A számítógépek nem vesznek át, de nap mint nap egyre okosabbak lesznek
A gépi tanulás (ML) legegyszerűbben a gépek (számítógépek) programozását teszi lehetővé annak érdekében, hogy az igényelt feladatot elvégezhesse az adatok (információk) felhasználásával és elemzésével, függetlenül attól, hogy ezt a feladatot önállóan hajtsa végre, anélkül , hogy további specifikus inputot jelentene az emberi fejlesztő számára.
Gépi tanulás 101
A "gépi tanulás" kifejezést 1959-ben az Arthur Samuel, a mesterséges intelligencia (AI) és a számítógépes játékok úttörője alkotta az IBM laboratóriumokban. Ennek következtében a gépi tanulás a Mesterséges Intelligencia ága. Sámuel elképzelése az volt, hogy fejjel lefelé fordítja az idő számítástechnikai modelljét, és abbahagyja a számítógép dolgainak megtanulását.
Ehelyett azt akarta, hogy a számítógépek elkezdjenek dolgokat kigondolni magukon, anélkül, hogy az embereknek még a legapróbb mennyiségű információt is be kellene adniuk. Aztán gondolta, a számítógépek nem csak feladatokat végeznek, hanem végül eldönthetik, hogy mely feladatokat kell elvégezni és mikor. Miért? Annak érdekében, hogy a számítógépek csökkenthessék az adott területen végzett munka elvégzéséhez szükséges munka mennyiségét.
Hogyan működik a gépi tanulás?
A gépi tanulás algoritmusok és adatok felhasználásával működik. Az algoritmus olyan utasítások vagy iránymutatások készletét jelenti, amelyek egy számítógépet vagy programot adnak meg egy feladat elvégzésére. Az ML-ben használt algoritmusok összegyűjtik az adatokat, felismerik a mintákat és felhasználják az adatok elemzését, hogy saját programjait és funkcióit a feladatok teljesítéséhez igazítsák.
Az ML algoritmusok szabálykészleteket, döntési fákat, grafikus modelleket, természetes nyelvi feldolgozást és neurális hálózatokat használnak (néhányat említenek), hogy automatizálják az adatfeldolgozást a döntések meghozatalához és feladatok elvégzéséhez. Bár az ML lehet bonyolult téma, a Google Tanítható Gép egyszerűsített gyakorlati demonstrációt nyújt az ML működéséről.
A gépi tanulás leghatékonyabb formája, amelyet a mély tanulásnak neveznek, komplex matematikai struktúrát hoz létre, amely neurális hálózat, nagy mennyiségű adat alapján. A neurális hálózatok az ML és az AI algoritmusok készletei, amelyeket az emberi agy idegsejtjeinek és az idegrendszeri folyamat információinak módszere alapján modelleztek.
Mesterséges intelligencia vs. gépi tanulás és adatbányászat
Az AI, az ML és az adatbányászat közötti kapcsolat jobb megértése érdekében hasznos lehet különböző méretű napernyők készlete. Az AI a legnagyobb esernyő. Az ML esernyő mérete kisebb, és az AI esernyő alá illeszkedik. Az adatbányászati esernyő a legkisebb és az ML-es esernyő alá illeszkedik.
- Az AI a számítástechnika olyan ágát jelenti, melynek célja a számítógépek számítógépes feladatok elvégzése "intelligens" és "emberszerű" módokon, az emberi intelligencia után modellezett érvelési és döntési technikák alkalmazásával.
- Az ML az AI-n belüli számítástechnika kategóriája, amely a programozó gépekre (számítógépekre) összpontosít, hogy megtanulja (szükséges adatok vagy példák összegyűjtése), hogy automatizáltabb módon hozza létre az adatközpontú, intelligens döntéseket.
- Az adatbányászat statisztikákat, ML-t, AI-t és hatalmas adatbázist használ a minták megtalálásához, betekintést nyújt, osztályokat hoz létre, azonosítja a problémákat és részletes adatelemzést biztosít.
Mire képes a gépi tanulás (és már létezik)
A számítógép kapacitása, hogy hatalmas mennyiségű információt elemezzen egy másodperc törtrészében, az ML-t hasznosnak ítéli számos iparágban, ahol az idő és a pontosság elengedhetetlen.
- Orvostudomány: Az ML technológiát számos megoldás megvalósítja az orvosi területen, beleértve a sürgősségi osztályos orvosok segítését a szokatlan tünetekkel járó betegek gyorsabb diagnózisával. Az orvosok beilleszthetik a páciens tüneteinek listáját a programba és az ML-t használva a program az orvosi szakirodalomból és az internetről származó billió terabájtnyi információt megmagyarázhatja, hogy rekordidőben visszaadja a lehetséges diagnózisok listáját és a javasolt tesztelést vagy kezelést.
- Oktatás: Az ML olyan oktatási eszközök létrehozására szolgál, amelyek a tanulók tanulási igényeihez igazodnak, például a virtuális tanulási asszisztensek és az interaktívabb elektronikus tankönyvek. Ezek az eszközök használják az ML-t, hogy felfedezzék azokat a fogalmakat és készségeket, amelyeket a hallgató megért a rövid kvízek és gyakorlati feladatok segítségével. Az eszközök ezután rövid videókat, további példákat és háttéranyagot biztosítanak annak érdekében, hogy a hallgató megtanulja a szükséges készségeket vagy fogalmakat.
- Gépjárműipar: Az ML is kulcsfontosságú szerepet játszik az önjáró autók (más néven autós nélküli autók vagy autonóm autók) kialakuló területén. Az önjáró autókkal működő szoftver az ML-t használja mind a valós útvizsgálatok során, mind az útviszonyok (például a jeges utak) észlelésére szolgáló szimulációk során, vagy meghatározza az akadályokat az úttesten és megtanulja a megfelelő vezetési feladatokat az ilyen helyzetek biztonságos navigálásához.
Valószínűleg már találkoztál ML-vel sokszor anélkül, hogy felismered. Az ML technológia egyik gyakoribb felhasználási módja a praktikus beszédfelismerés (a Samsung Bixby , az Apple Siri , és sok beszéd-szöveges program, amely ma már standard PC-ken), a levélszemétszűrés az Ön e-mailjeihez, hírcsatornák létrehozása, csalás felismerése, személyre szabása bevásárlási ajánlások és hatékonyabb webes keresési eredmények biztosítása.
ML is részt vesz a Facebook feedben. Ha tetszik, vagy gyakran szeretne egy barátja hozzászólásait, az algoritmusok és az ML a jelenetek mögött "időben" megtanulja a műveleteiteket, hogy a Newsfeed bizonyos barátait vagy oldalát kiemelje.
Milyen gépi tanulás nem tehet
Azonban vannak olyan határok, amiket az ML tud tenni. Például az ML technológia alkalmazása különböző iparágakban jelentős mennyiségű fejlesztést és programozást követel meg az emberektől, hogy szakosodjon egy programot vagy rendszert az adott iparág által igényelt feladattípusok számára. Például a fenti orvosi példánkban a sürgősségi osztályon használt ML-programot kifejezetten az emberi orvosláshoz fejlesztették ki. Jelenleg nem lehetséges ezt a pontos programot végrehajtani, és közvetlenül végrehajtani egy állatorvosi sürgősségi központban. Az ilyen átmenethez az emberi programozók széles körű specializációra és fejlesztésre van szükség ahhoz, hogy létrehozhassanak egy olyan verziót, amely képes az állatorvosi vagy állatgyógyászati feladatok elvégzésére.
Ezenkívül hihetetlenül nagy mennyiségű adatra és példákra van szükség ahhoz, hogy "megtanulják" az általa szükséges információkat, hogy döntéseket hozzanak és feladatokat hajtsanak végre. Az ML programok szintén nagyon szó szerint értelmezik az adatok értelmezését és küzdenek a szimbolizmussal, valamint bizonyos típusú kapcsolatokat az adatokon belül, mint például az ok és a hatás.
A folyamatos fejlesztések mindazonáltal az ML-t több alaptechnikával ötvözik, amely napról napra intelligensebb számítógépeket hoz létre.