriya ay nagreresulta sa mga pagsulong sa malawak na hanay ng mga pagsisikap ng tao.
Sa aming pang-araw-araw na buhay, kontrolado na ngayon ng machine learning ang mga algorithm ng paghahanap at larawan ng Google, na nagbibigay-daan sa aming mas tumpak na maitugma sa impormasyong kailangan namin kapag kailangan namin ito.
Sa medisina, halimbawa, ang machine learning ay inilalapat sa genetic data upang matulungan ang mga doktor na maunawaan at mahulaan kung paano kumakalat ang cancer, na nagbibigay-daan sa pagbuo ng mas mabisang mga therapy.
Ang data mula sa malalim na kalawakan ay kinokolekta dito sa Earth sa pamamagitan ng napakalaking radio teleskopyo - at pagkatapos masuri gamit ang machine learning, tinutulungan tayo nitong malutas ang mga misteryo ng black hole.
Ang machine learning sa retail ay nag-uugnay sa mga mamimili sa mga bagay na gusto nilang bilhin online, at tinutulungan din ang mga empleyado ng tindahan na maiangkop ang serbisyong ibinibigay nila sa kanilang mga kliyente sa mundo ng brick-and-mortar.
Ginagamit ang machine learning sa paglaban sa terorismo at ekstremismo upang mahulaan ang pag-uugali ng mga gustong manakit ng mga inosente.
Ang natural na pagpoproseso ng wika (NLP) ay tumutukoy sa proseso ng pagpayag sa mga computer na maunawaan at makipag-usap sa amin sa wika ng tao sa pamamagitan ng machine learning, at nagresulta ito sa mga tagumpay sa teknolohiya ng pagsasalin pati na rin ang mga device na kinokontrol ng boses na patuloy naming ginagamit araw-araw, tulad ng Alexa, Google dot, Siri, at Google assistant.
Walang tanong, ipinapakita ng machine learning na isa itong teknolohiyang pagbabago.
Ang mga robot na may kakayahang magtrabaho kasama natin at palakasin ang sarili nating pagka-orihinal at imahinasyon gamit ang kanilang walang kamali-mali na lohika at superhuman na bilis ay hindi na isang science fiction na pantasya - nagiging realidad na sila sa maraming sektor.
Mga kaso ng paggamit ng Machine Learning
1. Cybersecurity
Habang nagiging mas kumplikado ang mga network, walang pagod na nagtrabaho ang mga espesyalista sa cybersecurity upang umangkop sa patuloy na lumalawak na hanay ng mga banta sa seguridad.
Ang pagsugpo sa mabilis na umuusbong na malware at mga taktika sa pag-hack ay sapat na mapaghamong, ngunit ang paglaganap ng mga Internet of Things (IoT) na mga device ay pangunahing nagbago sa kapaligiran ng cybersecurity.
Maaaring mangyari ang mga pag-atake sa anumang sandali at sa anumang lugar.
Sa kabutihang palad, ang mga algorithm sa pag-aaral ng machine ay nagbigay-daan sa mga operasyon ng cybersecurity na makasabay sa mga mabilis na pag-unlad na ito.
Mahuhulaan na analytics paganahin ang mas mabilis na pagtuklas at pagpapagaan ng mga pag-atake, habang ang machine learning ay maaaring suriin ang iyong aktibidad sa loob ng isang network upang makita ang mga abnormalidad at kahinaan sa mga umiiral nang mekanismo ng seguridad.
2. Automation ng customer service
Ang pamamahala ng dumaraming bilang ng mga online na contact ng kliyente ay naghirap sa maraming organisasyon.
Wala silang sapat na mga tauhan ng serbisyo sa customer upang mahawakan ang dami ng mga katanungan na kanilang natatanggap, at ang tradisyonal na diskarte ng mga isyu sa outsourcing sa isang contact center ay hindi katanggap-tanggap para sa marami sa mga kliyente ngayon.
Maaari na ngayong tugunan ng mga chatbot at iba pang mga automated system ang mga kahilingang ito salamat sa mga pagsulong sa mga diskarte sa machine learning. Maaaring palayain ng mga kumpanya ang mga tauhan upang magsagawa ng mas mataas na antas ng suporta sa customer sa pamamagitan ng pag-automate ng mga pangmundo at mababang priyoridad na aktibidad.
Kapag ginamit nang tama, makakatulong ang machine learning sa negosyo na i-streamline ang paglutas ng isyu at mabigyan ang mga consumer ng uri ng kapaki-pakinabang na suporta na magko-convert sa kanila na maging tapat na mga brand champion.
3. Pakikipag-usap
Ang pag-iwas sa mga pagkakamali at maling akala ay kritikal sa anumang uri ng komunikasyon, ngunit higit pa sa mga komunikasyon sa negosyo ngayon.
Ang mga simpleng pagkakamali sa gramatika, maling tono, o maling pagsasalin ay maaaring magdulot ng iba't ibang kahirapan sa pakikipag-ugnayan sa email, mga pagsusuri sa customer, video conferencing, o dokumentasyong nakabatay sa teksto sa maraming anyo.
Ang mga machine learning system ay may advanced na komunikasyon na higit pa sa nakakapagod na araw ng Microsoft Clippy.
Ang mga halimbawa ng machine learning na ito ay nakatulong sa mga indibidwal na makipag-usap nang simple at tumpak sa pamamagitan ng paggamit ng natural na pagpoproseso ng wika, real-time na pagsasalin ng wika, at speech recognition.
Bagama't hindi gusto ng maraming indibidwal ang mga kakayahan sa autocorrecting, pinahahalagahan din nila ang pagiging protektado mula sa mga nakakahiyang pagkakamali at hindi tamang tono.
4. Pagkilala sa Bagay
Bagama't ang teknolohiya para mangolekta at mag-interpret ng data ay matagal na, ang pagtuturo sa mga computer system na maunawaan kung ano ang kanilang tinitingnan ay napatunayang isang mapanlinlang na mahirap na gawain.
Ang mga kakayahan sa pagkilala ng bagay ay idinaragdag sa dumaraming bilang ng mga device dahil sa mga application ng machine learning.
Ang isang self-driving na sasakyan, halimbawa, ay nakikilala ang isa pang kotse kapag nakakita ito ng isa, kahit na hindi ito binigyan ng mga programmer ng eksaktong halimbawa ng kotseng iyon upang gamitin bilang sanggunian.
Ang teknolohiyang ito ay ginagamit na ngayon sa mga retail na negosyo upang makatulong na mapabilis ang proseso ng pag-checkout. Tinutukoy ng mga camera ang mga produkto sa mga cart ng mga mamimili at maaaring awtomatikong singilin ang kanilang mga account kapag umalis sila sa tindahan.
5. Digital Marketing
Karamihan sa marketing ngayon ay ginagawa online, gamit ang isang hanay ng mga digital platform at software program.
Habang nangongolekta ang mga negosyo ng impormasyon tungkol sa kanilang mga consumer at sa kanilang mga gawi sa pagbili, magagamit ng mga marketing team ang impormasyong iyon upang bumuo ng isang detalyadong larawan ng kanilang target na audience at matuklasan kung sinong mga tao ang mas gustong maghanap ng kanilang mga produkto at serbisyo.
Tinutulungan ng mga algorithm ng machine learning ang mga marketer na maunawaan ang lahat ng data na iyon, na tumuklas ng mahahalagang pattern at attribute na nagbibigay-daan sa kanilang mahigpit na pagkakategorya ng mga posibilidad.
Ang parehong teknolohiya ay nagbibigay-daan sa malaking digital marketing automation. Maaaring i-set up ang mga ad system upang dynamic na tumuklas ng mga bagong prospective na consumer at magbigay ng nauugnay na content sa marketing sa kanila sa tamang oras at lugar.
Kinabukasan ng Machine Learning
Tiyak na nagiging popular ang machine learning dahil mas maraming negosyo at malalaking organisasyon ang gumagamit ng teknolohiya para harapin ang mga partikular na hamon o fuel innovation.
Ang patuloy na pamumuhunan na ito ay nagpapakita ng pag-unawa na ang machine learning ay gumagawa ng ROI, lalo na sa pamamagitan ng ilan sa mga nabanggit sa itaas na naitatag at maaaring muling gawin na mga kaso ng paggamit.
Pagkatapos ng lahat, kung ang teknolohiya ay sapat na mabuti para sa Netflix, Facebook, Amazon, Google Maps, at iba pa, malamang na makakatulong ito sa iyong kumpanya na masulit ang data nito.
Bilang bago machine learning ang mga modelo ay binuo at inilunsad, masasaksihan natin ang pagtaas ng bilang ng mga application na gagamitin sa mga industriya.
Nangyayari na ito sa pagkilala sa mukha, na dating bagong function sa iyong iPhone ngunit ipinapatupad na ngayon sa isang malawak na hanay ng mga programa at application, partikular na ang mga nauugnay sa pampublikong seguridad.
Ang susi para sa karamihan ng mga organisasyong sumusubok na magsimula sa machine learning ay ang lampasan ang mga maliwanag na futuristic na pananaw at tuklasin ang mga tunay na hamon sa negosyo na matutulungan ka ng teknolohiya.
Konklusyon
Sa post-industrialized age, sinisikap ng mga siyentipiko at propesyonal na lumikha ng isang computer na kumikilos na mas katulad ng mga tao.
Ang makina ng pag-iisip ay ang pinaka makabuluhang kontribusyon ng AI sa sangkatauhan; ang kahanga-hangang pagdating ng self-propelled machine na ito ay mabilis na binago ang mga regulasyon sa pagpapatakbo ng kumpanya.
Ang mga self-driving na sasakyan, mga automated na katulong, mga autonomous na empleyado sa pagmamanupaktura, at mga matalinong lungsod ay nagpakita kamakailan ng posibilidad ng mga matalinong makina. Ang rebolusyon ng machine learning, at ang hinaharap ng machine learning, ay makakasama natin sa mahabang panahon.
Mag-iwan ng Sagot