Машинное обучение — это сложно. Мы разобрали его для вас.
Любой, кто хотя бы поверхностно следит за технологическими тенденциями последних лет, не может не заметить постоянно растущее количество упоминаний о машинном обучении и искусственном интеллекте.
Говоря о преимуществах нашего предложения в Somatix, мы часто ссылаемся на расширенные возможности машинного обучения как на ключевое конкурентное отличие. Тем не менее, те, кто следит за нашими инновациями, понимают, что такое машинное обучение? Полностью ли наши потенциальные клиенты оценивают потенциал возможностей машинного обучения?
Итак, с чего мы начнем? Важно понимать, что машинное обучение и ИИ в целом являются синонимами. Оба по существу предназначены для того, чтобы научить машины имитировать способность человеческого мозга думать. Хотя этот пост посвящен машинному обучению, все сказанное в равной степени относится и к ИИ.
Машинное обучение — это способность компьютерной системы становиться умнее за счет наблюдения и анализа и совершенствоваться, учась на ошибках и опыте. Вместо того, чтобы принудительно получать знания от программистов-людей, компьютер оснащен алгоритмами искусственного интеллекта, позволяющими ему самостоятельно учиться на примерах и предыдущем опыте. Эти алгоритмы имитируют работу нейронной сети человеческого мозга.
Чем больше данных накапливает компьютер и чем больше опыта он приобретает, тем умнее он становится — и каждый бит обрабатываемой информации способствует постоянному автономному совершенствованию его вычислительных моделей. Результаты могут быть ошеломляющими — умные компьютеры, использующие машинное обучение, уже достигли уровня интеллекта, подобного интеллекту человеческих младенцев, обучающихся, подражая своим родителям, или детей, обучаемых посредством непрерывного повторения.
Существует два подхода к машинному обучению:
- Обучение машины использованию рассуждений.
2. Моделирование машины на основе человеческого мозга и оснащение ее навыками вычислений и анализа данных, которые имитируют работу нейронов человеческого мозга.
Исследователи могут определить, было ли машинное обучение достигнуто за счет повышения уровня производительности компьютера на основе опыта или за счет любого экземпляра компьютерной программы, выполняющей задачу с возрастающей эффективностью при последующих запусках. Чем лучше результаты, полученные программой — с нечеловеческим вмешательством — тем сильнее признак того, что машинное обучение имело место.
Итак, если у нас есть компьютеры, способные к обучению, какие чудеса мы можем реализовать? Что ж, в мире, в котором корпоративные информационные системы должны справляться с огромными объемами данных (тенденция, которая, как ожидается, будет только расти с Интернетом), машинное обучение может быть чрезвычайно мощным инструментом. Он может помочь отфильтровать «шум» и извлечь неявную информацию, обнаружить скрытые связи, определить модели и тенденции и даже предсказать возникающие закономерности.
Например, бизнес-аналитика на основе машинного обучения может позволить сети супермаркетов анализировать модели покупок определенного потребительского сегмента (т. е. определенной возрастной группы) в заданном географическом регионе в качестве средства измерения прибыльности продукта и эффективности кампании. Сеть поставщиков медицинских услуг может аналогичным образом использовать машинное обучение, чтобы выявить причину повторной госпитализации в зависимости от возраста, пола и географии, среди других критериев. Короче говоря, машинное обучение может помочь организациям выявлять ранее неизвестные закономерности и получать информацию, которая способствует оптимизации процессов и прибыльности.
Как именно машинное обучение делает все это? Ответ кроется в лежащих в его основе алгоритмах — наборах предопределенных вычислений, предназначенных для конкретных задач анализа закономерностей. Мы можем разделить алгоритмы обучения на две ключевые группы — контролируемые и неконтролируемые, — каждая из которых направлена на решение одних и тех же задач. В случае алгоритмов обучения с учителем программисты предоставляют компьютерные данные, помеченные для представления конкретных событий (т. е. возможность определить факт курения, употребления алкоголя или еды). С другой стороны, при неконтролируемом обучении компьютеру просто даются необработанные данные, и ему остается понять, что данные представляют собой смесь совершенно разных событий сами по себе, даже если он не обязательно может знать, какое подмножество данных представляет какое конкретное событие. .
Машинное обучение — это многоэтапный, а не одноточечный процесс. Он включает в себя все: от определения алгоритма и обнаружения релевантной информации до фильтрации «шума» и генерации знаний до оценки результатов и реализации идей.
