Mundarija[Yashirish][Show]
Endi biz kompyuterlar tufayli fazoning kengligini va subatomik zarrachalarning eng kichik nozikliklarini hisoblashimiz mumkin.
Hisoblash va hisoblashda, shuningdek mantiqiy "ha/yo'q" jarayonlarini kuzatishda kompyuterlar elektronlar elektronlar orqali yorug'lik tezligida harakat qilishlari tufayli odamlarni mag'lub qiladi.
Biroq, biz ularni ko'pincha "aqlli" deb bilmaymiz, chunki o'tmishda kompyuterlar odamlar tomonidan o'rgatilmagan (dasturlashtirilmagan) hech narsani bajara olmas edi.
Mashinani o'rganish, shu jumladan chuqur o'rganish va sun'iy intellekt, ilmiy va texnologiya sarlavhalarida shov-shuvga aylangan.
Mashinani o'rganish hamma joyda mavjud bo'lib tuyuladi, ammo bu so'zni ishlatadigan ko'p odamlar uning nima ekanligini, nima qilishini va nima uchun eng yaxshi ishlatilishini aniqlash uchun kurashadilar.
Ushbu maqola mashinani o'rganishga aniqlik kiritishga intiladi, shu bilan birga texnologiya nima uchun bu qadar foydali ekanligini ko'rsatish uchun qanday ishlashiga aniq, real misollar keltiradi.
Keyin biz turli xil mashinalarni o'rganish metodologiyalarini ko'rib chiqamiz va ular biznes muammolarini hal qilishda qanday qo'llanilishini ko'rib chiqamiz.
Nihoyat, biz mashinani o'rganishning kelajagi haqida tezkor bashorat qilish uchun kristall sharimiz bilan maslahatlashamiz.
Mashinani o'rganish nima?
Mashinani o'rganish - bu kompyuter fanining intizomi bo'lib, u kompyuterlarga ushbu naqshlar nima ekanligini aniq o'rgatmasdan ma'lumotlardan naqshlarni chiqarishga imkon beradi.
Ushbu xulosalar ko'pincha ma'lumotlarning statistik xususiyatlarini avtomatik baholash uchun algoritmlardan foydalanishga va turli qiymatlar o'rtasidagi munosabatlarni tasvirlash uchun matematik modellarni ishlab chiqishga asoslanadi.
Buni deterministik tizimlarga asoslangan klassik hisoblash bilan taqqoslang, bunda biz kompyuterga ma'lum bir vazifani bajarishi uchun rioya qilish uchun aniq qoidalar to'plamini beramiz.
Kompyuterlarni dasturlashning bunday usuli qoidaga asoslangan dasturlash deb nomlanadi. Mashinani o'rganish qoidalarga asoslangan dasturlashdan farq qiladi va undan ustun turadi, chunki u bu qoidalarni o'z-o'zidan chiqarib tashlashi mumkin.
Tasavvur qiling, siz bank menejerisiz, u kredit arizasi ularning krediti bo'yicha muvaffaqiyatsiz bo'lishini aniqlashni xohlaydi.
Qoidalarga asoslangan usulda, bank menejeri (yoki boshqa mutaxassislar) agar ariza beruvchining kredit ballari ma'lum darajadan past bo'lsa, arizani rad etish kerakligi haqida kompyuterga aniq xabar beradi.
Biroq, mashinani o'rganish dasturi mijozning kredit reytinglari va kredit natijalari to'g'risidagi oldingi ma'lumotlarni tahlil qiladi va bu chegara qanday bo'lishi kerakligini aniqlaydi.
Mashina oldingi ma'lumotlardan o'rganadi va shu tarzda o'z qoidalarini yaratadi. Albatta, bu faqat mashinani o'rganish bo'yicha boshlang'ich; Haqiqiy dunyoda mashinani o'rganish modellari asosiy chegaraga qaraganda ancha murakkabroq.
Shunga qaramay, bu mashinani o'rganish imkoniyatlarining ajoyib namoyishi.
Qanday qilib a mashina o'rganish?
Ishlarni soddalashtirish uchun mashinalar taqqoslanadigan ma'lumotlardagi naqshlarni aniqlash orqali "o'rganadilar". Ma'lumotni tashqi dunyodan to'plagan ma'lumot deb hisoblang. Mashina qancha ko'p ma'lumot bilan ta'minlansa, u "aqlliroq" bo'ladi.
Biroq, barcha ma'lumotlar bir xil emas. Tasavvur qiling, siz oroldagi ko'milgan boyliklarni ochish uchun hayotiy maqsadli qaroqchisiz. Sovrinni topish uchun sizga katta miqdordagi bilim kerak bo'ladi.
Ushbu bilim, ma'lumotlar kabi, sizni to'g'ri yoki noto'g'ri yo'lga olib borishi mumkin.
Qanchalik ko'p ma'lumot/ma'lumotlar olinsa, shunchalik noaniqlik kamroq bo'ladi va aksincha. Natijada, o'rganish uchun mashinangizni oziqlantirgan ma'lumotlar turini hisobga olish juda muhimdir.
Biroq, katta miqdordagi ma'lumotlar taqdim etilgandan so'ng, kompyuter bashorat qilishi mumkin. Mashinalar o'tmishdan uzoqlashmasa, kelajakni oldindan ko'ra oladi.
Mashinalar nima bo'lishi mumkinligini aniqlash uchun tarixiy ma'lumotlarni tahlil qilish orqali "o'rganadi".
Agar eski ma'lumotlar yangi ma'lumotlarga o'xshasa, oldingi ma'lumotlar haqida aytishingiz mumkin bo'lgan narsalar yangi ma'lumotlarga nisbatan qo'llanilishi mumkin. Go'yo oldinga qarash uchun orqaga qaraysan.
Mashinani o'rganishning qanday turlari mavjud?
Mashinani o'rganish algoritmlari ko'pincha uchta keng turga bo'linadi (boshqa tasniflash sxemalari ham qo'llaniladi):
- Nazorat ostida o'qitish
- Nazorat qilinmagan o'rganish
- Mustahkamlashni o'rganish
Nazorat ostida o'qitish
Nazorat ostidagi mashinani o'rganish deganda mashinani o'rganish modeliga qiziqish miqdori uchun aniq yorliqlar bilan ma'lumotlar to'plami berilgan texnikani nazarda tutadi (bu miqdor ko'pincha javob yoki maqsad deb ataladi).
AI modellarini o'rgatish uchun yarim nazorat ostida o'rganish etiketli va yorliqsiz ma'lumotlarning aralashmasidan foydalanadi.
Agar siz etiketlanmagan ma'lumotlar bilan ishlayotgan bo'lsangiz, ba'zi ma'lumotlarni yorliqlashni amalga oshirishingiz kerak bo'ladi.
Yorliqlash - bu yordam berish uchun namunalarni markalash jarayoni mashinani o'rganishni o'rgatish model. Yorliqlash birinchi navbatda odamlar tomonidan amalga oshiriladi, bu qimmat va vaqt talab qilishi mumkin. Biroq, etiketkalash jarayonini avtomatlashtirish texnikasi mavjud.
Biz ilgari muhokama qilgan kredit arizasi holati nazorat ostida o'rganishning ajoyib namunasidir. Bizda sobiq kredit da'vogarlarining kredit reytinglari (balki daromad darajasi, yoshi va boshqalar) haqidagi tarixiy ma'lumotlar, shuningdek, ko'rib chiqilayotgan shaxs o'z kreditini to'lamaganmi yoki yo'qligi haqida bizga ma'lum belgilar mavjud edi.
Regressiya va tasniflash nazorat ostidagi ta'lim usullarining ikkita kichik to'plamidir.
- klassifikatsiya - Ma'lumotlarni to'g'ri tasniflash uchun algoritmdan foydalanadi. Spam filtrlari bunga misoldir. "Spam" sub'ektiv kategoriya bo'lishi mumkin - spam va spam bo'lmagan aloqalar o'rtasidagi chiziq xira - va spam filtri algoritmi sizning fikr-mulohazangizga qarab doimiy ravishda o'zini yaxshilaydi (odamlar spam deb belgilaydigan elektron pochtani anglatadi).
- Regressiya - Bu qaram va mustaqil o'zgaruvchilar o'rtasidagi bog'liqlikni tushunishda yordam beradi. Regressiya modellari bir nechta ma'lumotlar manbalariga asoslangan raqamli qiymatlarni prognoz qilishi mumkin, masalan, ma'lum bir kompaniyaning sotishdan tushgan daromadlari. Chiziqli regressiya, logistik regressiya va polinomli regressiya ba'zi mashhur regressiya usullaridir.
Nazorat qilinmagan o'rganish
Nazoratsiz o'rganishda bizga yorliqsiz ma'lumotlar beriladi va shunchaki naqshlarni qidiramiz. Tasavvur qilaylik, siz Amazon ekansiz. Mijozlarni xarid qilish tarixiga asoslangan har qanday klasterlarni (o'xshash iste'molchilar guruhlarini) topa olamizmi?
Garchi bizda shaxsning xohish-istaklari haqida aniq va ishonchli maʼlumotlarga ega boʻlmasak ham, bu holatda, isteʼmolchilarning maʼlum bir toʻplami oʻxshash tovarlarni xarid qilishini bilish bizga klasterdagi boshqa shaxslar ham sotib olgan narsalarga asoslanib, xarid qilish boʻyicha takliflar kiritish imkonini beradi.
Amazonning "sizni ham qiziqtirishi mumkin" karuseli shunga o'xshash texnologiyalar bilan ishlaydi.
Nazoratsiz ta'lim ma'lumotlarni birlashtirmoqchi bo'lgan narsangizga qarab, klasterlash yoki assotsiatsiya orqali guruhlashi mumkin.
- Kümeleme - Nazoratsiz ta'lim ma'lumotlardagi naqshlarni izlash orqali ushbu qiyinchilikni engishga urinadi. Agar shunga o'xshash klaster yoki guruh mavjud bo'lsa, algoritm ularni ma'lum bir tarzda tasniflaydi. Oldingi xaridlar tarixi asosida mijozlarni toifalarga ajratishga urinish bunga misoldir.
- jamiyat - Nazoratsiz ta'lim turli guruhlarning qoidalari va ma'nolarini tushunishga harakat qilib, bu muammoni hal qilishga urinadi. Assotsiatsiya muammosining tez-tez uchraydigan misoli mijozlarning xaridlari o'rtasidagi bog'liqlikni aniqlashdir. Do'konlar qanday tovarlar birgalikda sotib olinganini bilishdan manfaatdor bo'lishi mumkin va bu ma'lumotlardan qulay foydalanish uchun ushbu mahsulotlarning joylashishini tartibga solish uchun foydalanishi mumkin.
Takomillashtirish
O'qitishni kuchaytirish - bu interaktiv sharoitda bir qator maqsadga yo'naltirilgan qarorlar qabul qilish uchun mashinani o'rganish modellarini o'rgatish usuli. Yuqorida aytib o'tilgan o'yinlardan foydalanish holatlari buning ajoyib misolidir.
AlphaZero-ga minglab oldingi shaxmat o'yinlarini kiritishingiz shart emas, ularning har biri “yaxshi” yoki “yomon” harakati bilan belgilanadi. Unga shunchaki o'yin qoidalari va maqsadini o'rgating, so'ngra tasodifiy harakatlarni sinab ko'rishga ruxsat bering.
Ijobiy mustahkamlash dasturni maqsadga yaqinlashtiradigan harakatlarga beriladi (masalan, qattiq piyon pozitsiyasini rivojlantirish). Agar harakatlar teskari ta'sirga ega bo'lsa (masalan, qirolni muddatidan oldin almashtirish), ular salbiy kuchga ega bo'ladi.
Dasturiy ta'minot oxir-oqibatda ushbu usul yordamida o'yinni o'zlashtirishi mumkin.
Mustahkamlashni o'rganish murakkab va muhandislik qilish qiyin bo'lgan harakatlar uchun robotlarni o'rgatish uchun robototexnikada keng qo'llaniladi. U ba'zan transport oqimini yaxshilash uchun yo'l infratuzilmasi, masalan, svetoforlar bilan birgalikda qo'llaniladi.
Mashinani o'rganish bilan nima qilish mumkin?
Jamiyatda va sanoatda mashinani o'rganishdan foydalanish insoniy sa'y-harakatlarning keng doirasini rivojlantirishga olib keladi.
Kundalik hayotimizda mashinani o'rganish endi Google qidiruv va tasvir algoritmlarini boshqaradi, bu bizga kerak bo'lganda kerakli ma'lumotlar bilan aniqroq moslashish imkonini beradi.
Tibbiyotda, masalan, mashinani o'rganish, shifokorlarga saraton kasalligi qanday tarqalishini tushunish va bashorat qilishda yordam berish uchun genetik ma'lumotlarga qo'llaniladi, bu esa samaraliroq davolash usullarini ishlab chiqishga imkon beradi.
Chuqur koinotdan olingan ma'lumotlar bu erda katta radio teleskoplar orqali to'planadi - va mashina o'rganish bilan tahlil qilingandan so'ng, ular qora tuynuklar sirlarini ochishga yordam beradi.
Chakana savdoda mashinani o'rganish xaridorlarni onlayn xarid qilishni istagan narsalar bilan bog'laydi, shuningdek, do'kon xodimlariga g'isht va ohak dunyosida o'z mijozlariga taqdim etadigan xizmatlarni moslashtirishga yordam beradi.
Mashinani o'rganish terror va ekstremizmga qarshi kurashda begunohlarga zarar etkazmoqchi bo'lganlarning xatti-harakatlarini oldindan bilish uchun qo'llaniladi.
Tabiiy tilni qayta ishlash (NLP) kompyuterlarga mashinani o'rganish orqali inson tilida biz bilan tushunish va muloqot qilish imkonini berish jarayonini nazarda tutadi va bu tarjima texnologiyasida, shuningdek, biz har kuni tobora ko'proq foydalanayotgan ovoz bilan boshqariladigan qurilmalarda yutuqlarga olib keldi. Alexa, Google dot, Siri va Google yordamchisi.
Hech shubhasiz, mashinani o'rganish bu transformatsion texnologiya ekanligini ko'rsatmoqda.
Biz bilan birga ishlashga qodir robotlar, o'zlarining beg'ubor mantiqi va g'ayritabiiy tezligi bilan o'ziga xosligimiz va tasavvurimizni kuchaytira oladigan robotlar endi ilmiy fantastika emas - ular ko'plab sohalarda haqiqatga aylanmoqda.
Machine Learning foydalanish holatlari
1. kiberxavfsizlik
Tarmoqlar murakkablashib borar ekan, kiberxavfsizlik bo'yicha mutaxassislar tobora kengayib borayotgan xavfsizlik tahdidlariga moslashish uchun tinimsiz ishladilar.
Tez rivojlanayotgan zararli dasturlarga va xakerlik taktikasiga qarshi turish juda qiyin, biroq narsalar interneti (IoT) qurilmalarining ko'payishi kiberxavfsizlik muhitini tubdan o'zgartirdi.
Hujumlar har qanday vaqtda va har qanday joyda sodir bo'lishi mumkin.
Yaxshiyamki, mashinani o'rganish algoritmlari kiberxavfsizlik operatsiyalariga ushbu tez o'zgarishlarni kuzatib borish imkonini berdi.
Bashoratli tahlil hujumlarni tezroq aniqlash va yumshatish imkonini beradi, shu bilan birga mashinani o‘rganish mavjud xavfsizlik mexanizmlaridagi anormallik va zaif tomonlarni aniqlash uchun tarmoq ichidagi faoliyatingizni tahlil qilishi mumkin.
2. Mijozlarga xizmat ko'rsatishni avtomatlashtirish
Mijozlarning ko'payib borayotgan onlayn aloqalarini boshqarish tashkilotni qiyinlashtirdi.
Ularda so'rovlar hajmini ko'rib chiqish uchun mijozlarga xizmat ko'rsatish xodimlari etarli emas va autsorsing masalalariga an'anaviy yondashuv. aloqa markazi ko'pgina bugungi mijozlar uchun qabul qilinishi mumkin emas.
Chatbotlar va boshqa avtomatlashtirilgan tizimlar endi bu talablarni mashinani o‘rganish texnikasidagi yutuqlar tufayli hal qila oladi. Kompaniyalar oddiy va past darajadagi faoliyatni avtomatlashtirish orqali yuqori darajadagi mijozlarni qo'llab-quvvatlash uchun xodimlarni bo'shatishlari mumkin.
To'g'ri qo'llanilganda, biznesda mashinani o'rganish muammoni hal qilishni soddalashtirishga yordam beradi va iste'molchilarga ularni sodiq brend chempioniga aylantiradigan foydali yordam turini taqdim etadi.
3. aloqa
Xatolar va noto'g'ri tushunchalarga yo'l qo'ymaslik har qanday aloqa turida juda muhim, ammo bugungi biznes aloqalarida ko'proq.
Oddiy grammatik xatolar, noto'g'ri ohang yoki noto'g'ri tarjimalar elektron pochta bilan bog'lanishda, mijozlarni baholashda bir qator qiyinchiliklarga olib kelishi mumkin. video konferentsiya, yoki matnga asoslangan hujjatlar ko'p shakllarda.
Mashinalarni o'rganish tizimlari Microsoft-ning Clippy-ning eng og'ir kunlaridan tashqari rivojlangan aloqaga ega.
Mashinani o'rganish bo'yicha ushbu misollar odamlarga tabiiy tilni qayta ishlash, real vaqtda til tarjimasi va nutqni tanib olish orqali sodda va aniq muloqot qilishga yordam berdi.
Garchi ko'p odamlar avtotuzatish imkoniyatlarini yoqtirmasalar-da, ular sharmandali xatolar va noto'g'ri ohangdan himoyalanishni ham qadrlashadi.
4. Obyektni tanib olish
Ma'lumotlarni yig'ish va sharhlash texnologiyasi bir muncha vaqtdan beri mavjud bo'lsa-da, kompyuter tizimlarini ular nima ko'rayotganini tushunishga o'rgatish aldamchi darajada qiyin vazifa bo'lib chiqdi.
Mashinani o'rganish ilovalari tufayli ob'ektlarni aniqlash imkoniyatlari ko'payib borayotgan qurilmalarga qo'shilmoqda.
Masalan, o'zi boshqariladigan avtomobil boshqa mashinani ko'rganda taniydi, garchi dasturchilar unga o'sha mashinaning aniq misolini ko'rsatmagan bo'lsa ham.
Ushbu texnologiya hozirda chakana savdo korxonalarida to‘lov jarayonini tezlashtirish uchun qo‘llanilmoqda. Kameralar iste'molchilarning aravalaridagi mahsulotlarni aniqlaydi va ular do'kondan chiqqanlarida avtomatik ravishda ularning hisobiga to'lovni amalga oshirishi mumkin.
5. Raqamli marketing
Bugungi marketingning katta qismi bir qator raqamli platformalar va dasturiy ta'minot dasturlari yordamida onlayn tarzda amalga oshiriladi.
Korxonalar o'z iste'molchilari va ularning xarid qilish xulq-atvori haqida ma'lumot to'plashar ekan, marketing guruhlari ushbu ma'lumotlardan maqsadli auditoriyaning batafsil rasmini yaratish va qaysi odamlar o'z mahsulot va xizmatlarini izlashga moyilligini aniqlash uchun foydalanishi mumkin.
Mashinani o'rganish algoritmlari sotuvchilarga ushbu ma'lumotlarning barchasini tushunishda, imkoniyatlarni qat'iy tasniflash imkonini beradigan muhim naqsh va atributlarni topishda yordam beradi.
Xuddi shu texnologiya katta raqamli marketingni avtomatlashtirish imkonini beradi. Reklama tizimlari yangi potentsial iste'molchilarni dinamik ravishda kashf qilish va ularga tegishli vaqt va joyda tegishli marketing mazmunini taqdim etish uchun o'rnatilishi mumkin.
Mashina o'rganishning kelajagi
Mashinani o'rganish, shubhasiz, mashhurlik kasb etmoqda, chunki ko'proq korxonalar va yirik tashkilotlar texnologiyadan muayyan muammolarni hal qilish yoki innovatsiyalarni kuchaytirish uchun foydalanadilar.
Ushbu davomiy investitsiyalar mashinani o'rganish ROI ishlab chiqarishini tushunishni ko'rsatadi, ayniqsa yuqorida aytib o'tilgan va takrorlanadigan foydalanish holatlari orqali.
Axir, agar texnologiya Netflix, Facebook, Amazon, Google Maps va boshqalar uchun etarlicha yaxshi bo'lsa, ehtimol u sizning kompaniyangizga o'z ma'lumotlaridan maksimal darajada foydalanishga yordam berishi mumkin.
Yangi sifatida kompyuterni o'rganish modellar ishlab chiqilgan va ishga tushirilgan bo'lsa, biz barcha sohalarda qo'llaniladigan ilovalar sonining ko'payishiga guvoh bo'lamiz.
Bu allaqachon sodir bo'lmoqda yuzni aniqlash, bu sizning iPhone-da bir vaqtlar yangi funksiya bo'lgan, ammo hozirda keng ko'lamli dastur va ilovalarda, xususan, jamoat xavfsizligi bilan bog'liq bo'lganlarda amalga oshirilmoqda.
Mashinani o'rganishni boshlashga harakat qilayotgan aksariyat tashkilotlar uchun asosiy narsa yorqin futuristik qarashlarga qarash va texnologiya sizga yordam berishi mumkin bo'lgan haqiqiy biznes muammolarini aniqlashdir.
Xulosa
Postindustriyalashgan davrda olimlar va mutaxassislar o'zini odamlarga o'xshatib ko'radigan kompyuter yaratishga harakat qilishdi.
Fikrlash mashinasi AIning insoniyatga qo'shgan eng muhim hissasidir; Ushbu o'ziyurar mashinaning ajoyib kelishi korporativ foydalanish qoidalarini tezda o'zgartirdi.
O'zi boshqaradigan transport vositalari, avtomatlashtirilgan yordamchilar, avtonom ishlab chiqarish xodimlari va aqlli shaharlar so'nggi paytlarda aqlli mashinalarning hayotiyligini namoyish etdi. Mashinani o'rganish inqilobi va mashinani o'rganishning kelajagi biz bilan uzoq vaqt davomida bo'ladi.
Leave a Reply