Зміст[Сховати][Показати]
Тепер ми можемо обчислити простір і дрібні тонкощі субатомних частинок завдяки комп’ютерам.
Комп’ютери перевершують людей, коли справа доходить до підрахунку та обчислень, а також у дотриманні логічних процесів «так» і «ні», завдяки електронам, які рухаються зі швидкістю світла через його схему.
Однак ми не часто бачимо їх «розумними», оскільки в минулому комп’ютери не могли виконувати нічого, якщо їх не навчили (запрограмували) люди.
Машинне навчання, включаючи глибоке навчання та штучний інтелект, став модним словом у наукових і технологічних заголовках.
Машинне навчання здається повсюдним, але багатьом людям, які використовують це слово, буде важко дати адекватне визначення, що воно таке, що воно робить і для чого його найкраще використовувати.
Ця стаття має на меті прояснити машинне навчання, а також надати конкретні реальні приклади того, як ця технологія працює, щоб проілюструвати, чому вона така корисна.
Потім ми розглянемо різні методології машинного навчання та подивимося, як вони використовуються для вирішення бізнес-задач.
Нарешті, ми звернемося до нашої кришталевої кулі, щоб отримати швидкі прогнози щодо майбутнього машинного навчання.
Що таке машинне навчання?
Машинне навчання — це дисципліна інформатики, яка дозволяє комп’ютерам виводити закономірності з даних, не будучи чітко вказано, що це за закономірності.
Ці висновки часто ґрунтуються на використанні алгоритмів для автоматичної оцінки статистичних характеристик даних та розробці математичних моделей для зображення зв’язку між різними значеннями.
Порівняйте це з класичними обчисленнями, які засновані на детермінованих системах, в яких ми явно даємо комп’ютеру набір правил, яких слід дотримуватися, щоб він міг виконати певне завдання.
Цей спосіб програмування комп’ютерів відомий як програмування на основі правил. Машинне навчання відрізняється від програмування, заснованого на правилах, і перевершує його тим, що воно може виводити ці правила самостійно.
Припустимо, що ви менеджер банку, який хоче визначити, чи буде заявка на позику невдалою.
У методі, заснованому на правилах, менеджер банку (або інші спеціалісти) прямо інформує комп’ютер, що якщо кредитний рейтинг заявника нижче певного рівня, заявку слід відхилити.
Однак програма машинного навчання просто проаналізує попередні дані про кредитні рейтинги клієнтів і результати кредитів і сама визначить, яким має бути цей поріг.
Машина вчиться з попередніх даних і таким чином створює власні правила. Звісно, це лише підручник з машинного навчання; реальні моделі машинного навчання значно складніші, ніж базовий поріг.
Тим не менш, це чудова демонстрація потенціалу машинного навчання.
Як працює a машина вчитися?
Щоб все було просто, машини «вчаться», виявляючи закономірності в порівнянних даних. Вважайте дані інформацією, яку ви збираєте із зовнішнього світу. Чим більше даних подається машина, тим «розумнішою» вона стає.
Однак не всі дані однакові. Припустимо, що ви пірат, який має життєву мету — розкрити закопані багатства на острові. Вам знадобиться значний обсяг знань, щоб знайти приз.
Ці знання, як і дані, можуть привести вас у правильний або неправильний шлях.
Чим більше отриманої інформації/даних, тим менше неоднозначності, і навпаки. Тому дуже важливо враховувати тип даних, які ви надаєте своїй машині для навчання.
Однак, як тільки надається значна кількість даних, комп’ютер може робити прогнози. Машини можуть передбачати майбутнє, якщо воно не сильно відхиляється від минулого.
Машини «вчаться», аналізуючи історичні дані, щоб визначити, що може статися.
Якщо старі дані нагадують нові дані, то те, що ви можете сказати про попередні дані, швидше за все, буде застосовано до нових даних. Ніби ти дивишся назад, щоб дивитися вперед.
Які існують види машинного навчання?
Алгоритми машинного навчання часто поділяються на три великі типи (хоча також використовуються інші схеми класифікації):
- Контрольоване навчання
- Непідконтрольне навчання
- Підсилення навчання
Контрольоване навчання
Контрольоване машинне навчання відноситься до методів, у яких моделі машинного навчання надається набір даних з явними мітками для кількості, що цікавить (цю кількість часто називають відповіддю або цільовою).
Для навчання моделей штучного інтелекту в напівконтрольному навчанні використовується поєднання позначених і немаркованих даних.
Якщо ви працюєте з даними без міток, вам знадобиться позначити дані.
Маркування - це процес маркування зразків для допомоги в навчання машинного навчання модель. Маркування в основному виконується людьми, що може бути дорогим і трудомістким. Однак існують способи автоматизації процесу маркування.
Ситуація із заявкою на позику, яку ми обговорювали раніше, є чудовою ілюстрацією навчання під наглядом. Ми мали історичні дані щодо кредитних рейтингів колишніх претендентів на позику (і, можливо, рівня доходу, віку тощо), а також конкретні мітки, які вказували на те, чи не виплатила ця особа кредит.
Регресія та класифікація — це дві підмножини методів навчання під керівництвом.
- Класифікація – Він використовує алгоритм для правильної категоризації даних. Одним із прикладів є фільтри спаму. «Спам» може бути суб’єктивною категорією — межа між спамом і повідомленнями, які не є спамом, розмита — і алгоритм фільтрації спаму постійно вдосконалюється залежно від вашого відгуку (мається на увазі електронні листи, які люди позначають як спам).
- Регресія – Це корисно для розуміння зв’язку між залежними та незалежними змінними. Регресійні моделі можуть прогнозувати числові значення на основі кількох джерел даних, таких як оцінки доходу від продажу певної компанії. Лінійна регресія, логістична регресія та поліноміальна регресія є деякими відомими методами регресії.
Непідконтрольне навчання
У навчанні без нагляду ми отримуємо дані без міток, і ми просто шукаємо закономірності. Уявімо, що ви амазонка. Чи можемо ми знайти якісь кластери (групи подібних споживачів) на основі історії покупок клієнта?
Навіть незважаючи на те, що ми не маємо явних, переконливих даних про переваги людини, у цьому випадку просто знання того, що певний набір споживачів купує подібні товари, дозволяє нам робити пропозиції щодо купівлі на основі того, що також купили інші особи в кластері.
Карусель Amazon «Ви також можете бути зацікавлені» працює на основі подібних технологій.
Навчання без нагляду може групувати дані за допомогою групування або асоціації, залежно від того, що ви хочете згрупувати разом.
- Кластеризація – Навчання без нагляду намагається подолати цю проблему шляхом пошуку закономірностей у даних. Якщо є подібний кластер або група, алгоритм категоризує їх певним чином. Спроба класифікувати клієнтів на основі попередньої історії покупок є прикладом цього.
- Асоціація – Навчання без нагляду намагається вирішити цю проблему, намагаючись зрозуміти правила та значення, що лежать в основі різних груп. Частим прикладом проблеми асоціації є визначення зв’язку між покупками клієнта. Магазини можуть бути зацікавлені в тому, щоб знати, які товари були придбані разом, і можуть використовувати цю інформацію, щоб організувати розташування цих продуктів для легкого доступу.
Навчання зміцненню
Навчання з підкріпленням – це техніка навчання моделям машинного навчання для прийняття ряду цілей-орієнтованих рішень в інтерактивній обстановці. Наведені вище варіанти використання в іграх є чудовими ілюстраціями цього.
Вам не потрібно вводити AlphaZero тисячі попередніх шахових партій, у кожній з яких є «хороший» або «поганий» хід. Просто навчіть його правилам гри та мети, а потім дозвольте йому спробувати випадкові дії.
Позитивне підкріплення отримують ті дії, які наближають програму до мети (наприклад, розвиток міцної позиції пішака). Коли дії мають протилежний ефект (наприклад, передчасне зміщення короля), вони отримують негативне підкріплення.
Програмне забезпечення може остаточно опанувати гру за допомогою цього методу.
Підсилення навчання широко використовується в робототехніці для навчання роботів складним і важким для інженера діям. Іноді його використовують у поєднанні з інфраструктурою проїжджої частини, як-от світлофорами, для покращення транспортного потоку.
Що можна зробити за допомогою машинного навчання?
Використання машинного навчання в суспільстві та промисловості призводить до прогресу в широкому спектрі людських зусиль.
У нашому повсякденному житті машинне навчання тепер контролює алгоритми пошуку та зображень Google, дозволяючи нам точніше зіставляти інформацію, яка нам потрібна, коли вона нам потрібна.
У медицині, наприклад, машинне навчання застосовується до генетичних даних, щоб допомогти лікарям зрозуміти та передбачити, як поширюється рак, що дозволяє розробляти більш ефективні методи лікування.
Дані з глибокого космосу збираються тут, на Землі, за допомогою масивних радіотелескопів, і після аналізу за допомогою машинного навчання вони допомагають нам розгадати таємниці чорних дір.
Машинне навчання в роздрібній торгівлі зв’язує покупців з речами, які вони хочуть купити в Інтернеті, а також допомагає працівникам магазинів адаптувати послуги, які вони надають своїм клієнтам у звичайному світі.
Машинне навчання використовується в боротьбі з терором і екстремізмом, щоб передбачити поведінку тих, хто хоче завдати болю невинним.
Обробка природної мови (NLP) відноситься до процесу, що дозволяє комп’ютерам розуміти і спілкуватися з нами людською мовою за допомогою машинного навчання, і це призвело до проривів у технології перекладу, а також до пристроїв, керованих голосом, які ми все частіше використовуємо щодня, наприклад Alexa, Google dot, Siri та помічник Google.
Без сумніву, машинне навчання демонструє, що це трансформаційна технологія.
Роботи, здатні працювати разом з нами та розвивати нашу власну оригінальність та уяву своєю бездоганною логікою та надлюдською швидкістю, більше не є науково-фантастичним фентезі – вони стають реальністю у багатьох секторах.
Варіанти використання машинного навчання
1. Кібербезпека
Оскільки мережі ускладнюються, фахівці з кібербезпеки невтомно працюють, щоб адаптуватися до постійно зростаючого діапазону загроз безпеці.
Протидія зловмисному програмному забезпеченню, що швидко розвивається, і тактика злому досить складна, але поширення пристроїв Інтернету речей (IoT) кардинально змінило середовище кібербезпеки.
Напади можуть виникнути в будь-який момент і в будь-якому місці.
На щастя, алгоритми машинного навчання дозволили операціям з кібербезпеки не відставати від цих швидких подій.
Прогностична аналітика дає змогу швидше виявляти та пом’якшувати атаки, а машинне навчання може аналізувати вашу активність у мережі, щоб виявити відхилення та слабкі місця в існуючих механізмах безпеки.
2. Автоматизація обслуговування клієнтів
Управління дедалі більшою кількістю онлайн-клієнтів напружило організацію.
Їм просто не вистачає персоналу з обслуговування клієнтів, щоб впоратися з обсягом запитів, які вони отримують, і традиційний підхід до аутсорсингу контакт-центр просто неприйнятно для багатьох сучасних клієнтів.
Зараз чат-боти та інші автоматизовані системи можуть задовольнити ці вимоги завдяки прогресу в техніках машинного навчання. Компанії можуть звільнити персонал для більш високого рівня підтримки клієнтів, автоматизуючи повсякденні та малопріоритетні дії.
При правильному використанні машинне навчання в бізнесі може допомогти спростити вирішення проблем і надати споживачам корисну підтримку, яка змусить їх стати відданими чемпіонами бренду.
3. Зв'язок
Уникати помилок і хибних уявлень має вирішальне значення в будь-якому типі спілкування, але особливо в сучасних ділових комунікаціях.
Прості граматичні помилки, неправильний тон або помилковий переклад можуть спричинити низку труднощів у контакті електронною поштою, оцінці клієнтів, відео-конференціяабо текстову документацію в багатьох формах.
Системи машинного навчання розвинули комунікацію далеко за межі бурхливих днів Microsoft Clippy.
Ці приклади машинного навчання допомогли людям просто і точно спілкуватися за допомогою обробки природної мови, перекладу мови в реальному часі та розпізнавання мовлення.
Хоча багатьом людям не подобаються можливості автокоригування, вони також цінують захист від незручних помилок і неправильного тону.
4. Розпізнавання об'єктів
Хоча технологія збору та інтерпретації даних існує вже деякий час, навчити комп’ютерні системи розуміти те, що вони дивляться, виявилося оманливо важким завданням.
Можливості розпізнавання об’єктів додаються до все більшої кількості пристроїв через програми машинного навчання.
Наприклад, самокерований автомобіль розпізнає інший автомобіль, коли бачить його, навіть якщо програмісти не надали йому точний приклад цього автомобіля, щоб використовувати його як еталон.
Ця технологія зараз використовується в роздрібних підприємствах, щоб прискорити процес оплати. Камери ідентифікують товари в кошиках споживачів і можуть автоматично виставляти рахунок їхнім рахункам, коли вони залишають магазин.
5. Цифровий маркетинг
Велика частина сьогоднішнього маркетингу здійснюється в Інтернеті, використовуючи низку цифрових платформ і програм.
Оскільки підприємства збирають інформацію про своїх споживачів та їх купівельну поведінку, маркетингові групи можуть використовувати цю інформацію, щоб побудувати детальну картину своєї цільової аудиторії та виявити, які люди більш схильні шукати їхні продукти та послуги.
Алгоритми машинного навчання допомагають маркетологам розуміти всі ці дані, виявляючи важливі закономірності та атрибути, які дозволяють їм чітко класифікувати можливості.
Ця ж технологія дозволяє автоматизувати велику цифрову маркетингову діяльність. Рекламні системи можуть бути налаштовані так, щоб динамічно знаходити нових потенційних споживачів і надавати їм відповідний маркетинговий контент у потрібний час і місце.
Майбутнє машинного навчання
Машинне навчання, безумовно, набирає популярності, оскільки все більше компаній і величезних організацій використовують цю технологію для вирішення конкретних проблем або підживлення інновацій.
Ці постійні інвестиції демонструють розуміння того, що машинне навчання дає рентабельність інвестицій, зокрема за допомогою деяких із вищезгаданих встановлених і відтворюваних випадків використання.
Зрештою, якщо ця технологія достатньо хороша для Netflix, Facebook, Amazon, Google Maps тощо, є ймовірність, що вона також допоможе вашій компанії максимально використовувати свої дані.
Як новий навчання за допомогою машини моделі розроблені та запущені, ми станемо свідками збільшення кількості програм, які використовуватимуться в різних галузях.
Це вже відбувається з розпізнавання обличчя, яка колись була новою функцією на вашому iPhone, але тепер впроваджується в широкий спектр програм і програм, зокрема тих, що стосуються громадської безпеки.
Для більшості організацій, які намагаються розпочати роботу з машинним навчанням, головне, щоб зазирнути в минуле яскраві футуристичні бачення та виявити реальні бізнес-проблеми, з якими ця технологія може допомогти вам.
Висновок
У постіндустріалізовану епоху вчені та професіонали намагалися створити комп’ютер, який веде себе більше як люди.
Мислення машина — це найважливіший внесок ШІ в людство; Феноменальна поява цієї самохідної машини швидко змінила корпоративні правила експлуатації.
Самокеровані транспортні засоби, автоматизовані помічники, працівники автономного виробництва та розумні міста останнім часом продемонстрували життєздатність розумних машин. Революція машинного навчання та майбутнє машинного навчання будуть з нами ще довго.
залишити коментар