Počítače nepreberajú, ale každodenne sú stále múdrejší
Jednoducho povedané, strojové učenie (ML) je programovanie strojov (počítačov) tak, aby mohol vykonávať požadovanú úlohu pomocou a analyzovať dáta (informácie) na vykonanie tejto úlohy nezávisle bez ďalšieho špecifického vstupu od vývojára.
Strojové učenie 101
Termín "strojové učenie" bol vytvorený v laboratóriách IBM v roku 1959 Arthurom Samuelom, priekopníkom v umelom inteligencii (AI) a počítačových hrách. Strojové vzdelávanie je v dôsledku toho odvetvím umelého inteligencie. Samuelovým predpokladom bolo obrátiť výpočtový model času hore nohami a prestať dávať počítačom veci učiť sa.
Namiesto toho chcel, aby počítače začali zisťovať veci na vlastnú päsť, bez toho, aby museli ľudia vkladať ani tie najmenšie informácie. Potom si myslel, že počítače by nielen vykonávali úlohy, ale v konečnom dôsledku mohli rozhodnúť, ktoré úlohy a kedy majú vykonávať. Prečo? Takže počítače by mohli znížiť množstvo práce, ktorú ľudia potrebujú na vykonávanie v danej oblasti.
Ako funguje strojové učenie
Strojové učenie funguje pomocou algoritmov a dát. Algoritmus je súbor pokynov alebo pokynov, ktoré informujú počítač alebo program o tom, ako vykonať úlohu. Algoritmy používané v ML zhromažďujú údaje, rozpoznávajú vzorce a využívajú analýzu týchto údajov na prispôsobenie vlastných programov a funkcií pri plnení úloh.
ML algoritmy používajú sady pravidiel, rozhodovacie stromy, grafické modely, spracovanie prirodzeného jazyka a neurónové siete (aby sme uviedli niekoľko), aby automatizovali spracovávanie údajov pri rozhodovaní a vykonávaní úloh. Zatiaľ čo ML môže byť zložitou témou, stroj Google pre učiteľov poskytuje zjednodušené praktické ukážky toho, ako ML funguje.
Najsilnejšia forma strojového učenia, ktorá sa dnes používa, nazývaná hlboké učenie , stavia komplexnú matematickú štruktúru nazývanú neurónová sieť založená na obrovských množstvách údajov. Neurónové siete sú súbory algoritmov v ML a AI modelovaných po tom, ako sa nervové bunky v ľudskom mozgu a informácie o procese nervového systému.
Umelá inteligencia vs. strojové učenie vs. dolovanie dát
Aby ste najlepšie porozumeli vzťahu medzi AI, ML a dolovania dát, je užitočné premýšľať nad množinou rozdielnych dáždnikov. AI je najväčším dáždnikom. Dáždnik ML je veľkosť menšia a zapadá pod dáždnik AI. Dáždnik na dolovanie údajov je najmenší a zapadá pod dáždnik ML.
- AI je oblasť informatiky, ktorá sa zameriava na programovanie počítačov na plnenie úloh v inteligentnejších a "ľudsko-podobných" spôsoboch, s využitím uvažujúcich a rozhodovacích techník modelovaných podľa ľudskej inteligencie.
- ML je kategória výpočtovej techniky v rámci inteligentnej inteligencie zameranej na programovacie stroje (počítače), ktoré sa učia (zhromažďujú potrebné údaje alebo príklady), aby inteligentnejšie rozhodovali o dátách a automatizovanejšie.
- Výskum dát využíva štatistiky, ML, AI a obrovské databázy informácií na vyhľadávanie vzorov, poskytovanie prehľadov, vytváranie klasifikácií, identifikáciu problémov a poskytovanie detailnej analýzy údajov.
Ktoré strojové vzdelávanie môže robiť (a už má)
Kapacita počítačov na analyzovanie obrovských množstiev informácií v zlomkoch sekundy robí z ML užitočný v mnohých odvetviach, kde sú nevyhnutné čas a presnosť.
- Lekárska technika: Technológia ML sa realizuje v širokej škále riešení v oblasti lekárskej starostlivosti vrátane pomoci lekárom tiesňového lekárstva s rýchlejšou diagnostikou pacientov s neobvyklými príznakmi. Lekári môžu do programu vpísať zoznam symptómov pacienta a použitím programu ML môžu program vyčistiť bilióny terabytov informácií z lekárskej literatúry a internetu a vrátiť zoznam potenciálnych diagnóz a odporúčaných testov alebo liečby v rekordnom čase.
- Vzdelávanie: ML sa používa na vytváranie vzdelávacích nástrojov, ktoré sa prispôsobujú vzdelávacím potrebám študenta, ako napríklad virtuálnych učiacich asistentov a elektronických učebníc, ktoré sú interaktívnejšie. Tieto nástroje používajú ML, aby zistili, ktoré koncepty a zručnosti študent chápe pomocou krátkych kvízov a cvičenia. Nástroje potom poskytujú krátke videá, ďalšie príklady a podkladové materiály, ktoré pomôžu študentovi získať potrebné zručnosti alebo koncepty.
- Automobilový priemysel: ML je tiež kľúčovým prvkom vo vznikajúcej oblasti automobilov s vlastným pohonom (tiež nazývané bezmotorové autá alebo autonómne autá). Softvér, ktorý prevádzkuje auto-riadiace vozidlá, používa ML počas testov na pozemných komunikáciách v reálnom živote a simulácií na zisťovanie stavu na cestách (ako sú mrazivé cesty) alebo na identifikáciu prekážok na vozovke a naučenie vhodných jazdných úloh, aby bezpečne prechádzali takéto situácie.
Pravdepodobne ste sa už stretli s ML mnohokrát bez toho, aby si to uvedomili. Niektoré z bežnejších použití ML technológie zahŕňajú praktické rozpoznávanie reči ( Samsung Bixby , Apple's Siri a mnoho talk-to-text programov, ktoré sú štandardné pre PC), filtrovanie nevyžiadanej pošty pre váš e-mail, vytváranie informačných kanálov, detekcia podvodov, personalizácia nákupné odporúčania a efektívnejšie výsledky vyhľadávania na webe.
ML je dokonca zapojený do vášho Facebooku . Keď sa vám páči alebo často kliknete na príspevky priateľov, algoritmy a ML za scénami sa "učia" z vašich činností v priebehu času, aby uprednostnili určitých priateľov alebo stránok vo vašom Newsfeed.
Ktoré strojové vzdelávanie nemôže robiť
Existujú však limity na to, čo ML môže robiť. Napríklad použitie technológie ML v rôznych priemyselných odvetviach vyžaduje značné množstvo vývoja a programovania ľuďmi, aby sa špecializovali na program alebo systém pre typy úloh, ktoré tento priemysel vyžaduje. Napríklad v našom zdravotnom príklade bol program ML použitý na pohotovostnom oddelení vyvinutý špeciálne pre humánnu medicínu. V súčasnosti nie je možné tento presný program vykonať a priamo ho implementovať vo veterinárnom núdzovom centre. Takýto prechod vyžaduje rozsiahlu špecializáciu a vývoj ľudských programátorov na vytvorenie verzie, ktorá dokáže túto úlohu vykonávať pri veterinárnej alebo veterinárnej medicíne.
Vyžaduje tiež neuveriteľne veľké množstvo údajov a príkladov, aby sa "naučili" informácie, ktoré potrebuje na prijímanie rozhodnutí a plnenie úloh. Programy ML sú tiež veľmi doslovné pri výklade údajov a boji so symbolikou a tiež niektoré typy vzťahov v rámci výsledkov dát, ako sú príčiny a následky.
Pokračujúci pokrok však spôsobuje, že ML viac jadrovej technológie vytvára každý deň šikovnejšie počítače.