Računala ne preuzimaju, ali svakodnevno postaju pametniji
U najjednostavnijem smislu, strojno učenje (ML) je programiranje strojeva (računala) tako da može izvršiti traženi zadatak korištenjem i analizom podataka (informacija) za obavljanje tog zadatka samostalno, bez dodatnog specifičnog unosa ljudskog razvojnog programera.
Strojno učenje 101
Izraz "strojno učenje" izradio je 1959. godine u IBM laboratorijima Arthur Samuel, pionir umjetne inteligencije (AI) i računalnih igara. Strojno učenje, kao rezultat, je grana Umjetne inteligencije. Samuelova je pretpostavka bila okretanje računalnog modela vremena naopako i prestati davati kompjutore stvari koje treba naučiti.
Umjesto toga, htio je računalima početi sami shvatiti stvari bez da ljudi unesu najmanji dio informacija. Zatim, pomislio je, računala ne bi samo obavljala zadatke, već bi u konačnici odlučila koje poslove obavljati i kada. Zašto? Tako da računala mogu smanjiti količinu rada ljudi potrebnih za obavljanje u bilo kojem području.
Kako funkcionira učenje stroja
Učenje stroja radi pomoću algoritama i podataka. Algoritam je skup uputa ili smjernica koje govore računalu ili programu kako izvršiti zadatak. Algoritmi korišteni u ML prikupljaju podatke, prepoznaju obrasce i koriste analizu tih podataka kako bi prilagodili vlastite programe i funkcije za dovršavanje zadataka.
ML algoritmi koriste skup pravila, stabla odlučivanja, grafički modeli, obrada prirodnog jezika i neuronske mreže (u nekoliko navrata) da automatiziraju podatke za obradu kako bi donosili odluke i obavljali zadatke. Dok ML može biti složena tema, Googleov Učljivo Stroj omogućuje pojednostavljenu praktičnu demonstraciju o načinu rada ML.
Najmoćniji oblik strojnog učenja koji se danas koristi, pod nazivom duboko učenje , gradi složenu matematičku strukturu nazvanu neuronsku mrežu, koja se temelji na ogromnim količinama podataka. Neuronske mreže su skupovi algoritama u ML i AI modeliranim po načinu živčanih stanica u ljudskom mozgu i informacijama o procesu živčanog sustava.
Umjetna inteligencija vs učenje stroja nasuprot podatkovnog rudarstva
Da biste najbolje razumjeli odnos između AI, ML i podatkovnog rudarstva, korisno je razmisliti o skupu različitih veličina kišobrana. AI je najveći kišobran. ML kišobran je manji i odgovara ispod AI kišobrana. Umivaonik za data mining je najmanji i odgovara ispod ML okvira.
- AI je grana informatičke znanosti koja ima za cilj programirati računala za obavljanje zadataka u više "inteligentnih" i "ljudskih" načina, koristeći tehnike odlučivanja i odlučivanja po uzoru na ljudsku inteligenciju.
- ML je kategorija računalstva unutar AI usmjerenog na strojeve za programiranje (računala) da nauče (prikupiti potrebne podatke ili primjere) kako bi se data-driven, inteligentne odluke na automatizirani način.
- Data mining koristi statistiku, ML, AI i ogromne baze podataka kako bi pronašao obrasce, pružio uvide, stvorio klasifikacije, identificirao probleme i davao detaljne analize podataka.
Što učenje stroja može učiniti (i već to radi)
Kapacitet računala za analizu golemih količina informacija u frakcijama sekunde ML čini korisnim u brojnim industrijama gdje su vrijeme i točnost ključni.
- Medicina: ML tehnologija se provodi u nizu rješenja za medicinsko područje, uključujući pomoć liječnicima hitne službe s bržom dijagnozom pacijenata s neobičnim simptomima. Liječnici mogu unijeti popis simptoma pacijenta u program i koristiti ML, program može očistiti trilijune terabajta informacija iz medicinske literature i interneta kako bi se vratio popis potencijalnih dijagnoza i preporučenog testiranja ili liječenja u rekordnom vremenu.
- Obrazovanje: ML se koristi za stvaranje obrazovnih alata koji se prilagođavaju potrebama učenja učenika, kao što su virtualni učenjaci i elektronički udžbenici koji su više interaktivni. Ti alati koriste ML kako bi otkrili koje koncepte i vještine koje student razumije koristeći kratke kvizove i vježbe vježbi. Alati zatim pružaju kratke videozapise, dodatne primjere i materijale u pozadini kako bi pomogli učeniku naučiti potrebne vještine ili pojmove.
- Automobilska industrija: ML je također ključna komponenta u novom području samohodnih automobila (koji se nazivaju i automobilima bez vozača ili autonomnim automobilima). Softver koji upravlja vozilima za samoposluživanje upotrebljava ML tijekom testova na cestama u stvarnom životu i simulacija za otkrivanje uvjeta na cesti (poput ledenih cesta) ili prepoznavanje prepreka na kolniku i naučiti odgovarajuće zadatke vožnje kako bi sigurno kretali takvim situacijama.
Vjerojatno ste već susreli ML mnogo puta bez da to shvatite. Neke od uobičajenih načina upotrebe ML tehnologije obuhvaćaju praktično prepoznavanje govora ( Samsungov Bixby , Appleov Siri i mnogi programi za razgovor u tekstu koji su sada standardni na računalima), filtriranje neželjene pošte za vašu e-poštu, izgradnju vijesti, otkrivanje prijevara, personaliziranje preporuke za kupnju i pružanje učinkovitijih rezultata pretraživanja weba.
ML je čak uključen u vaš Facebook feed. Kada često želite ili kliknete na postove prijatelja, algoritmi i ML iza scene "učiti" iz vaših aktivnosti tijekom vremena kako bi odredili određene prijatelje ili stranice u vašem Newsfeedu.
Što učenje stroja ne može učiniti
Međutim, postoje ograničenja za ono što ML može učiniti. Na primjer, korištenje ML tehnologije u različitim industrijama zahtijeva znatnu količinu razvoja i programiranja od strane ljudi da specijaliziraju program ili sustav za vrste zadataka koje zahtijeva ta industrija. Na primjer, u našem medicinskom primjeru gore, program ML koji se koristi u hitnom odjelu razvijen je posebno za humanu medicinu. Trenutačno nije moguće uzeti taj točan program i izravno ga implementirati u veterinarskom hitnom centru. Takav prijelaz zahtijeva opsežnu specijalizaciju i razvoj ljudskih programera kako bi stvorili verziju koja je sposobna obavljati ovaj zadatak za veterinarsku ili životinjsku medicinu.
Također zahtijeva nevjerojatno ogromne količine podataka i primjera kako bi "naučili" informacije potrebne za donošenje odluka i obavljanje zadataka. ML programi su također vrlo doslovni u tumačenju podataka i borbi s simbolizmom, kao i nekim vrstama odnosa unutar rezultata podataka, poput uzroka i posljedica.
Nastavak napredovanja, međutim, čini ML više jezgre tehnologije stvaranje pametnijih računala svaki dan.