Компютрите не поемат, но все по-умни всеки ден
В най-простия начин машинното обучение (ML) е програмирането на машини (компютри), така че да може да изпълнява заявената задача, като използва и анализира данни (информация), за да изпълнява тази задача самостоятелно, без допълнителни специфични данни от страна на човешкия разработчик.
Машинно обучение 101
Терминът "машинно обучение" бе създаден в лабораториите на IBM през 1959 г. от Артър Самуел, пионер в изкуствения интелект (ИИ) и компютърните игри. Машинното обучение, в резултат на това, е клон на изкуственото разузнаване. Предпоставката на Самуел бе да обърне изчислителния модел на времето с главата надолу и да спре да дава на компютрите неща, които да научат.
Вместо това, той искаше компютрите да започнат да разбират нещата сами, без хората да трябва да въвеждат дори най-малката информация. Тогава, помисли си той, компютрите не просто ще изпълняват задачи, а в крайна сметка ще могат да решат кои задачи да изпълняват и кога. Защо? Така че компютрите биха могли да намалят количеството работа, което хората трябва да изпълнят в дадена област.
Как функционира машинното обучение
Машинното обучение работи чрез използването на алгоритми и данни. Алгоритъмът е набор от инструкции или указания, които разказват на компютър или програма как да изпълняват задачата. Алгоритмите, използвани в ML, събират данни, разпознават модели и използват анализ на тези данни, за да адаптират собствените си програми и функции, за да изпълняват задачи.
ML алгоритмите използват набор от правила, дървета за вземане на решения, графични модели, обработка на естествен език и невронни мрежи (за да назовем няколко), за да автоматизираме обработката на данни, за да вземаме решения и да изпълняваме задачи. Докато ML може да бъде сложна тема, Google's Teachable Machine предоставя опростена практическа демонстрация на това как ML работи.
Най-мощната форма на машинно обучение, използвана днес, наречена дълбоко учене , изгражда сложна математическа структура, наречена невронна мрежа, базирана на огромни количества данни. Невронните мрежи са набори от алгоритми в ML и AI, моделирани след нервните клетки в човешкия мозък и информацията за процесите в нервната система.
Изкуствен интелект срещу машинно обучение срещу извличане на данни
За да разберете най-добре връзката между AI, ML и извличането на данни, е полезно да помислите за набор от чадъри с различна големина. AI е най-големият чадър. ML чадърът е с размер по-малък и се вписва под чадъра на AI. Чадърът за извличане на данни е най-малкият и се вписва под модния чадър.
- AI е клон на компютърната наука, който има за цел да програмира компютрите да изпълняват задачи по "по-интелигентни" и "човешки" начини, използвайки техники за разсъждение и вземане на решения, моделирани след човешкия интелект.
- ML е категория на изчисляване в рамките на ИИ, фокусирана върху програмните машини (компютри), за да се научат (събират необходимите данни или примери), за да направят интелигентните решения, управлявани от данни по по-автоматизиран начин.
- Извличането на данни използва статистически данни, ML, AI и огромни бази данни с информация за намиране на модели, осигуряване на статистически данни, създаване на класификации, идентифициране на проблеми и предоставяне на подробни анализи на данни.
Какво машинно обучение може да направи (и вече го прави)
Капацитетът на компютрите да анализират огромно количество информация на части от секундата прави ML полезен в редица индустрии, където времето и точността са от съществено значение.
- Медицина: МЛ технологията се прилага в редица решения в областта на медицината, включително помагайки на лекарите на аварийните отделения с по-бърза диагностика на пациенти с необичайни симптоми. Лекарите могат да въведат списък на симптомите на пациента в програмата и да използват ML, програмата може да измие трилиона терабайта информация от медицинската литература и интернет, за да се върне списък с потенциални диагнози и препоръчителни тестове или лечение в рекордно време.
- Образование: ML се използва за създаване на образователни инструменти, които се приспособяват към потребностите от обучение на ученика, като виртуални асистенти за обучение и електронни учебници, които са по-интерактивни. Тези инструменти използват ML, за да открият кои понятия и умения студентът разбира, използвайки кратки тестове и практически упражнения. Инструментите след това осигуряват кратки видеоклипове, допълнителни примери и фонов материал, за да помогнат на учениците да научат необходимите умения или концепции.
- Автомобили: ML също е ключов компонент в нововъзникващата сфера на самоуправление на автомобили (наричани още "без шофьори" автомобили или автономни автомобили). Софтуерът, който управлява самоходни автомобили, използва МП по време на пътни тестове в реално време и симулации за откриване на пътни условия (като заледени пътища) или откриване на препятствия по пътя и научаване на подходящи задачи за шофиране, за безопасно навигация при такива ситуации.
Вероятно вече сте срещнали ML много пъти, без да го осъзнавате. Някои от по-често използваните технологии на ML включват практическо разпознаване на речта ( Bixby на Samsung , Siri на Apple и много програми за говорене на текст, които вече са стандартни за компютрите), филтриране на спам за вашия имейл, изграждане на новинарски емисии, откриване на измами, персонализиране препоръки за пазаруване и осигуряване на по-ефективни резултати от търсенето в мрежата.
ML дори участва във вашата емисия във Facebook . Когато харесвате или често кликвате върху публикациите на приятели, алгоритмите и ML зад кулисите "се учат" от вашите действия с течение на времето, за да приоритизират определени приятели или страници във вашия Newsfeed.
Какво машинно обучение не може да направи
Въпреки това, съществуват ограничения за това какво ML може да направи. Например, използването на ML технологията в различни отрасли изисква значително човешко развитие и програмиране да се специализира програма или система за видовете задачи, изисквани от тази индустрия. Например, в нашия медицински пример по-горе, програмата ML, използвана в спешното отделение, е разработена специално за хуманната медицина. Понастоящем не е възможно да се вземе тази точна програма и да се приложи директно във ветеринарния център за спешна медицинска помощ. Този преход изисква широка специализация и развитие от страна на човешките програмисти, за да се създаде версия, способна да изпълни тази задача за ветеринарна или животинска медицина.
Той също така изисква невероятно големи количества данни и примери, за да "научи" информацията, от която се нуждаят, за да взема решения и да изпълнява задачи. Програмите за ML също са много буквални при интерпретирането на данните и борбата със символизма, както и някои видове взаимоотношения в резултатите от данните, като например причина и ефект.
Продължаващите подобрения, обаче, правят ML повече от основната технология, която създава по-интелигентни компютри всеки ден.