Компјутерите не го преземаат, но секојдневно стануваат попаметни
Во наједноставните термини, машинското учење (ML) е програмирање на машини (компјутери), така што може да ја изврши бараната задача со користење и анализа на податоци (информации) за самостојно извршување на таа задача, без дополнителен специфичен влез од човечки развивач.
Машинско учење 101
Терминот "машинско учење" беше измислен во лабораториите на IBM во 1959 година од Артур Самуел, пионер во вештачката интелигенција (АИ) и компјутерски игри. Машинско учење, како резултат на тоа, е гранка на вештачката интелигенција. Просторијата на Самуел беше да го флипуваат компјутерскиот модел на времето наопаку и да престанат да им даваат на компјутерите работи за учење.
Наместо тоа, тој сакаше компјутерите да почнат да ги пронајдат работите сами, без да имаат потреба од внесување дури и најмалиот дел од информациите. Потоа, сметаше тој, компјутерите не само што би ги извршувале задачите, туку би можеле конечно да одлучат кои задачи треба да ги извршуваат и кога. Зошто? Така што компјутерите може да ја намалат количината на работа што луѓето треба да ги извршуваат во која било област.
Како работи машинско учење
Машинско учење работи преку употреба на алгоритми и податоци. Алгоритам е збир на инструкции или упатства кои му раскажуваат на компјутер или програма како да извршуваат задача. Алгоритмите што се користат во ML собираат податоци, препознаваат обрасци и користат анализа на тие податоци за да ги прилагодат сопствените програми и функции за да ги завршат задачите.
ML алгоритми користат множества на правила, дрва за одлуки, графички модели, обработка на природниот јазик и нервни мрежи (за да именуваат неколку) за автоматизирање на обработка на податоци за донесување одлуки и извршување задачи. Додека ML може да биде сложена тема, Google Teachable Machine обезбедува поедноставена практична демонстрација за тоа како ML работи.
Најмоќната форма на машинско учење што се користи денес, наречена длабоко учење , гради комплексна математичка структура наречена нервна мрежа, базирана на огромни количини на податоци. Неврални мрежи се множества на алгоритми во ML и AI моделирани по начинот на кој нервните клетки во процесот на информирање на човечкиот мозок и нервниот систем.
Вештачка интелигенција наспроти машинско учење наспроти податоци за рударство
За најдобро да се разбере односот помеѓу AI, ML, и податоци за рударство, тоа е корисно да се мисли на сет од различни големини чадори. АИ е најголемиот чадор. ML чадор е помал и се вклопува под чадорот на АИ. Чадор за податоци за рударство е најмал и се вклопува под чадорот МЛ.
- АИ е гранка на компјутерската наука која има за цел да ги програмира компјутерите за извршување на задачи на повеќе "интелигентни" и "човечки" начини, користејќи техники на расудување и донесување одлуки моделирани по човековата интелигенција.
- ML е категорија на компјутери во АИ фокусирана на програмирање машини (компјутери) за да се научат (соберат потребни податоци или примери) за да направат податоци-управувано, интелигентни одлуки на поавтоматски начин.
- Податоците за рударство ги користат статистичките податоци, ML, AI и огромните бази на податоци за да најдат модели, да даваат увид, да создадат класификации, да ги идентификуваат проблемите и да доставуваат детална анализа на податоци.
Што Машинско учење може да направи (и веќе има)
Капацитетот на компјутерите за анализа на огромни количини на информации во фракции од секунда го прави МЛ корисни во голем број индустрии каде што времето и прецизноста се од суштинско значење.
- Медицина: ML технологијата се спроведува во низа решенија за медицинското поле, вклучувајќи ги и помошните лекари од одделенијата за брза помош со побрза дијагноза на пациенти со невообичаени симптоми. Лекарите можат да внесат листа на симптоми на пациентот во програмата и да користат ML, програмата може да ги пребрише трилиони терабајти од информациите од медицинската литература и интернетот за да врати листа на потенцијални дијагнози и да препорача тестирање или третман во рекордно време.
- Образование: МЛ се користи за создавање образовни алатки кои се прилагодуваат на потребите за учење на ученикот, како што се асистенти за виртуелно учење и електронски учебници кои се поактивни. Овие алатки користат ML за да откријат кои концепти и вештини ученикот ги разбира со користење кратки квизови и практични вежби. Алатките потоа обезбедуваат кратки видеа, дополнителни примери и материјал за позадина за да му помогнат на ученикот да ги научи потребните вештини или концепти.
- Автомобили: ML исто така е клучна компонента во новите областа на авто-возење автомобили (исто така наречени автомобили без автомобили или автономни автомобили). Софтверот што работи само-возење автомобили користи ML за време на тестовите за испитување и симулации за вистински живот за да ги открие условите на патот (како ледените патишта) или да ги идентификува пречките во коловозот и да научат соодветни задачи за возење за безбедно да се движат во такви ситуации.
Веројатно сте веќе се среќавале со МР многу пати без да го сфатите. Некои од најчестите употреби на ML технологијата вклучуваат практично препознавање на говор ( Samsung Bixby , Apple's Siri и многу разговор-во-текст програми кои сега се стандардни на компјутери), филтрирање на спам за вашата е-пошта, градење на новини, откривање измами, персонализирање препораки за купување и обезбедување поефикасни резултати од пребарувањето на веб.
ML е дури и вклучен во вашиот Фејсбук извор. Кога ви се допаѓа или честопати кликнете на мислења на еден пријател, алгоритмите и ML зад сцената "учат" од вашите акции со текот на времето да им даде приоритет на одредени пријатели или страници во вашиот Newsfeed.
Што машина учење не може
Сепак, постојат граници на она што ML може да го направи. На пример, употребата на ML технологија во различни индустрии бара значителен износ на развој и програмирање од страна на луѓето за да се специјализира програма или систем за видовите задачи кои се бараат од таа индустрија. На пример, во нашиот медицински пример погоре, ML програмата се користи во одделот за итни случаи беше развиен специјално за хуманата медицина. Во моментов не е можно да се преземе таа точна програма и директно да се спроведе во ветеринарен центар за итни случаи. Таквата транзиција бара голема специјализација и развој од страна на човековите програмери да се создаде верзија која е способна да ја извршува оваа задача за ветеринарна или животинска медицина.
Таа исто така бара неверојатно огромни количини на податоци и примери за да "ги научат" информациите што им се потребни за да донесуваат одлуки и да вршат задачи. ML програмите исто така се многу буквални во толкувањето на податоците и борбата со симболизмот, а исто така и некои видови на врски во рамките на резултатите од податоците, како причина и ефект.
Сепак, континуираните достигнувања го прават ML повеќе од јадрото технологија што создава попаметни компјутери секој ден.