Οδηγός μηχανικής μάθησης για αρχάριους: Τι είναι, Βασικά στοιχεία της ML
Συντακτική ομάδα
⚡ Έξυπνη Σύνοψη
Η Μηχανική Μάθηση είναι μια οικογένεια αλγορίθμων υπολογιστών που βελτιώνονται από παραδείγματα αντί να κωδικοποιούνται ρητά, συνδυάζοντας δεδομένα με στατιστικά εργαλεία για να προβλέψουν αποτελέσματα που οι άνθρωποι μπορούν να μετατρέψουν σε εφαρμόσιμες αποφάσεις.
Τι είναι η Μηχανική Εκμάθηση;
Μηχανική μάθηση είναι ένα σύστημα αλγορίθμων υπολογιστών που μπορούν να μάθουν από παραδείγματα μέσω αυτοβελτίωσης, χωρίς να κωδικοποιηθούν ρητά από προγραμματιστή. Η μηχανική μάθηση είναι μέρος του τεχνητή νοημοσύνη το οποίο συνδυάζει δεδομένα με στατιστικά εργαλεία για να προβλέψει ένα αποτέλεσμα που μπορεί να χρησιμοποιηθεί για την εξαγωγή αξιοποιήσιμων πληροφοριών.
Η σημαντική ανακάλυψη έρχεται με την ιδέα ότι μια μηχανή μπορεί να μάθει από τα δεδομένα (δηλαδή, παραδείγματα) από μόνη της για να παράγει ακριβή αποτελέσματα. Η μηχανική μάθηση σχετίζεται στενά με εξόρυξη δεδομένων και Μπεϋζιανή προγνωστική μοντελοποίηση. Η μηχανή λαμβάνει δεδομένα ως είσοδο και χρησιμοποιεί έναν αλγόριθμο για να διατυπώσει απαντήσεις.
Μια τυπική εργασία μηχανικής μάθησης είναι η παροχή μιας σύστασης. Για όσους έχουν Netflix λογαριασμό, όλες οι προτάσεις ταινιών ή σειρών βασίζονται στα ιστορικά δεδομένα του χρήστη. Οι εταιρείες τεχνολογίας χρησιμοποιούν μη εποπτευόμενη μάθηση για να βελτιώσετε την εμπειρία χρήστη εξατομικεύοντας τις προτάσεις.
Η μηχανική μάθηση χρησιμοποιείται επίσης για μια ποικιλία εργασιών, όπως η ανίχνευση απάτης, η προγνωστική συντήρηση, η βελτιστοποίηση χαρτοφυλακίου και η αυτοματοποίηση εργασιών.
Μηχανική μάθηση εναντίον παραδοσιακού προγραμματισμού
Ο παραδοσιακός προγραμματισμός διαφέρει σημαντικά από τη μηχανική μάθηση. Στον παραδοσιακό προγραμματισμό, ένας προγραμματιστής κωδικοποιεί όλους τους κανόνες σε συνεννόηση με έναν ειδικό στον κλάδο για τον οποίο αναπτύσσεται το λογισμικό. Κάθε κανόνας βασίζεται σε μια λογική βάση. Η μηχανή παράγει ένα αποτέλεσμα ακολουθώντας τη λογική πρόταση. Όταν το σύστημα γίνεται πολύπλοκο, πρέπει να γραφτούν περισσότεροι κανόνες και η συντήρησή του μπορεί γρήγορα να γίνει μη βιώσιμη. Το παρακάτω διάγραμμα δείχνει αυτή τη ροή, όπου τα δεδομένα και οι χειρόγραφοι κανόνες εισέρχονται και οι απαντήσεις εμφανίζονται.
Η μηχανική μάθηση έχει ως στόχο να ξεπεράσει αυτό το πρόβλημα. Η μηχανή μαθαίνει πώς συσχετίζονται τα δεδομένα εισόδου και εξόδου και γράφει η ίδια τον κανόνα. Οι προγραμματιστές δεν χρειάζεται να γράφουν νέους κανόνες κάθε φορά που υπάρχουν νέα δεδομένα. Οι αλγόριθμοι προσαρμόζονται ανάλογα με τα νέα δεδομένα και την εμπειρία για να βελτιώσουν την αποτελεσματικότητα με την πάροδο του χρόνου. Το δεύτερο διάγραμμα αντιστρέφει το πρώτο: τα δεδομένα και οι γνωστές απαντήσεις εισέρχονται και ο κανόνας εμφανίζεται.
Πώς λειτουργεί η Μηχανική Μάθηση;
Με αυτή την αντίθεση στη θέση της, το επόμενο ερώτημα είναι τι συμβαίνει στην πραγματικότητα μέσα στο βήμα της μάθησης.
Η μηχανική μάθηση είναι ο εγκέφαλος όπου λαμβάνει χώρα όλη η μάθηση. Ο τρόπος με τον οποίο μαθαίνει η μηχανή είναι παρόμοιος με τον τρόπο που μαθαίνει ένας άνθρωπος. Οι άνθρωποι μαθαίνουν από την εμπειρία: όσο περισσότερα γνωρίζουμε, τόσο πιο εύκολα μπορούμε να προβλέψουμε. Κατ' αναλογία, όταν αντιμετωπίζουμε μια άγνωστη κατάσταση, η πιθανότητα επιτυχίας είναι χαμηλότερη από ό,τι σε μια γνωστή κατάσταση. Οι μηχανές εκπαιδεύονται με τον ίδιο τρόπο. Για να κάνει μια ακριβή πρόβλεψη, η μηχανή βλέπει ένα παράδειγμα. Όταν δίνουμε στη μηχανή ένα παρόμοιο παράδειγμα, μπορεί να υπολογίσει το αποτέλεσμα. Ωστόσο, όπως ένας άνθρωπος, αν της δοθεί ένα προηγουμένως άγνωστο παράδειγμα, η μηχανή δυσκολεύεται να προβλέψει.
Οι βασικοί στόχοι της μηχανικής μάθησης είναι η μάθηση και η εξαγωγή συμπερασμάτων. Πρώτα απ 'όλα, η μηχανή μαθαίνει μέσω της ανακάλυψης μοτίβων και αυτή η ανακάλυψη καθίσταται δυνατή από τα δεδομένα. Ένα κρίσιμο μέρος της δουλειάς του επιστήμονα δεδομένων είναι να επιλέγει προσεκτικά ποια δεδομένα θα παρέχει στη μηχανή. Η λίστα των χαρακτηριστικών που χρησιμοποιούνται για την επίλυση ενός προβλήματος ονομάζεται διάνυσμα χαρακτηριστικόΜπορείτε να σκεφτείτε ένα διάνυσμα χαρακτηριστικών ως ένα υποσύνολο δεδομένων που χρησιμοποιείται για την αντιμετώπιση ενός προβλήματος.
Η μηχανή χρησιμοποιεί αλγόριθμους για να απλοποιήσει την πραγματικότητα και να μετατρέψει αυτήν την ανακάλυψη σε μοντέλο. Το στάδιο της μάθησης χρησιμοποιείται επομένως για την περιγραφή των δεδομένων και τη σύνοψή τους σε ένα μοντέλο, όπως απεικονίζεται παρακάτω.
Για παράδειγμα, η μηχανή προσπαθεί να κατανοήσει τη σχέση μεταξύ του μισθού ενός ατόμου και της πιθανότητας να πάει σε ένα πολυτελές εστιατόριο. Αποδεικνύεται ότι η μηχανή βρίσκει μια θετική σχέση μεταξύ του μισθού και της επίσκεψης σε ένα πολυτελές εστιατόριο: αυτό είναι το μοντέλο.
Συμπερασματικά
Όταν το μοντέλο κατασκευαστεί, είναι δυνατό να ελεγχθεί η ισχύς του σε δεδομένα που δεν έχουν ξαναδεί. Τα νέα δεδομένα μετατρέπονται σε ένα διάνυσμα χαρακτηριστικών, περνούν από το μοντέλο και δίνουν μια πρόβλεψη. Αυτό είναι το πολύτιμο μέρος της μηχανικής μάθησης. Δεν χρειάζεται να ενημερώσετε τους κανόνες ή να εκπαιδεύσετε ξανά το μοντέλο — μπορείτε να χρησιμοποιήσετε το προηγουμένως εκπαιδευμένο μοντέλο για να κάνετε ένα συμπέρασμα σε νέα δεδομένα, ακριβώς όπως δείχνει το παρακάτω διάγραμμα.
Η ζωή ενός προγράμματος μηχανικής μάθησης είναι απλή και μπορεί να συνοψιστεί στα ακόλουθα σημεία:
- Ορίστε μια ερώτηση
- Συλλογή δεδομένων
- Οπτικοποιήστε δεδομένα
- Αλγόριθμος τρένου
- Δοκιμάστε τον αλγόριθμο
- Συλλέξτε σχόλια
- Βελτιώστε τον αλγόριθμο
- Επαναλάβετε τα βήματα 4 έως 7 μέχρι να σας ικανοποιήσουν τα αποτελέσματα
- Χρησιμοποιήστε το μοντέλο για να κάνετε μια πρόβλεψη
Μόλις ο αλγόριθμος γίνει καλός στην εξαγωγή των σωστών συμπερασμάτων, εφαρμόζει αυτή τη γνώση σε νέα σύνολα δεδομένων.
Μηχανική μάθηση Algorithms και πού χρησιμοποιούνται;
Το παρακάτω διάγραμμα ομαδοποιεί τους πιο συνηθισμένους αλγόριθμους ανάλογα με το είδος της εργασίας που επιλύουν.
Η μηχανική μάθηση μπορεί να ομαδοποιηθεί σε δύο ευρείες μαθησιακές εργασίες: εποπτεία και χωρίς επίβλεψηΔύο ακόμη οικογένειες βρίσκονται ανάμεσά τους και πέρα από αυτές — η ημι-επιβλεπόμενη μάθηση, η οποία συνδυάζει ένα μικρό σύνολο με ετικέτες με ένα μεγάλο σύνολο χωρίς ετικέτες, και ενίσχυση μάθησης, όπου ένας πράκτορας μαθαίνει από τις ανταμοιβές και όχι από τις ετικέτες στις απαντήσεις.
Εποπτευόμενη μάθηση
Ένας αλγόριθμος χρησιμοποιεί δεδομένα εκπαίδευσης και ανατροφοδότηση από ανθρώπους για να μάθει τη σχέση μεταξύ δεδομένων εισροών και μιας δεδομένης εξόδου. Για παράδειγμα, ένας επαγγελματίας μπορεί να χρησιμοποιήσει τα έξοδα μάρκετινγκ και την πρόγνωση καιρού ως δεδομένα εισόδου για να προβλέψει τις πωλήσεις κονσερβών.
Μπορείς να χρησιμοποιήσεις εποπτευόμενη μάθηση όταν τα δεδομένα εξόδου είναι γνωστά. Ο αλγόριθμος θα προβλέψει στη συνέχεια με βάση τα νέα δεδομένα.
Υπάρχουν δύο κατηγορίες εποπτευόμενης μάθησης:
- Εργασία ταξινόμησης
- Εργασία παλινδρόμησης
Ταξινόμηση
Φανταστείτε ότι θέλετε να προβλέψετε το φύλο ενός πελάτη για μια διαφήμιση. Θα ξεκινήσετε συλλέγοντας δεδομένα σχετικά με το ύψος, το βάρος, την εργασία, τον μισθό, το καλάθι αγορών και ούτω καθεξής από τη βάση δεδομένων πελατών σας. Γνωρίζετε το φύλο κάθε πελάτη σας και μπορεί να είναι μόνο άνδρας ή γυναίκα. Ο στόχος του ταξινομητή είναι να αντιστοιχίσει μια πιθανότητα να είναι άνδρας ή γυναίκα (δηλαδή, την ετικέτα) με βάση τις πληροφορίες που έχετε συλλέξει (δηλαδή, τα χαρακτηριστικά). Όταν το μοντέλο μάθει πώς να αναγνωρίζει άνδρα ή γυναίκα, μπορείτε να χρησιμοποιήσετε νέα δεδομένα για να κάνετε μια πρόβλεψη. Για παράδειγμα, μόλις λάβατε νέες πληροφορίες από έναν άγνωστο πελάτη και θέλετε να μάθετε αν ο πελάτης είναι άνδρας ή γυναίκα. Εάν ο ταξινομητής προβλέπει άνδρας = 70%, αυτό σημαίνει ότι ο αλγόριθμος είναι 70% σίγουρος ότι αυτός ο πελάτης είναι άνδρας και 30% σίγουρος ότι ο πελάτης είναι γυναίκα.
Η ετικέτα μπορεί να έχει δύο ή περισσότερες κλάσεις. Το παραπάνω παράδειγμα μηχανικής μάθησης έχει μόνο δύο κλάσεις, αλλά αν ένας ταξινομητής χρειάζεται να προβλέψει αντικείμενα, μπορεί να έχει δεκάδες κλάσεις (π.χ., γυαλί, τραπέζι, παπούτσια — κάθε αντικείμενο αντιπροσωπεύει μια κλάση).
Οπισθοδρόμηση
Όταν η έξοδος είναι μια συνεχής τιμή, η εργασία είναι μια παλινδρόμηση. Για παράδειγμα, ένας οικονομικός αναλυτής μπορεί να χρειαστεί να προβλέψει την αξία μιας μετοχής με βάση μια σειρά χαρακτηριστικών όπως οι μετοχές, η προηγούμενη απόδοση της μετοχής και οι μακροοικονομικοί δείκτες. Το σύστημα θα εκπαιδευτεί να εκτιμά την τιμή της μετοχής με το χαμηλότερο δυνατό σφάλμα.
Ο παρακάτω πίνακας παραθέτει τους εποπτευόμενους αλγόριθμους που θα συναντήσετε πιο συχνά, καθώς και την εργασία για την οποία είναι κατάλληλος ο καθένας.
| Αλγόριθμος | Περιγραφή | Χαρακτηριστικά |
|---|---|---|
| Γραμμικής παλινδρόμησης | Βρίσκει έναν τρόπο να συσχετίσει κάθε χαρακτηριστικό με την έξοδο για να βοηθήσει στην πρόβλεψη μελλοντικών τιμών. | Οπισθοδρόμηση |
| Λογιστική παλινδρόμηση | Επέκταση της γραμμικής παλινδρόμησης που χρησιμοποιείται για εργασίες ταξινόμησης. Η μεταβλητή εξόδου είναι δυαδική (π.χ., μόνο μαύρο ή άσπρο) και όχι συνεχής (π.χ., μια άπειρη λίστα πιθανών χρωμάτων) | Ταξινόμηση |
| Δέντρο απόφασης | Μοντέλο ταξινόμησης ή παλινδρόμησης υψηλής ερμηνείας που χωρίζει τις τιμές των χαρακτηριστικών δεδομένων σε διακλαδώσεις στους κόμβους απόφασης (π.χ. εάν ένα χαρακτηριστικό είναι χρώμα, κάθε πιθανό χρώμα γίνεται νέος κλάδος) μέχρι να ληφθεί μια τελική έξοδος απόφασης | Οπισθοδρόμηση Ταξινόμηση |
| Ναϊβ Μπέις | Η μέθοδος Bayes είναι μια μέθοδος ταξινόμησης που χρησιμοποιεί το θεώρημα Bayes. Το θεώρημα ενημερώνει την προηγούμενη γνώση ενός γεγονότος με την ανεξάρτητη πιθανότητα κάθε χαρακτηριστικού που μπορεί να επηρεάσει το γεγονός. | Οπισθοδρόμηση Ταξινόμηση |
| Υποστήριξη μηχανή φορέα | Η Μηχανή Διανυσμάτων Υποστήριξης, ή SVM, χρησιμοποιείται συνήθως για την εργασία ταξινόμησης. Ο αλγόριθμος SVM βρίσκει ένα υπερεπίπεδο που διαιρεί βέλτιστα τις κλάσεις. Χρησιμοποιείται καλύτερα με έναν μη γραμμικό επιλυτή. | Παλινδρόμηση (όχι πολύ συχνή) Ταξινόμηση |
| Τυχαίο δάσος | Ο αλγόριθμος βασίζεται σε ένα δέντρο αποφάσεων για να βελτιώσει δραστικά την ακρίβεια. Το τυχαίο δάσος δημιουργεί πολλά απλά δέντρα αποφάσεων και χρησιμοποιεί τη μέθοδο της «ψήφου πλειοψηφίας» για να αποφασίσει ποια ετικέτα θα επιστρέψει. Για την εργασία ταξινόμησης, η τελική πρόβλεψη θα είναι αυτή με τις περισσότερες ψήφους. Για την εργασία παλινδρόμησης, η μέση πρόβλεψη όλων των δέντρων είναι η τελική πρόβλεψη. | Οπισθοδρόμηση Ταξινόμηση |
| AdaBoost | Τεχνική ταξινόμησης ή παλινδρόμησης που χρησιμοποιεί μια πληθώρα μοντέλων για να καταλήξει σε μια απόφαση αλλά τα σταθμίζει με βάση την ακρίβειά τους στην πρόβλεψη του αποτελέσματος | Οπισθοδρόμηση Ταξινόμηση |
| Δέντρα που ενισχύουν την κλίση | Τα δέντρα με ενίσχυση κλίσης είναι μια τεχνική ταξινόμησης/παλινδρόμησης τελευταίας τεχνολογίας. Εστιάζει στο σφάλμα που διαπράττουν τα προηγούμενα δέντρα και προσπαθεί να το διορθώσει. | Οπισθοδρόμηση Ταξινόμηση |
Μη εποπτευόμενη μάθηση
Στη μη επιβλεπόμενη μάθηση, ένας αλγόριθμος εξερευνά δεδομένα εισόδου χωρίς να του δοθεί μια σαφής μεταβλητή εξόδου (π.χ., εξερευνά δημογραφικά δεδομένα πελατών για να εντοπίσει μοτίβα).
Μπορείτε να το χρησιμοποιήσετε όταν δεν γνωρίζετε πώς να ταξινομήσετε τα δεδομένα και θέλετε ο αλγόριθμος να βρει τα μοτίβα και να ομαδοποιήσει τα δεδομένα για εσάς. Οι κύριοι αλγόριθμοι χωρίς επίβλεψη συνοψίζονται παρακάτω.
| Όνομα αλγορίθμου | Περιγραφή | Χαρακτηριστικά |
|---|---|---|
| Κ-σημαίνει ομαδοποίηση | Τοποθετεί δεδομένα σε ορισμένες ομάδες (k) που η καθεμία περιέχει δεδομένα με παρόμοια χαρακτηριστικά (όπως καθορίζεται από το μοντέλο, όχι εκ των προτέρων από τον άνθρωπο) | ClusterING |
| Μοντέλο μείγματος Gauss | Μια γενίκευση της ομαδοποίησης k-means που παρέχει μεγαλύτερη ευελιξία στο μέγεθος και το σχήμα των ομάδων (συστάδες) | ClusterING |
| Ιεραρχική ομαδοποίηση | Διαχωρίζει συστάδες κατά μήκος ενός ιεραρχικού δέντρου για να σχηματίσει ένα σύστημα ταξινόμησης. Μπορεί να χρησιμοποιηθεί για την ομαδοποίηση πελατών με κάρτες επιβράβευσης. | ClusterING |
| Σύστημα συστάσεων | Βοηθά στον ορισμό των σχετικών δεδομένων για τη διατύπωση μιας σύστασης. | ClusterING |
| PCA/t-SNE | Χρησιμοποιείται κυρίως για τη μείωση της διάστασης των δεδομένων. Οι αλγόριθμοι μειώνουν τον αριθμό των χαρακτηριστικών σε 3 ή 4 διανύσματα με τις υψηλότερες αποκλίσεις. | Μείωση διαστάσεων |
Πώς να επιλέξετε τον αλγόριθμο μηχανικής μάθησης
Υπάρχουν πολλοί αλγόριθμοι μηχανικής μάθησης και η επιλογή του αλγορίθμου καθορίζεται από τον στόχο και όχι από τη μόδα.
Στο παρακάτω παράδειγμα μηχανικής μάθησης, η εργασία είναι να προβλέψετε τον τύπο του λουλουδιού μεταξύ τριών ποικιλιών. Οι προβλέψεις βασίζονται στο μήκος και το πλάτος του πετάλου. Η εικόνα απεικονίζει τα αποτελέσματα δέκα διαφορετικών αλγορίθμων. Η εικόνα επάνω αριστερά είναι το ίδιο το σύνολο δεδομένων, με τα δεδομένα να ταξινομούνται σε τρεις κατηγορίες: κόκκινο, ανοιχτό μπλε και σκούρο μπλε. Ορισμένες ομάδεςpingΤα s είναι ορατά. Για παράδειγμα, στη δεύτερη εικόνα, όλα όσα βρίσκονται επάνω αριστερά ανήκουν στην κόκκινη κατηγορία, το μεσαίο τμήμα περιέχει ένα μείγμα αβεβαιότητας και ανοιχτού μπλε, ενώ το κάτω μέρος αντιστοιχεί στην σκοτεινή κατηγορία. Οι άλλες εικόνες δείχνουν πώς διαφορετικοί αλγόριθμοι προσπαθούν να ταξινομήσουν τα ίδια δεδομένα.
Μόλις επιλεγεί ένας υποψήφιος, η ποιότητά του κρίνεται με βάση δεδομένα που δεν έχει δει ποτέ, συνήθως με μήτρα σύγχυσης και τα στοιχεία ακρίβειας, επαναληψιμότητας και ανάκλησης που προκύπτουν από αυτό.
Προκλήσεις και περιορισμοί της Μηχανικής Μάθησης
Η κύρια πρόκληση της μηχανικής μάθησης είναι η έλλειψη δεδομένων ή η έλλειψη ποικιλομορφίας εντός του συνόλου δεδομένων. Μια μηχανή δεν μπορεί να μάθει εάν δεν υπάρχουν διαθέσιμα δεδομένα. Ένα σύνολο δεδομένων που δεν διαθέτει ποικιλομορφία δυσκολεύει επίσης τη μηχανή, επειδή μια μηχανή χρειάζεται ετερογένεια για να μάθει μια ουσιαστική γνώση. Είναι σπάνιο ένας αλγόριθμος να μπορεί ναtracπληροφορίες όταν δεν υπάρχουν ή υπάρχουν λίγες παραλλαγές. Ένας κοινός εμπειρικός κανόνας είναι να υπάρχουν τουλάχιστον 20 παρατηρήσεις ανά ομάδα για να βοηθηθεί η μηχανή να μάθει. Κάτω από αυτόν τον κανόνα, η αξιολόγηση και η πρόβλεψη υποφέρουν.
Ο όγκος δεδομένων δεν είναι το μόνο όριο. Τα μοντέλα που εκπαιδεύονται σε προκατειλημμένα ιστορικά αρχεία αναπαράγουν αυτή την προκατάληψη, τα πολύπλοκα μοντέλα είναι δύσκολο να εξηγηθούν σε μια ρυθμιστική αρχή ή σε έναν πελάτη και οποιοδήποτε μοντέλο υποβαθμίζεται καθώς αλλάζει ο κόσμος στον οποίο εκπαιδεύτηκε.
Εφαρμογή Μηχανικής Μάθησης
Οι παραπάνω τεχνικές εφαρμόζονται ήδη στην παραγωγή στους περισσότερους κλάδους. Τα παρακάτω παραδείγματα αφορούν από γενική βοήθεια σε συγκεκριμένους τομείς.
Αύξηση: Η μηχανική μάθηση βοηθά τους ανθρώπους στις καθημερινές τους εργασίες, προσωπικά ή εμπορικά, χωρίς να έχουν τον πλήρη έλεγχο του αποτελέσματος. Αυτού του είδους η μηχανική μάθηση χρησιμοποιείται με διαφορετικούς τρόπους, όπως εικονικοί βοηθοί, ανάλυση δεδομένων και λύσεις λογισμικού. Ο κύριος σκοπός είναι η μείωση των σφαλμάτων που προκαλούνται από την ανθρώπινη προκατάληψη.
Αυτοματισμοί: Η μηχανική μάθηση λειτουργεί εντελώς αυτόνομα σε οποιονδήποτε τομέα χωρίς την ανάγκη ανθρώπινης παρέμβασης. Για παράδειγμα, τα ρομπότ εκτελούν τα βασικά βήματα της διαδικασίας σε εργοστάσια παραγωγής.
Χρηματοοικονομικός κλάδος: Η μηχανική μάθηση (machine learning) γίνεται ολοένα και πιο δημοφιλής στον χρηματοοικονομικό κλάδο. Οι τράπεζες χρησιμοποιούν κυρίως τη μηχανική μάθηση (ML) για να βρουν μοτίβα μέσα στα δεδομένα, αλλά και για να αποτρέψουν την απάτη.
Κυβερνητικοί οργανισμοί: Οι κυβερνήσεις χρησιμοποιούν τη Μηχανική Μάθηση (ML) για τη διαχείριση της δημόσιας ασφάλειας και των υπηρεσιών κοινής ωφέλειας. Πάρτε για παράδειγμα την Κίνα και το μεγάλης κλίμακας πρόγραμμα αναγνώρισης προσώπου, όπου εφαρμογές τεχνητής νοημοσύνης χρησιμοποιούνται για την αναγνώριση των διαβατών.
Βιομηχανία υγειονομικής περίθαλψης: Η υγειονομική περίθαλψη ήταν μια από τις πρώτες βιομηχανίες που χρησιμοποίησε τη μηχανική μάθηση, ξεκινώντας με την ανίχνευση εικόνας.
Εμπορία: Η ΤΝ χρησιμοποιείται ευρέως στο μάρκετινγκ χάρη στην άφθονη πρόσβαση σε δεδομένα. Πριν από την εποχή των μαζικών δεδομένων, οι ερευνητές ανέπτυξαν προηγμένα μαθηματικά εργαλεία όπως η Bayesian ανάλυση για την εκτίμηση της αξίας ενός πελάτη. Με την άνθηση των δεδομένων, τα τμήματα μάρκετινγκ βασίζονται στην ΤΝ για τη βελτιστοποίηση των σχέσεων με τους πελάτες και των καμπανιών μάρκετινγκ.
Παράδειγμα Μηχανικής Μάθησης στην Εφοδιαστική Αλυσίδα
Η μηχανική μάθηση προσφέρει ισχυρά αποτελέσματα για την οπτική αναγνώριση προτύπων, ανοίγοντας πολλές πιθανές εφαρμογές στον φυσικό έλεγχο και τη συντήρηση σε ολόκληρο το δίκτυο της εφοδιαστικής αλυσίδας.
Η μη επιβλεπόμενη μάθηση μπορεί να αναζητήσει γρήγορα συγκρίσιμα μοτίβα σε ένα ποικίλο σύνολο δεδομένων. Με τη σειρά της, το μηχάνημα μπορεί να πραγματοποιήσει ποιοτικό έλεγχο σε ολόκληρο τον κόμβο εφοδιαστικής και να επισημάνει αποστολές με ζημιές και φθορές.
Για παράδειγμα, IBMΗ πλατφόρμα Watson μπορεί να προσδιορίσει το πλοίοping ζημιά σε κοντέινερ. Το Watson συνδυάζει οπτικά και συστημικά δεδομένα για να track, να αναφέρετε και να κάνετε συστάσεις σε πραγματικό χρόνο.
Στο παρελθόν, οι διαχειριστές αποθεμάτων βασίζονταν εκτενώς σε χειροκίνητες μεθόδους για την αξιολόγηση και την πρόβλεψη των αποθεμάτων. Όταν συνδυάζονται τα μεγάλα δεδομένα και η μηχανική μάθηση, καθίστανται δυνατές καλύτερες τεχνικές πρόβλεψης, με αναφερόμενες βελτιώσεις της τάξης του 20 έως 30% σε σχέση με τα παραδοσιακά εργαλεία πρόβλεψης. Όσον αφορά τις πωλήσεις, αυτό μεταφράζεται σε αύξηση 2 έως 3% χάρη στην πιθανή μείωση του κόστους αποθεμάτων.
Παράδειγμα Μηχανικής Μάθησης στο Google Αυτοκίνητο
Όλοι γνωρίζουν το Google αυτοκίνητο. Το αυτοκίνητο είναι καλυμμένο με λέιζερ στην οροφή, τα οποία του λένε πού βρίσκεται σε σχέση με την γύρω περιοχή. Διαθέτει ραντάρ στο μπροστινό μέρος, το οποίο ενημερώνει το αυτοκίνητο για την ταχύτητα και την κίνηση όλων των αυτοκινήτων γύρω του. Χρησιμοποιεί όλα αυτά τα δεδομένα όχι μόνο για να καταλάβει πώς να οδηγήσει το αυτοκίνητο, αλλά και για να προβλέψει τι πρόκειται να κάνουν οι οδηγοί γύρω του. Αυτό που είναι εντυπωσιακό είναι ότι το αυτοκίνητο επεξεργάζεται σχεδόν ένα gigabyte δεδομένων το δευτερόλεπτο.
Γιατί είναι σημαντική η μηχανική μάθηση;
Η μηχανική μάθηση είναι το καλύτερο εργαλείο μέχρι στιγμής για την ανάλυση, την κατανόηση και τον εντοπισμό ενός μοτίβου στα δεδομένα. Μία από τις κύριες ιδέες πίσω από τη μηχανική μάθηση είναι ότι ένας υπολογιστής μπορεί να εκπαιδευτεί ώστε να αυτοματοποιεί εργασίες που θα ήταν εξαντλητικές ή αδύνατες για έναν άνθρωπο. Η σαφής ρήξη με την παραδοσιακή ανάλυση είναι ότι η μηχανική μάθηση μπορεί να λαμβάνει αποφάσεις με ελάχιστη ανθρώπινη παρέμβαση.
Πάρτε το ακόλουθο παράδειγμα: ένας εμπορικός αντιπρόσωπος μπορεί να εκτιμήσει την τιμή ενός σπιτιού με βάση την προσωπική εμπειρία και τη γνώση της αγοράς.
Μια μηχανή μπορεί να εκπαιδευτεί ώστε να μεταφράζει τη γνώση αυτού του ειδικού σε χαρακτηριστικά. Τα χαρακτηριστικά είναι όλα τα χαρακτηριστικά ενός σπιτιού, της γειτονιάς, του οικονομικού περιβάλλοντος και ούτω καθεξής που κάνουν την τιμή να διαφέρει. Για τον ειδικό, πιθανότατα χρειάστηκαν χρόνια για να κατακτήσει την τέχνη της εκτίμησης της τιμής ενός σπιτιού και η εμπειρογνωμοσύνη βελτιώνεται μετά από κάθε πώληση.
Για το μηχάνημα, χρειάζονται εκατομμύρια σημεία δεδομένων (δηλαδή, παραδείγματα) για να κατακτήσει αυτή την τέχνη. Στην αρχή της εκμάθησής του, το μηχάνημα κάνει λάθη, όπως ένας νεαρός πωλητής. Μόλις το μηχάνημα δει αρκετά παραδείγματα, έχει αρκετές γνώσεις για να κάνει την εκτίμησή του, και να το κάνει αυτό με υψηλή ακρίβεια. Το μηχάνημα είναι επίσης σε θέση να διορθώσει τα λάθη του καθώς φτάνουν νέες πωλήσεις.
Οι περισσότερες μεγάλες εταιρείες έχουν κατανοήσει την αξία της μηχανικής μάθησης και της διατήρησης δεδομένων. Το McKinsey Global Institute εκτίμησε την ετήσια αξία όλων των τεχνικών ανάλυσης σε 9.5 τρισεκατομμύρια δολάρια έως 15.4 τρισεκατομμύρια δολάρια και απέδωσε περίπου το 40% αυτής — περίπου 3.5 τρισεκατομμύρια δολάρια έως 5.8 τρισεκατομμύρια δολάρια ετησίως — σε προηγμένες τεχνικές τεχνητής νοημοσύνης που βασίζονται σε βαθιά νευρωνικά δίκτυα, όπως ορίζεται στο... Σημειώσεις από τα σύνορα της τεχνητής νοημοσύνης έρευνα.
Όπου οι κανόνες είναι γνωστοί αλλά ανακριβείς και όχι απουσιάζουν, μια προσέγγιση βασισμένη σε κανόνες, όπως π.χ. ασαφής λογική μπορεί να ταιριάζει καλύτερα από ένα μοντέλο που έχει μάθει, επομένως οι δύο τεχνικές συχνά συγκρίνονται πριν ξεκινήσει ένα έργο.
