Najprościej mówiąc, uczenie maszynowe (ML) to programowanie maszyn (komputerów), aby mógł wykonać żądane zadanie, wykorzystując i analizując dane (informacje), aby wykonać to zadanie samodzielnie, bez dodatkowych konkretnych danych wejściowych od ludzkiego programisty.
Uczenie maszynowe 101
Termin nauczanie maszynowe powstał w laboratoriach IBM w 1959 roku przez Arthura Samuela, pioniera sztucznej inteligencji (AI) i gier komputerowych. W ten sposób uczenie maszynowe jest gałęzią sztucznej inteligencji. Założeniem Samuela było odwrócenie modelu komputerowego czasu do góry nogami i przestanie dawać komputerowi rzeczy do nauczenia się.
Zamiast tego chciał, aby komputery same zaczęły samodzielnie rozwiązywać problemy, a ludzie nie musieli podawać nawet najdrobniejszych informacji. Potem pomyślał, że komputery nie tylko wykonują zadania, ale mogą ostatecznie zdecydować, które zadania wykonać i kiedy. Czemu? Aby komputery mogły zmniejszyć ilość pracy, jaką człowiek musiał wykonać w danym obszarze.
Jak działa uczenie maszynowe
Uczenie maszynowe działa poprzez wykorzystanie algorytmów i danych. Algorytm to zestaw instrukcji lub wskazówek informujących komputer lub program o sposobie wykonywania zadania. Algorytmy używane w ML zbierają dane, rozpoznają wzorce i wykorzystują analizę tych danych w celu dostosowania własnych programów i funkcji do wykonania zadań.
Algorytmy ML używają zestawów reguł, drzew decyzyjnych, modeli graficznych, przetwarzania języka naturalnego i sieci neuronowych (żeby wymienić tylko kilka) w celu zautomatyzowania przetwarzania danych w celu podejmowania decyzji i wykonywania zadań. Podczas gdy ML może być skomplikowanym tematem, Google Teachable Machine zapewnia uproszczoną praktyczną demonstrację działania ML.
Najpotężniejsza obecnie forma uczenia maszynowego, nazywana głęboką nauką, buduje złożoną strukturę matematyczną zwaną siecią neuronową, opartą na ogromnych ilościach danych. Sieci neuronowe to zestawy algorytmów w ML i AI wzorowane na sposobie przekazywania informacji o komórkach nerwowych w mózgu człowieka i systemie nerwowym.
Sztuczna inteligencja a uczenie maszynowe a eksploracja danych
Aby lepiej zrozumieć związek między sztuczną inteligencją, ML i wyszukiwaniem danych, warto pomyśleć o zestawie różnych rozmiarów parasoli. AI to największy parasol. Parasol ML jest mniejszy i mieści się pod parasolem AI. Parasol do eksploracji danych jest najmniejszy i mieści się pod parasolem ML.
- AI jest gałęzią informatyki, która ma na celu zaprogramowanie komputerów do wykonywania zadań w bardziej "inteligentny" i "ludzki" sposób, z wykorzystaniem technik rozumowania i podejmowania decyzji, wzorowanych na ludzkiej inteligencji.
- ML to kategoria informatyki w ramach sztucznej inteligencji skoncentrowana na programowaniu maszyn (komputerach) do nauki (gromadzenia niezbędnych danych lub przykładów), aby podejmować bardziej inteligentne decyzje oparte na danych w bardziej zautomatyzowany sposób.
- Eksploracja danych wykorzystuje statystyki, ML, AI i ogromne bazy danych do wyszukiwania wzorców, dostarczania spostrzeżeń, tworzenia klasyfikacji, identyfikowania problemów i dostarczania szczegółowych danych analitycznych.
Co nauka komputerowa może zrobić (i już to robi)
Zdolność komputerów do analizowania ogromnej ilości informacji w ułamkach sekundy sprawia, że ML jest przydatny w wielu branżach, w których niezbędny jest czas i dokładność.
- Lekarstwo: Technologia ML jest wdrażana w szeregu rozwiązań dla medycyny, w tym w pomaganiu lekarzom z oddziałów ratunkowych w szybszej diagnozie pacjentów z niezwykłymi objawami. Lekarze mogą wprowadzić listę objawów pacjenta do programu i za pomocą ML, program może przeszukać biliony terabajtów informacji z literatury medycznej i Internetu, aby zwrócić listę potencjalnych diagnoz i zalecanych testów lub leczenia w rekordowym czasie.
- Edukacja: ML służy do tworzenia narzędzi edukacyjnych, które dostosowują się do potrzeb edukacyjnych ucznia, takich jak asystenci wirtualnego uczenia się i elektroniczne podręczniki, które są bardziej interaktywne. Narzędzia te wykorzystują ML, aby odkryć, jakie koncepcje i umiejętności uczeń rozumie za pomocą krótkich quizów i ćwiczeń praktycznych. Narzędzia te dostarczają krótkich filmów wideo, dodatkowych przykładów i materiałów pomocniczych, które pomogą uczniowi uczyć się potrzebnych umiejętności lub koncepcji.
- Automobilowy: ML jest również kluczowym komponentem w wyłaniającej się dziedzinie samojezdnych samochodów (zwanych również samochodami bez kierowcy lub autonomicznymi samochodami). Oprogramowanie obsługujące samojezdne samochody używa ML podczas rzeczywistych testów drogowych i symulacji w celu wykrywania warunków na drodze (takich jak oblodzone drogi) lub identyfikacji przeszkód na drodze i uczenia się odpowiednich zadań związanych z prowadzeniem pojazdu w celu bezpiecznego poruszania się w takich sytuacjach.
Prawdopodobnie spotkałeś ML już wiele razy, nie zdając sobie z tego sprawy. Niektóre z bardziej powszechnych zastosowań technologii ML obejmują praktyczne rozpoznawanie mowy (Bixby firmy Samsung, Siri firmy Apple i wiele programów typu "talk-to-text", które są obecnie standardowymi komputerami PC), filtrowanie spamu dla wiadomości e-mail, budowanie kanałów informacyjnych, wykrywanie oszustw, personalizowanie zalecenia dotyczące zakupów i zapewniające bardziej skuteczne wyniki wyszukiwania w Internecie.
ML jest nawet zaangażowany w twój kanał na Facebooku. Gdy często lubisz posty znajomych lub często je klikasz, algorytmy i ML za kulisami "uczą się" z twoich działań w czasie, aby nadać priorytet określonym znajomym lub stronom w Twoim kanale informacyjnym.
Czego uczenia maszynowego nie da się zrobić
Istnieją jednak ograniczenia co do tego, co ML może zrobić. Na przykład wykorzystanie technologii ML w różnych branżach wymaga znacznego rozwoju i programowania przez ludzi w celu specjalizacji programu lub systemu dla rodzajów zadań wymaganych przez tę branżę.W naszym medycznym przykładzie powyżej, program ML używany w oddziale ratunkowym został opracowany specjalnie dla ludzkiej medycyny. Obecnie nie jest możliwe zabranie tego dokładnego programu i bezpośrednie wdrożenie go w weterynaryjnym centrum ratunkowym. Takie przejście wymaga szerokiej specjalizacji i rozwoju przez programistów w celu stworzenia wersji zdolnej do wykonania tego zadania w weterynarii lub weterynarii.
Wymaga także niesamowicie dużych ilości danych i przykładów, aby poznać informacje potrzebne do podejmowania decyzji i wykonywania zadań. Programy ML są również bardzo dosłowne w interpretacji danych i zmaganiach z symboliką, a także w niektórych typach relacji w obrębie wyników danych, takich jak przyczyna i skutek.
Ciągły rozwój sprawia jednak, że ML staje się coraz bardziej podstawową technologią, która każdego dnia tworzy inteligentne komputery.
