Tietokoneet eivät ota vastuuta, mutta päivittäiset ovat yhä älykkäämpiä
Yksinkertaisimmillaan koneen oppiminen (ML) on koneiden (tietokoneiden) ohjelmointi, jotta se voi suorittaa pyydetyn tehtävän käyttämällä ja analysoitaessa tietoja (tietoja), jotta tämä tehtävä voidaan suorittaa itsenäisesti ilman ihmisen kehittäjän lisättyä panosta .
Koneen oppiminen 101
Termi "koneen oppiminen" sai vuonna 1959 IBM: n laboratorioista Arthur Samuel, taiteellisen älykkyyden edelläkävijä (AI) ja tietokonepelien pelaaminen. Tämän vuoksi koneoppiminen on keinotekoisen älykkyyden haara. Samuelin teemana oli kääntää ajan laskentamalli ylösalaisin ja lopettaa tietokoneiden asioiden oppiminen.
Sen sijaan hän halusi, että tietokoneet alkavat selvittää asioita yksinään ilman, että ihmiset joutuvat syöttämään pienintäkin tietoa. Sitten hän ajatteli, että tietokoneet eivät vain tee tehtäviä, vaan voisivat lopulta päättää, mitä tehtäviä suoritetaan ja milloin. Miksi? Jotta tietokoneet voisivat vähentää ihmisen tarvitsemaa työtä, joka tarvitaan jonkin tietyn alueen suorittamiseen.
Miten koneen oppiminen toimii
Koneen oppiminen toimii algoritmien ja tietojen avulla. Algoritmi on joukko ohjeita tai ohjeita, jotka kertovat tietokoneelle tai ohjelmalle, miten suorittaa tehtävä. ML: ssä käytetyt algoritmit keräävät tietoja, tunnistavat malleja ja käyttävät kyseisten tietojen analysointia omien ohjelmiensa ja toimintojensa sopeuttamiseksi tehtävien suorittamiseen.
ML-algoritmit käyttävät sääntöjä, päätöksentekijöitä, graafisia malleja, luonnollista kielten käsittelyä ja hermoverkkoja (muutamia muitakin) automatisoimaan tietojen käsittelyä päätösten tekemiseksi ja tehtävien suorittamiseksi. Vaikka ML voi olla monimutkainen aihe, Googlen opettamiskone tarjoaa yksinkertaistetun käytännön osoitteen siitä, miten ML toimii.
Nykyisin käytössä oleva koneoppimisen voimakas muoto, jota kutsutaan syvään oppimiseen , luo monimutkaisen matemaattisen rakenteen, jota kutsutaan hermoverkoksi, joka perustuu suuria määriä tietoja. Neuraaliverkot ovat ML- ja AI-algoritmien sarjoja, jotka on mallinnettu ihmisen aivojen hermosolujen ja hermoston prosessin informaation jälkeen.
Artificial Intelligence vs. Machine Learning vs. Data Mining
Jotta ymmärrettäisiin paremmin AI: n, ML: n ja tiedonlouhinnan välinen suhde, on hyvä ajatella joukkoa eri kokoisia sateenvarjoja. AI on suurin sateenvarjo. ML-sateenvarsi on kooltaan pienempi ja sopii AI-sateenvarjoon. Data mining sateenvarjo on pienin ja sopii ML-sateenvarjon alle.
- AI on tietojenkäsittelytieteen haara, jonka tarkoituksena on ohjelmoida tietokoneita suorittamaan tehtäviä "älykkäämpinä" ja "inhimillisemmissä" tavoissa käyttäen ihmisen älykkyyden jälkeen mallinnettuja päättely- ja päätöksentekotekniikoita.
- ML on AT: n tietojenkäsittelyryhmä, joka keskittyy ohjelmointikoneisiin (tietokoneet) oppimaan (kerätä tarvittavat tiedot tai esimerkit) datapohjaisten ja älykkäiden päätösten automatisoimiseksi.
- Tietojen kaivostoiminta käyttää tilastoja, ML, AI ja valtavia tietokantoja, jotka keräävät tietoja, antavat tietoa, luo luokituksia, tunnistaa ongelmat ja toimittaa yksityiskohtaisia tietoja analytiikkaan.
Mitä koneen oppiminen voi tehdä (ja jo on)
Tietokoneiden kyky analysoida suuria määriä informaatiota toisen jakeissa tekee ML: stä hyödyllisen useilla toimialoilla, joissa aika ja tarkkuus ovat välttämättömiä.
- Lääketiede: ML-tekniikka toteutetaan erilaisissa lääketieteen alan ratkaisuissa, mukaan lukien hätäkeskuksen lääkäreiden auttaminen nopeammin potilailla, joilla on epätavallisia oireita. Lääkärit voivat syöttää luettelon potilaan oireista ohjelmaan ja käyttää ML: tä, ohjelma voi piilottaa miljardeja teratavua tietoa lääketieteellisestä kirjallisuudesta ja internetistä palauttaakseen luettelon potentiaalisista diagnooseista ja suositelluista testeistä tai hoidosta ennätyksellisen ajan.
- Koulutus: ML: n avulla luodaan koulutusvälineitä, jotka räätälöivät oppilaan oppimistarpeet, kuten virtuaaliset oppimisavustajat ja sähköiset oppikirjat, jotka ovat vuorovaikutteisempia. Nämä työkalut käyttävät ML: tä selvittääkseen mitä käsitteitä ja taitoja opiskelija ymmärtää käyttäen lyhyitä tietokilpailuja ja harjoituksia. Työkalut antavat lyhyitä videoita, lisäesimerkkejä ja tausta-aineistoa, jotta oppilas oppii tarvittavat taidot tai käsitteet.
- Automotive: ML on myös avainasemassa itsesäätyvien autojen (kutsutaan myös ajoneuvo-vähemmän autoja tai itsenäisiä autoja) kehittymässä. Itseajoneuvoa käyttävä ohjelmisto käyttää ML: ta sekä reaaliaikaisissa tienkokeissa että simulaatioissa, joilla havaitaan tieliikenneolosuhteet (kuten jäiset tiet) tai tunnistetaan tiellä olevat esteet ja oppivat asianmukaiset ajo-tehtävät selviytymään turvallisesti tällaisissa tilanteissa.
Olet todennäköisesti kohdannut ML: n monta kertaa ymmärtämättä sitä. Osa ML-tekniikan yleisimmistä käyttötavoista sisältää käytännöllisen puheentunnistuksen ( Samsungin Bixby , Applen Siri ja monia puhetta-to-text -ohjelmia, jotka ovat nyt standardi PC: ssä), sähköpostin roskapostisuodatus, uutissyötteiden luominen, petosten havaitseminen, henkilökohtaistaminen ostos suosituksia ja tehokkaampia web-hakutuloksia.
ML on mukana myös Facebook- syötteessäsi. Kun pidät tai klikkaat ystäväsi viestejä usein, algoritmit ja ML-kohtaukset takaa tekojensa "ajan" tietyn ystäväsi tai sivusi uutisoimiseksi.
Mitä koneen oppiminen ei voi tehdä
On kuitenkin rajoituksia, mitä ML voi tehdä. Esimerkiksi ML-tekniikan käyttö eri toimialoilla vaatii huomattavan määrän ihmisten kehittämistä ja ohjelmointia erikoistumaan ohjelmaan tai järjestelmään kyseisen teollisuuden vaatimien tehtävien tyypeille. Esimerkiksi yllä olevassa lääketieteellisessä esimerkissä hätäosastolla käytettyä ML-ohjelmaa kehitettiin nimenomaan ihmislääketieteessä. Tällä hetkellä ei ole mahdollista ottaa tätä tarkkaa ohjelmaa ja panna se suoraan täytäntöön eläinlääkärin hätäkeskuksessa. Tällainen siirtyminen edellyttää laajaa erikoistumista ja kehitystä ihmisen ohjelmoijilta luomaan version, joka kykenee suorittamaan tämän tehtävän eläinlääketieteelliseen tai eläinlääketieteeseen.
Se vaatii myös uskomattoman suuria määriä tietoja ja esimerkkejä "oppimaan" tarvittavat tiedot päätösten tekemiseksi ja tehtävien suorittamiseksi. ML-ohjelmat ovat myös erittäin kirjaimellisia tietojen tulkinnassa ja kamppailussa symbolismista ja myös tietyntyyppisistä suhteista datan tuloksiin, kuten syy-seurauksiin ja -vaikutuksiin.
Jatkuvat edistysaskeleet tekevät ML: stä entistä enemmän ydinteknologiaa, joka luo älykkäämpiä tietokoneita päivittäin.