Paul Downey | Flickr
Uczenie maszynowe to fraza, która coraz częściej się pojawia, ale wielu wciąż nie wie dokładnie, co to jest . Oczywiście jest ku temu powód. Wciąż jest na bardzo wczesnym etapie i wielu zakłada, że nie ma to jeszcze wpływu na ogólną populację. W rzeczywistości może nie jest to tak prawdziwe, jak niektórzy przypuszczają.
Czym jest uczenie maszynowe? I do czego jest dzisiaj używany? Oto nasz przewodnik na temat wszystkiego, co musisz wiedzieć o uczeniu maszynowym.
Co to jest uczenie maszynowe?
Mówiąc najprościej, uczenie maszynowe jest formą sztucznej inteligencji, która pozwala komputerom uczyć się bez dodatkowego programowania. Innymi słowy, oprogramowanie jest w stanie samodzielnie uczyć się nowych rzeczy, bez potrzeby programowania lub inżyniera. Uczenie maszynowe jest w stanie pobierać dane i wykrywać wzorce oraz znajdować rozwiązania, a następnie stosować je do innych problemów.
Zdjęcie: K? Rlis Dambr? Ns | Flickr
Należy zauważyć, że uczenie maszynowe jako koncepcja wcale nie jest nowe - trudno jest dokładnie określić genezę koncepcji, biorąc pod uwagę, że łączy się ona z innymi formami technologii. Można argumentować, że uczenie maszynowe sięga czasów powstania Testu Turinga, którego użyto do ustalenia, czy komputer ma inteligencję. Pierwszym programem komputerowym, który się jednak nauczył, była gra w warcaby, opracowana w 1952 roku przez Arthura Samuela. Ta gra była lepsza, im więcej grała.
Najnowsza technologia drastycznie poprawia uczenie maszynowe. Na przykład uczenie maszynowe wymaga ogromnej mocy obliczeniowej tak bardzo, że dopiero niedawno zaczęliśmy opracowywać podstawowe uczenie maszynowe w najnowszej historii.
Istnieje kilka głównych sposobów, w jakie programiści wdrażają uczenie maszynowe. Pierwszy nazywa się „uczeniem nadzorowanym”. W zasadzie oznacza to, że maszyna jest zasilana problemami, w przypadku których znane jest rozwiązanie problemu. Algorytm uczenia się jest w stanie odbierać te problemy wraz z pożądanymi rezultatami, identyfikując wzorce w problemach i postępując zgodnie z nimi. Nadzorowane uczenie się jest często wykorzystywane do przewidywania przyszłych wydarzeń - na przykład gdy transakcja kartą kredytową może być nieuczciwa.
Drugie wdrożenie uczenia maszynowego nazywa się „uczeniem się bez nadzoru”. W tym przypadku wynik problemu nie jest podawany oprogramowaniu - zamiast tego jest źródłem problemów i musi wykryć wzorce w danych. Celem jest znalezienie struktury w danych, które są podane.
Trzeci poziom to „częściowo nadzorowane uczenie się”. Ta metoda uczenia maszynowego jest często stosowana do tych samych rzeczy, co uczenie nadzorowane, ale wymaga danych z rozwiązaniem i danych bez. Nauczanie częściowo nadzorowane jest często wdrażane, gdy fundusze są ograniczone, a firmy nie są w stanie dostarczyć pełnego zestawu danych do procesu uczenia się.
Ostatnim, ale nie mniej ważnym, jest „uczenie się przez wzmacnianie”, które jest używane specjalnie do gier i robotów. Uczenie się przez zbrojenie jest zasadniczo nauczane metodą prób i błędów - maszyna próbuje rzeczy i uczy się na podstawie swoich sukcesów lub porażek. Celem jest, aby maszyna wypracowała najlepsze możliwe wyniki.
Oczywiście wszystkie te metody uczenia maszynowego wymagają zasilania maszyny setkami tysięcy problemów i ogromną ilością danych. Naprawdę, im więcej danych, tym lepiej.
Gdzie dziś stosuje się uczenie maszynowe?
Zdjęcia pieniędzy | Flickr
W rzeczywistości istnieje wiele miejsc, w których obecnie stosuje się uczenie maszynowe. Wiele z nich jest za kulisami, ale możesz być zaskoczony, wiedząc, że wiele z nich jest również używanych każdego dnia.
Być może ten, którego najczęściej używasz, znajduje się w osobistym asystencie - właśnie tak, Siri i Google Now używają uczenia maszynowego, głównie w celu lepszego zrozumienia wzorców mowy. Przy tak milionach ludzi korzystających z Siri, system jest w stanie poczynić postępy w traktowaniu języków, akcentów itp.
Oczywiście Siri nie jest jedyną aplikacją konsumencką uczenia maszynowego. Innym zastosowaniem jest bankowość, na przykład wykrywanie oszustw. Na przykład algorytmy uczenia maszynowego mogą śledzić wzorce wydatków, określając, które wzorce mogą być bardziej fałszywe na podstawie wcześniejszych nieuczciwych działań.
W rzeczywistości nawet Twój e-mail może korzystać z uczenia maszynowego. Na przykład wiadomości e-mail będące spamem stanowią problem i ewoluowały z czasem. Systemy e-mail wykorzystują uczenie maszynowe do śledzenia wzorców wiadomości spamowych i ich zmian, a następnie umieszczania ich w folderze spamu na podstawie tych zmian.
Wnioski
Uczenie maszynowe będzie stanowić dużą część tego, w jaki sposób wykorzystujemy technologię w przyszłości i jak technologia może nam pomóc. Od Siri po bank amerykański, uczenie maszynowe staje się coraz bardziej rozpowszechnione, a to prawdopodobnie będzie kontynuowane.
