บทช่วยสอนการเรียนรู้ของเครื่องสำหรับผู้เริ่มต้น: พื้นฐานของ ML คืออะไร
เอเวลิน คลาร์ก
Machine Learning คืออะไร?
เครื่องเรียนรู้ เป็นระบบอัลกอริทึมคอมพิวเตอร์ที่สามารถเรียนรู้จากตัวอย่างผ่านการปรับปรุงตัวเองโดยไม่ต้องมีการเขียนโปรแกรมอย่างชัดเจนโดยโปรแกรมเมอร์ การเรียนรู้ของเครื่องจักรเป็นส่วนหนึ่งของปัญญาประดิษฐ์ซึ่งรวมข้อมูลกับเครื่องมือทางสถิติเพื่อทำนายผลลัพธ์ที่สามารถใช้เพื่อสร้างข้อมูลเชิงลึกที่ดำเนินการได้
ความก้าวหน้านี้มาพร้อมกับแนวคิดที่ว่าเครื่องจักรสามารถเรียนรู้จากข้อมูลเพียงอย่างเดียว (เช่น ตัวอย่าง) เพื่อให้ได้ผลลัพธ์ที่แม่นยำ การเรียนรู้ของเครื่องมีความเกี่ยวข้องอย่างใกล้ชิดกับการขุดข้อมูลและการสร้างแบบจำลองเชิงคาดการณ์แบบเบย์ เครื่องรับข้อมูลเป็นอินพุตและใช้อัลกอริธึมในการกำหนดคำตอบ
งานแมชชีนเลิร์นนิงทั่วไปคือการให้คำแนะนำ สำหรับผู้ที่มี Netflix บัญชี คำแนะนำภาพยนตร์หรือซีรีส์ทั้งหมดจะขึ้นอยู่กับข้อมูลประวัติของผู้ใช้ บริษัทเทคโนโลยีกำลังใช้ การเรียนรู้โดยไม่ได้รับการดูแล เพื่อปรับปรุงประสบการณ์ผู้ใช้ด้วยคำแนะนำส่วนบุคคล
การเรียนรู้ของเครื่องยังใช้สำหรับงานที่หลากหลาย เช่น การตรวจจับการฉ้อโกง การบำรุงรักษาเชิงคาดการณ์ การเพิ่มประสิทธิภาพพอร์ตโฟลิโอ การทำให้งานเป็นแบบอัตโนมัติ และอื่นๆ
การเรียนรู้ของเครื่องกับการเขียนโปรแกรมแบบดั้งเดิม
การเขียนโปรแกรมแบบดั้งเดิมนั้นแตกต่างจากการเรียนรู้ของเครื่องอย่างมาก ในการเขียนโปรแกรมแบบดั้งเดิม โปรแกรมเมอร์จะเขียนกฎทั้งหมดโดยปรึกษากับผู้เชี่ยวชาญในอุตสาหกรรมที่กำลังพัฒนาซอฟต์แวร์ กฎแต่ละข้อจะอิงตามพื้นฐานเชิงตรรกะ เครื่องจะดำเนินการเอาต์พุตตามคำสั่งเชิงตรรกะ เมื่อระบบมีความซับซ้อนมากขึ้น จำเป็นต้องเขียนกฎเพิ่มเติม ซึ่งอาจกลายเป็นสิ่งที่ไม่สามารถรักษาไว้ได้อีกต่อไป
การเรียนรู้ของเครื่องควรจะช่วยแก้ปัญหานี้ได้ เครื่องจะเรียนรู้ว่าข้อมูลอินพุตและเอาต์พุตมีความสัมพันธ์กันอย่างไร และจะเขียนกฎขึ้นมา โปรแกรมเมอร์ไม่จำเป็นต้องเขียนกฎใหม่ทุกครั้งที่มีข้อมูลใหม่เข้ามา อัลกอริทึมจะปรับตัวตามข้อมูลและประสบการณ์ใหม่ๆ เพื่อปรับปรุงประสิทธิภาพเมื่อเวลาผ่านไป
แมชชีนเลิร์นนิงทำงานอย่างไร
ในบทช่วยสอนพื้นฐานการเรียนรู้ของเครื่องสำหรับผู้เริ่มต้น เราจะเรียนรู้วิธีการทำงานของการเรียนรู้ของเครื่อง (ML):
การเรียนรู้ของเครื่องคือสมองที่การเรียนรู้ทั้งหมดเกิดขึ้น วิธีที่เครื่องเรียนรู้นั้นคล้ายคลึงกับมนุษย์ มนุษย์เรียนรู้จากประสบการณ์ ยิ่งเรารู้มากเท่าไร เราก็จะคาดเดาได้ง่ายขึ้นเท่านั้น โดยการเปรียบเทียบ เมื่อเราเผชิญกับสถานการณ์ที่ไม่รู้จัก โอกาสที่จะประสบความสำเร็จจะต่ำกว่าสถานการณ์ที่ทราบ เครื่องจักรได้รับการฝึกฝนเหมือนกัน เพื่อให้การทำนายที่แม่นยำ เครื่องจะเห็นตัวอย่าง เมื่อเรายกตัวอย่างที่คล้ายกันให้กับเครื่องจักร เครื่องก็จะสามารถทราบผลลัพธ์ได้ อย่างไรก็ตาม เช่นเดียวกับมนุษย์ ถ้ามันป้อนตัวอย่างที่ไม่เคยเห็นมาก่อน เครื่องจักรก็จะคาดเดาได้ยาก
วัตถุประสงค์หลักของการเรียนรู้ของเครื่องคือ การเรียนรู้ ที่ การอนุมาน- ประการแรก แมชชีนเรียนรู้ผ่านการค้นพบรูปแบบ การค้นพบนี้เกิดขึ้นได้เพราะ ข้อมูล- ส่วนสำคัญประการหนึ่งของนักวิทยาศาสตร์ข้อมูลคือการเลือกข้อมูลที่จะมอบให้กับเครื่องจักรอย่างระมัดระวัง รายการคุณลักษณะที่ใช้ในการแก้ปัญหาเรียกว่าก คุณสมบัติเวกเตอร์ คุณสามารถนึกถึงเวกเตอร์คุณลักษณะเป็นชุดย่อยของข้อมูลที่ใช้เพื่อแก้ไขปัญหา
เครื่องจักรนี้ใช้อัลกอริทึมที่แปลกใหม่เพื่อทำให้ความเป็นจริงง่ายขึ้นและเปลี่ยนการค้นพบนี้ให้กลายเป็น แบบดังนั้นจึงนำขั้นตอนการเรียนรู้มาอธิบายข้อมูลและสรุปออกมาเป็นแบบจำลอง
ตัวอย่างเช่น เครื่องจักรพยายามทำความเข้าใจความสัมพันธ์ระหว่างค่าจ้างของแต่ละบุคคลกับความน่าจะเป็นที่จะไปร้านอาหารหรูๆ ปรากฎว่าเครื่องจักรพบความสัมพันธ์เชิงบวกระหว่างค่าจ้างกับการไปร้านอาหารระดับไฮเอนด์ นี่คือโมเดล
การอนุมาน
เมื่อแบบจำลองถูกสร้างขึ้น คุณสามารถทดสอบได้ว่าแบบจำลองมีประสิทธิภาพเพียงใดจากข้อมูลที่ไม่เคยเห็นมาก่อน ข้อมูลใหม่จะถูกแปลงเป็นเวกเตอร์คุณลักษณะ ศึกษาแบบจำลองและคาดการณ์ นี่คือส่วนที่สวยงามของการเรียนรู้ของเครื่อง ไม่จำเป็นต้องอัปเดตกฎหรือฝึกโมเดลอีกครั้ง คุณสามารถใช้แบบจำลองที่ได้รับการฝึกก่อนหน้านี้เพื่ออนุมานข้อมูลใหม่ได้
ชีวิตของโปรแกรมการเรียนรู้ของเครื่องนั้นตรงไปตรงมาและสามารถสรุปได้เป็นประเด็นต่อไปนี้:
- กำหนดคำถาม
- เก็บข้อมูล
- เห็นภาพข้อมูล
- อัลกอริทึมรถไฟ
- ทดสอบอัลกอริทึม
- รวบรวมคำติชม
- ปรับแต่งอัลกอริทึม
- วนซ้ำ 4-7 จนได้ผลลัพธ์เป็นที่น่าพอใจ
- ใช้แบบจำลองในการทำนาย
เมื่ออัลกอริธึมสามารถสรุปผลได้ถูกต้องแล้ว อัลกอริธึมจะนำความรู้ดังกล่าวไปใช้กับชุดข้อมูลใหม่
เครื่องเรียนรู้ Algorithms และใช้ที่ไหน?
ในบทช่วยสอนเกี่ยวกับการเรียนรู้ของเครื่องสำหรับผู้เริ่มต้นนี้ เราจะเรียนรู้ว่าอัลกอริทึมการเรียนรู้ของเครื่อง (ML) ถูกใช้ที่ใดบ้าง:
การเรียนรู้ของเครื่องสามารถแบ่งได้เป็นงานการเรียนรู้สองประเภทใหญ่ๆ คือ งานที่มีผู้ดูแลและไม่มีผู้ดูแล นอกจากนี้ยังมีอัลกอริทึมอื่นๆ อีกมากมาย
การเรียนรู้ภายใต้การดูแล
อัลกอริทึมใช้ข้อมูลการฝึกอบรมและการตอบรับจากมนุษย์เพื่อเรียนรู้ความสัมพันธ์ของอินพุตที่กำหนดกับเอาต์พุตที่กำหนด ตัวอย่างเช่น ผู้ประกอบวิชาชีพสามารถใช้ค่าใช้จ่ายทางการตลาดและการพยากรณ์อากาศเป็นข้อมูลอินพุตเพื่อคาดการณ์ยอดขายกระป๋อง
คุณสามารถใช้การเรียนรู้ภายใต้การดูแลเมื่อทราบข้อมูลเอาต์พุต อัลกอริธึมจะทำนายข้อมูลใหม่
มีสองประเภทคือ การเรียนรู้ภายใต้การดูแล:
- งานจำแนกประเภท
- งานการถดถอย
การจัดหมวดหมู่
ลองจินตนาการว่าคุณต้องการทำนายเพศของลูกค้าในเชิงพาณิชย์ คุณจะเริ่มรวบรวมข้อมูลส่วนสูง น้ำหนัก งาน เงินเดือน ตะกร้าซื้อ ฯลฯ จากฐานข้อมูลลูกค้าของคุณ คุณทราบเพศของลูกค้าแต่ละรายว่าเป็นชายหรือหญิงเท่านั้น วัตถุประสงค์ของตัวแยกประเภทคือการกำหนดความน่าจะเป็นของเพศชายหรือเพศหญิง (เช่น ป้ายกำกับ) ตามข้อมูล (เช่น คุณลักษณะที่คุณรวบรวม) เมื่อแบบจำลองเรียนรู้วิธีจดจำชายหรือหญิง คุณสามารถใช้ข้อมูลใหม่เพื่อคาดการณ์ได้ ตัวอย่างเช่น คุณเพิ่งได้รับข้อมูลใหม่จากลูกค้าที่ไม่รู้จัก และคุณต้องการทราบว่าเป็นลูกค้าชายหรือหญิง หากตัวแยกประเภทคาดการณ์ว่าผู้ชาย = 70% หมายความว่าอัลกอริทึมแน่ใจว่า 70% ว่าลูกค้ารายนี้เป็นผู้ชาย และ 30% เป็นผู้หญิง
เลเบลสามารถมีได้ตั้งแต่สองคลาสขึ้นไป ตัวอย่าง Machine Learning ข้างต้นมีเพียงสองคลาสเท่านั้น แต่ถ้าตัวแยกประเภทจำเป็นต้องทำนายวัตถุ ก็จะมีคลาสหลายสิบคลาส (เช่น แก้ว โต๊ะ รองเท้า ฯลฯ แต่ละวัตถุแสดงถึงคลาส)
การถอยหลัง
เมื่อเอาต์พุตเป็นค่าต่อเนื่อง งานจะเป็นการถดถอย ตัวอย่างเช่น นักวิเคราะห์ทางการเงินอาจจำเป็นต้องคาดการณ์มูลค่าของหุ้นตามคุณลักษณะต่างๆ เช่น ส่วนของผู้ถือหุ้น ผลการดำเนินงานของหุ้นก่อนหน้า ดัชนีเศรษฐศาสตร์มหภาค ระบบจะฝึกอบรมการประมาณราคาหุ้นที่มีข้อผิดพลาดน้อยที่สุด
| ขั้นตอนวิธี | Descriptไอออน | ประเภท |
|---|---|---|
| การถดถอยเชิงเส้น | ค้นหาวิธีเชื่อมโยงแต่ละคุณลักษณะกับเอาต์พุตเพื่อช่วยทำนายค่าในอนาคต | การถอยหลัง |
| การถดถอยโลจิสติก | ส่วนขยายของการถดถอยเชิงเส้นที่ใช้สำหรับงานจำแนกประเภท ตัวแปรเอาท์พุต 3 เป็นไบนารี่ (เช่น เฉพาะสีดำหรือสีขาว) แทนที่จะเป็นแบบต่อเนื่อง (เช่น รายการสีที่เป็นไปได้ที่ไม่มีที่สิ้นสุด) | การจัดหมวดหมู่ |
| ต้นไม้ตัดสินใจ | การจำแนกประเภทหรือแบบจำลองการถดถอยที่สามารถตีความได้สูง ซึ่งแยกค่าคุณลักษณะของข้อมูลออกเป็นสาขาที่โหนดการตัดสินใจ (เช่น หากคุณลักษณะเป็นสี แต่ละสีที่เป็นไปได้จะกลายเป็นสาขาใหม่) จนกระทั่งมีการตัดสินใจขั้นสุดท้าย | การถอยหลัง การจัดหมวดหมู่ |
| ไร้เดียงสา Bayes | วิธีเบย์เซียนเป็นวิธีการจำแนกประเภทที่ใช้ทฤษฎีบทเบย์เซียน ทฤษฎีบทจะปรับปรุงความรู้เดิมเกี่ยวกับเหตุการณ์ด้วยความน่าจะเป็นอิสระของแต่ละคุณลักษณะที่อาจส่งผลต่อเหตุการณ์ | การถอยหลัง การจัดหมวดหมู่ |
| สนับสนุนเครื่องเวกเตอร์ |
โดยทั่วไปแล้ว Support Vector Machine หรือ SVM จะใช้สำหรับงานการจัดหมวดหมู่ อัลกอริทึม SVM ค้นหาไฮเปอร์เพลนที่แบ่งคลาสได้อย่างเหมาะสมที่สุด เหมาะที่สุดที่จะใช้กับตัวแก้ปัญหาที่ไม่ใช่เชิงเส้น |
การถดถอย (ไม่ธรรมดามาก) การจัดหมวดหมู่ |
| ป่าสุ่ม | อัลกอริธึมถูกสร้างขึ้นบนแผนผังการตัดสินใจเพื่อปรับปรุงความแม่นยำอย่างมาก ฟอเรสต์สุ่มสร้างแผนผังการตัดสินใจง่ายๆ หลายครั้ง และใช้วิธีการ 'ลงคะแนนเสียงข้างมาก' เพื่อตัดสินใจว่าจะให้ป้ายกำกับใดส่งคืน สำหรับงานจำแนกประเภท การทำนายขั้นสุดท้ายจะเป็นงานที่ได้รับการโหวตมากที่สุด ในขณะที่งานการถดถอย การทำนายโดยเฉลี่ยของต้นไม้ทั้งหมดถือเป็นการทำนายขั้นสุดท้าย | การถอยหลัง การจัดหมวดหมู่ |
| เอด้าบูสต์ | เทคนิคการจำแนกประเภทหรือการถดถอยที่ใช้แบบจำลองมากมายในการตัดสินใจ แต่ชั่งน้ำหนักตามความแม่นยำในการทำนายผลลัพธ์ | การถอยหลัง การจัดหมวดหมู่ |
| ต้นไม้ที่ส่งเสริมการไล่ระดับสี | ต้นไม้ที่เพิ่มความไล่ระดับสีเป็นเทคนิคการจำแนกประเภท/การถดถอยที่ล้ำสมัย โดยมุ่งเน้นไปที่ข้อผิดพลาดที่เกิดขึ้นจากทรีก่อนหน้าและพยายามแก้ไข | การถอยหลัง การจัดหมวดหมู่ |
การเรียนรู้ที่ไม่มีผู้ดูแล
ในการเรียนรู้แบบไม่มีผู้ดูแล อัลกอริธึมจะสำรวจข้อมูลอินพุตโดยไม่ได้รับตัวแปรเอาท์พุตที่ชัดเจน (เช่น สำรวจข้อมูลประชากรศาสตร์ของลูกค้าเพื่อระบุรูปแบบ)
คุณสามารถใช้มันได้เมื่อคุณไม่ทราบวิธีการจำแนกข้อมูล และคุณต้องการให้อัลกอริธึมค้นหารูปแบบและจัดประเภทข้อมูลให้กับคุณ
| ชื่ออัลกอริทึม | Descriptไอออน | ประเภท |
|---|---|---|
| K-หมายถึงการจัดกลุ่ม | ใส่ข้อมูลลงในบางกลุ่ม (k) ซึ่งแต่ละกลุ่มมีข้อมูลที่มีลักษณะคล้ายคลึงกัน (ตามที่กำหนดโดยแบบจำลอง ไม่ใช่ล่วงหน้าโดยมนุษย์) | Clusterไอเอ็นจี |
| แบบผสมแบบเกาส์เซียน | การสรุปภาพรวมของการจัดกลุ่มแบบ k-means ที่ให้ความยืดหยุ่นมากขึ้นในขนาดและรูปร่างของกลุ่ม (คลัสเตอร์) | Clusterไอเอ็นจี |
| การจัดกลุ่มตามลำดับชั้น | แบ่งคลัสเตอร์ตามลำดับชั้นเพื่อสร้างระบบการจำแนกประเภท
สามารถใช้สำหรับการ Cluster ลูกค้าบัตรสะสมคะแนน |
Clusterไอเอ็นจี |
| ระบบผู้แนะนำ | ช่วยกำหนดข้อมูลที่เกี่ยวข้องเพื่อให้คำแนะนำ | Clusterไอเอ็นจี |
| PCA/T-SNE | ส่วนใหญ่ใช้เพื่อลดมิติของข้อมูล อัลกอริธึมจะลดจำนวนฟีเจอร์ให้เหลือ 3 หรือ 4 เวกเตอร์ที่มีความแปรปรวนสูงสุด | ลดขนาด |
วิธีเลือกอัลกอริธึมการเรียนรู้ของเครื่อง
ในบทช่วยสอนพื้นฐาน Machine Learning นี้ เราจะได้เรียนรู้วิธีเลือกอัลกอริทึม Machine Learning (ML):
มีอัลกอริทึมการเรียนรู้ของเครื่องมากมาย การเลือกอัลกอริทึมขึ้นอยู่กับวัตถุประสงค์
ในตัวอย่างการเรียนรู้ของเครื่องด้านล่าง งานคือการทำนายประเภทของดอกไม้ในสามสายพันธุ์ การทำนายนั้นขึ้นอยู่กับความยาวและความกว้างของกลีบดอก รูปภาพแสดงผลลัพธ์ของอัลกอริทึมที่แตกต่างกันสิบแบบ รูปภาพทางซ้ายบนคือชุดข้อมูล ข้อมูลถูกจัดประเภทเป็นสามประเภท ได้แก่ สีแดง สีฟ้าอ่อน และสีน้ำเงินเข้ม มีการแบ่งกลุ่มบางส่วน ตัวอย่างเช่น จากรูปภาพที่สอง ทุกอย่างในด้านซ้ายบนอยู่ในหมวดหมู่สีแดง ตรงกลางมีส่วนผสมระหว่างความไม่แน่นอนและสีฟ้าอ่อน ในขณะที่ด้านล่างสอดคล้องกับหมวดหมู่สีเข้ม รูปภาพอื่นๆ แสดงอัลกอริทึมที่แตกต่างกันและวิธีที่อัลกอริทึมเหล่านั้นพยายามจัดประเภทข้อมูล
ความท้าทายและข้อจำกัดของการเรียนรู้ของเครื่อง
ในบทช่วยสอน Machine Learning นี้ เราจะเรียนรู้เกี่ยวกับข้อจำกัดของ Machine Learning:
ความท้าทายหลักของการเรียนรู้ของเครื่องคือการขาดข้อมูลหรือความหลากหลายในชุดข้อมูล เครื่องไม่สามารถเรียนรู้ได้หากไม่มีข้อมูล นอกจากนี้ ชุดข้อมูลที่ขาดความหลากหลายยังทำให้เครื่องประสบปัญหาอีกด้วย เครื่องจักรจำเป็นต้องมีความหลากหลายเพื่อเรียนรู้ข้อมูลเชิงลึกที่มีความหมาย เป็นเรื่องยากที่อัลกอริธึมจะสามารถดึงข้อมูลได้เมื่อไม่มีรูปแบบหรือเปลี่ยนแปลงเพียงเล็กน้อย ขอแนะนำให้มีการสังเกตอย่างน้อย 20 ครั้งต่อกลุ่มเพื่อช่วยให้แมชชีนเลิร์นนิง ข้อจำกัดนี้นำไปสู่การประเมินและการทำนายที่ไม่ดี
การประยุกต์ใช้การเรียนรู้ของเครื่อง
ในบทช่วยสอนแมชชีนเลิร์นนิ่งนี้ เราจะมาเรียนรู้การประยุกต์ใช้แมชชีนเลิร์นนิงกัน:
การขยาย:
- แมชชีนเลิร์นนิงซึ่งช่วยเหลือมนุษย์ในการทำงานในแต่ละวัน ไม่ว่าจะเป็นเรื่องส่วนตัวหรือเชิงพาณิชย์ โดยไม่ต้องควบคุมผลลัพธ์ทั้งหมด แมชชีนเลิร์นนิงดังกล่าวถูกนำไปใช้ในรูปแบบต่างๆ เช่น Virtual Assistant, การวิเคราะห์ข้อมูล, โซลูชั่นซอฟต์แวร์ ผู้ใช้หลักคือการลดข้อผิดพลาดอันเนื่องมาจากอคติของมนุษย์
อัตโนมัติ:
- แมชชีนเลิร์นนิงซึ่งทำงานโดยอัตโนมัติในทุกสาขาโดยไม่จำเป็นต้องอาศัยการแทรกแซงของมนุษย์ ตัวอย่างเช่น หุ่นยนต์ดำเนินขั้นตอนกระบวนการที่จำเป็นในโรงงานผลิต
อุตสาหกรรมการเงิน
- การเรียนรู้ของเครื่องจักรกำลังได้รับความนิยมมากขึ้นในอุตสาหกรรมการเงิน ธนาคารส่วนใหญ่ใช้ ML เพื่อค้นหารูปแบบภายในข้อมูล แต่ยังใช้เพื่อป้องกันการฉ้อโกงอีกด้วย
หน่วยงานราชการ
- รัฐบาลใช้ ML เพื่อจัดการความปลอดภัยสาธารณะและสาธารณูปโภค ยกตัวอย่างประเทศจีนที่มีการจดจำใบหน้าจำนวนมหาศาล รัฐบาลใช้ ปัญญาประดิษฐ์ เพื่อป้องกันไม่ให้คนข้ามทางข้าม
อุตสาหกรรมการดูแลสุขภาพ
- การดูแลสุขภาพเป็นหนึ่งในอุตสาหกรรมแรกๆ ที่ใช้การเรียนรู้ของเครื่องกับการตรวจจับรูปภาพ
การตลาด
- การใช้ AI ในวงกว้างเกิดขึ้นทางการตลาดด้วยการเข้าถึงข้อมูลจำนวนมาก ก่อนยุคแห่งข้อมูลจำนวนมาก นักวิจัยได้พัฒนาเครื่องมือทางคณิตศาสตร์ขั้นสูง เช่น การวิเคราะห์แบบเบย์ เพื่อประเมินมูลค่าของลูกค้า ด้วยข้อมูลที่เพิ่มขึ้นอย่างรวดเร็ว ฝ่ายการตลาดจึงอาศัย AI เพื่อเพิ่มประสิทธิภาพความสัมพันธ์กับลูกค้าและแคมเปญการตลาด
ตัวอย่างการประยุกต์ใช้ Machine Learning ในห่วงโซ่อุปทาน
การเรียนรู้ของเครื่องให้ผลลัพธ์ที่ยอดเยี่ยมสำหรับการจดจำรูปแบบด้วยภาพ โดยเปิดการใช้งานที่มีศักยภาพมากมายในการตรวจสอบทางกายภาพและการบำรุงรักษาทั่วทั้งเครือข่ายห่วงโซ่อุปทานทั้งหมด
การเรียนรู้แบบไม่มีผู้ดูแลสามารถค้นหารูปแบบที่เปรียบเทียบได้ในชุดข้อมูลที่หลากหลายได้อย่างรวดเร็ว ในทางกลับกัน เครื่องจักรสามารถตรวจสอบคุณภาพได้ทั่วทั้งศูนย์กลางโลจิสติกส์ การจัดส่งที่มีความเสียหายและการสึกหรอ
ยกตัวอย่างเช่น IBMแพลตฟอร์มวัตสันสามารถระบุความเสียหายของตู้คอนเทนเนอร์ในการขนส่งได้ Watson ผสมผสานข้อมูลภาพและระบบเพื่อติดตาม รายงาน และให้คำแนะนำแบบเรียลไทม์
ในปีที่ผ่านมาผู้จัดการสต็อกอาศัยวิธีการหลักในการประเมินและคาดการณ์สินค้าคงคลังอย่างกว้างขวาง เมื่อรวมข้อมูลขนาดใหญ่และการเรียนรู้ของเครื่องเข้าด้วยกัน เราได้นำเทคนิคการคาดการณ์ที่ดีขึ้นมาใช้ (ปรับปรุง 20 ถึง 30 % เมื่อเทียบกับเครื่องมือพยากรณ์แบบเดิม) ในแง่ของยอดขายหมายถึงการเพิ่มขึ้น 2 ถึง 3 % เนื่องจากต้นทุนสินค้าคงคลังอาจลดลง
ตัวอย่างการเรียนรู้ของเครื่อง Google Car
ตัวอย่างเช่น ทุกคนรู้จักรถยนต์ของ Google รถเต็มไปด้วยเลเซอร์บนหลังคาซึ่งบอกว่ามันอยู่ตรงไหนเกี่ยวกับบริเวณโดยรอบ มีเรดาร์อยู่ด้านหน้า ซึ่งจะแจ้งให้รถทราบความเร็วและการเคลื่อนที่ของรถทุกคันที่อยู่รอบๆ โดยจะใช้ข้อมูลทั้งหมดนั้นเพื่อไม่เพียงแต่จะหาวิธีขับรถเท่านั้น แต่ยังเพื่อคาดการณ์และคาดการณ์ว่าผู้ขับขี่รอบๆ รถจะทำอะไรได้บ้าง สิ่งที่น่าประทับใจคือรถกำลังประมวลผลข้อมูลเกือบหนึ่งกิกะไบต์ต่อวินาที
เหตุใดการเรียนรู้ของเครื่องจึงมีความสำคัญ
การเรียนรู้ของเครื่องเป็นเครื่องมือที่ดีที่สุดในการวิเคราะห์ ทำความเข้าใจ และระบุรูปแบบในข้อมูล แนวคิดหลักประการหนึ่งเบื้องหลังแมชชีนเลิร์นนิงก็คือคอมพิวเตอร์สามารถได้รับการฝึกฝนให้ทำงานอัตโนมัติที่ละเอียดถี่ถ้วนหรือเป็นไปไม่ได้สำหรับมนุษย์ การละเมิดที่ชัดเจนจากการวิเคราะห์แบบดั้งเดิมก็คือการเรียนรู้ของเครื่องสามารถตัดสินใจได้โดยอาศัยการแทรกแซงของมนุษย์น้อยที่สุด
ลองใช้ตัวอย่างต่อไปนี้สำหรับบทช่วยสอน ML นี้ ตัวแทนขายปลีกสามารถประมาณราคาบ้านโดยอาศัยประสบการณ์ของตนเองและความรู้เกี่ยวกับตลาด
สามารถฝึกอบรมเครื่องจักรเพื่อแปลความรู้ของผู้เชี่ยวชาญเป็นคุณสมบัติได้ ลักษณะเด่นคือคุณลักษณะทั้งหมดของบ้าน บริเวณใกล้เคียง สภาพแวดล้อมทางเศรษฐกิจ ฯลฯ ที่ทำให้ราคาแตกต่างกัน สำหรับผู้เชี่ยวชาญ อาจต้องใช้เวลาหลายปีกว่าจะเชี่ยวชาญศิลปะการประมาณราคาบ้าน ความเชี่ยวชาญของเขาเริ่มดีขึ้นเรื่อยๆ หลังจากการขายแต่ละครั้ง
สำหรับเครื่องจักรนั้น ต้องใช้ข้อมูลนับล้าน (เช่น ตัวอย่าง) เพื่อเชี่ยวชาญงานศิลปะชิ้นนี้ ในช่วงเริ่มต้นของการเรียนรู้ เครื่องจักรจะทำผิดพลาด เช่นเดียวกับพนักงานขายรุ่นเยาว์ เมื่อเครื่องจักรเห็นตัวอย่างทั้งหมด ก็มีความรู้เพียงพอที่จะประมาณค่าได้ ขณะเดียวกันก็แม่นยำอย่างน่าเหลือเชื่อ เครื่องยังสามารถปรับความผิดพลาดได้ตามต้องการ
บริษัทใหญ่ๆ ส่วนใหญ่เข้าใจถึงคุณค่าของการเรียนรู้ของเครื่องและการเก็บข้อมูล McKinsey ได้ประมาณการว่ามูลค่าของการวิเคราะห์มีตั้งแต่ $9.5 ล้านล้านถึง $15.4 ล้านล้านในขณะที่ $5 ถึง 7 ล้านล้านนั้นมาจากเทคนิค AI ที่ทันสมัยที่สุด
อ่านเพิ่มเติม Fuzzy Logic คืออะไร? Archiเทคเจอร์ การใช้งาน และตัวอย่าง: คลิกที่นี่
