Računalniki ne prevzemajo, pač pa vsak dan postajajo pametnejši
V najpreprostejših pogojih je strojno učenje (ML) programiranje strojev (računalnikov), tako da lahko opravlja zahtevano nalogo z uporabo in analizo podatkov (informacij) za samostojno opravljanje te naloge brez dodatnih posebnih prispevkov človeškega razvijalca.
Strojno učenje 101
Izraz "strojno učenje" je leta 1959 v laboratorijih IBM skoval Arthur Samuel, pionir na področju umetne inteligence (AI) in računalniških iger. Strojno učenje je torej veja umetne inteligence. Samuelova predpostavka je bila, da preklopi računalniški model časa navzdol in preneha dati računalniškim stvarem za učenje.
Namesto tega je želel, da računalniki začnejo sami poiskati stvari, ne da bi ljudje morali vnesti celo najmanjše informacije. Nato je pomislil, da računalniki ne opravljajo le nalog, ampak bi lahko na koncu odločili, katere naloge naj izvajajo in kdaj. Zakaj? Tako bi lahko računalniki zmanjšali količino dela, ki ga ljudje potrebujejo za opravljanje na katerem koli področju.
Kako deluje strojno učenje
Strojno učenje deluje z uporabo algoritmov in podatkov. Algoritem je niz navodil ali smernic, ki pripovedujejo računalnik ali program, kako opraviti nalogo. Algoritmi, ki se uporabljajo v ML, zbirajo podatke, prepoznajo vzorce in uporabijo analizo teh podatkov, da prilagodijo svoje programe in funkcije za dokončanje nalog.
ML algoritmi uporabljajo pravila pravil, drevesa odločanja, grafične modele, obdelavo naravnega jezika in nevronske mreže (za nekaj imen), da avtomatizirajo obdelavo podatkov za sprejemanje odločitev in izvajanje nalog. Medtem ko je ML lahko zapletena tema, Googlov učni stroj nudi poenostavljeno praktično predstavitev delovanja ML.
Najmočnejša oblika strojnega učenja, ki se danes uporablja, imenovana globoko učenje , gradi kompleksno matematično strukturo, imenovano nevronsko omrežje, ki temelji na obsežnih količinah podatkov. Neuronske mreže so množice algoritmov v ML in AI, modeliranih po živčnih celicah v informacijah o človeških možganih in živčnem sistemu.
Umetna inteligenca v primerjavi s strojnim učenjem in podatkovnim rudarstvom
Da bi najbolje razumeli razmerje med AI, ML in podatkovnim rudarjenjem, je koristno razmišljati o nizu različnih velikih dežnikov. AI je največji dežnik. ML dežnik je manjši in se prilega pod okriljem AI. Dežnik za zbiranje podatkov je najmanjši in se prilega pod dežnik ML.
- AI je podružnica računalništva, katere namen je programiranje računalnikov za opravljanje nalog na bolj "inteligentnem" in "človeku podobnem" načinu, z uporabo tehnik razmišljanja in odločanja, oblikovanih po človeški inteligenci.
- ML je kategorija računalništva znotraj AI, ki se osredotoča na računalniške stroje (računalnike), da se učijo (zbirajo potrebne podatke ali primere), da naredijo podatkovne in inteligentne odločitve na bolj avtomatiziran način.
- Podatkovno rudarjenje uporablja statistične podatke, ML, AI in obsežne podatkovne baze podatkov za iskanje vzorcev, zagotavljanje vpogledov, ustvarjanje klasifikacij, prepoznavanje težav in zagotavljanje podrobne analitične podatke.
Kaj lahko strojno učenje (in že obstaja)
Zmožnost, da računalniki analizirajo ogromne količine podatkov v drugem delu, naredi ML uporaben v številnih panogah, kjer sta čas in natančnost bistvenega pomena.
- Medicina: tehnologija ML se izvaja v številnih rešitvah za medicinsko področje, vključno s pomočjo zdravnikov v nujnih primerih s hitrejšo diagnozo bolnikov z nenavadnimi simptomi. Zdravniki lahko vpišejo seznam bolnikovih simptomov v program in z ML, program lahko izbriše trilijone terabajtov informacij iz medicinske literature in interneta, da vrne seznam potencialnih diagnoz in priporoča testiranje ali zdravljenje v rekordnem času.
- Izobraževanje: ML se uporablja za ustvarjanje izobraževalnih orodij, ki se prilagajajo učnim potrebam študentov, kot so navidezni pomočniki za učenje in elektronski učbeniki, ki so bolj interaktivni. Ta orodja uporabljajo ML, da odkrijejo, katere koncepte in veščine razume študent z uporabo kratkih kvizov in praktičnih vaj. Orodja nato zagotovijo kratek videoposnetek, dodatne primere in gradivo za ozadje, ki študentu pomagajo pri učenju potrebnih spretnosti ali konceptov.
- Avtomobilska industrija: ML je tudi ključna komponenta na nastajajočem področju avtomobilov, ki se sami vozijo (tudi ti avtomobili brez avtomobilov ali avtonomni avtomobili). Programska oprema, ki deluje samo za vožnjo avtomobilov, uporablja ML v realnih življenjskih preskusih in simulacijah, da zazna cestne razmere (kot so ledene ceste) ali identificira ovire na cestišču in se naučijo ustreznih nalog za vožnjo, da se lahko varno premikajo v takšnih situacijah.
Verjetno ste že večkrat naleteli na ML, ne da bi to izvedeli. Nekatere pogostejše uporabe tehnologije ML vključujejo praktično prepoznavanje govora ( Samsungov Bixby , Apple's Siri in veliko programov za govorno v besedo, ki sta zdaj standardna na osebnih računalnikih), filtriranje neželene pošte za e-pošto, gradnja novic, odkrivanje goljufij, prilagajanje priporočila za nakupovanje in zagotavljanje učinkovitejših rezultatov spletnega iskanja.
ML je celo vpleten v vaš vir Facebook . Ko vam je všeč ali pogosto kliknete na delovna mesta prijatelja, se algoritmi in ML za prizorom »skozi čas« učijo «od svojih dejanj, da določite prednost določenim prijateljem ali stranem v novem sporočilu.
Kaj strojno učenje ne more storiti
Vendar pa obstajajo omejitve glede tega, kaj ML lahko naredi. Na primer, uporaba tehnologije ML v različnih panogah zahteva znatno količino razvoja in programiranja ljudi, da specializirajo program ali sistem za vrste nalog, ki jih zahteva ta industrija. Na primer, v našem zgoraj navedenem medicinskem primeru je bil program ML, ki se uporablja v urgentni službi, razvit posebej za humano medicino. Takšnega programa trenutno ni mogoče sprejeti in ga neposredno izvajati v veterinarskem centru za nujne primere. Tak prehod zahteva obsežno specializacijo in razvoj s strani človeških programerjev, da ustvarijo različico, ki lahko opravlja to nalogo za veterinarsko ali živalsko medicino.
Prav tako zahteva neverjetno velike količine podatkov in primerov, da "se učijo" informacije, ki jih potrebuje za sprejemanje odločitev in opravljanje nalog. Programi ML so prav tako zelo dobesedni pri interpretaciji podatkov in borbi s simbolizmom ter tudi v nekaterih vrstah odnosov znotraj podatkovnih podatkov, kot so vzrok in učinek.
Nadaljnji napredek pa je, da ML večjo osnovno tehnologijo, ki ustvarja pametnejše računalnike vsak dan.