Računari ne preuzimaju, ali svakodnevno postaju pametniji
Najjednostavnije rečeno, mašinsko učenje (ML) je programiranje mašina (računara) tako da može da izvrši traženi zadatak koristeći i analizira podatke (informacije) da samostalno izvršava taj zadatak, bez dodatnog specifičnog unosa od humanog programera.
Mašinsko učenje 101
Termin "mašinsko učenje" je u laboratorijama IBM-a 1959. godine pokrenuo Arthur Samuel, pionir u veštačkoj inteligenciji (AI) i računarsko igranje. Mašinsko učenje, kao rezultat toga, predstavlja granu Umjetne inteligencije. Samuelova premisa je bila da flipuje kompjuterski model vremena naopačke i prestane da daje računarima stvari za učenje.
Umjesto toga, on je želeo da računari počnu sami da saznaju stvari, a da ljudi ne moraju unositi čak ni najmanju informaciju. Onda je pomislio, računari ne bi samo izvršavali zadatke, već bi na kraju mogli odlučiti koje zadatke treba obaviti i kada. Zašto? Tako da računari mogu smanjiti količinu rada ljudi koji su potrebni za izvođenje u datoj oblasti.
Kako radi mašinsko učenje
Mašinsko učenje funkcioniše kroz upotrebu algoritama i podataka. Algoritam je set instrukcija ili smernica koji govore računaru ili programu kako izvršiti zadatak. Algoritmi koji se koriste u ML prikupljaju podatke, prepoznaju obrasce i koriste analizu tih podataka kako bi prilagodili svoje programe i funkcije za završavanje zadataka.
ML algoritmi koriste skupove pravila, stabla odlučivanja, grafičke modele, obradu prirodnog jezika i neuronske mreže (da navedu nekoliko) za automatizaciju obrade podataka za donošenje odluka i obavljanje zadataka. Dok ML može biti složena tema, Googleova podučavana mašina pruža jednostavnu praktičnu demonstraciju kako ML radi.
Najsnažniji oblik mašinskog učenja koji se danas koristi, pod nazivom duboko učenje , gradi kompleksnu matematičku strukturu koja se naziva neuronska mreža, zasnovana na velikim količinama podataka. Neuronske mreže su skupovi algoritama u ML i AI modelovanim po načinu na koji nervne ćelije u informacijama o procesu ljudskog mozga i nervnog sistema.
Umjetnička inteligencija vs. Machine Learning vs. Data Mining
Da biste najbolje razumeli odnos između AI, ML i rudarenja podataka, korisno je razmišljati o skupu kišobrana različitih veličina. AI je najveći kišobran. ML kišobran je manji i manji je pod okriljem AI kišobrana. Kišobran za rukovanje podacima je najmanji i uklapa se pod ML kišobran.
- AI je grana računarskih nauka koja ima za cilj da programira računare za obavljanje zadataka na više "inteligentnih" i "ljudskih" načina, koristeći rasuđivanje i tehnike donošenja odluka modeliranih nakon ljudske inteligencije.
- ML je kategorija računara unutar AI koja se fokusira na programerske mašine (računare) za učenje (prikuplja potrebne podatke ili primjere) kako bi donosio podatke, inteligentne odluke na automatizovaniji način.
- Rudarstvo podataka koristi statistiku, ML, AI i ogromne baze podataka informacija za pronalaženje šablona, pružanje uvida, kreiranje klasifikacija, identifikovanje problema i dostavljanje detaljne analize podataka.
Šta mašinsko učenje može učiniti (i već ima)
Kapacitet računara da analizira ogromne količine informacija u frakcijama sekunde čini ML korisnim u brojnim industrijama gde su vrijeme i tačnost suštinski važni.
- Medicina: ML tehnologija se primenjuje u nizu rešenja za medicinsko polje, uključujući pomoć lekarima hitne službe sa bržom dijagnozom pacijenata sa neuobičajenim simptomima. Lekari mogu uneti listu simptoma pacijenta u program i koristeći ML, program može izbaciti trilijone terabajta informacija iz medicinske literature i interneta da bi vratio spisak potencijalnih dijagnoza i preporučio testiranje ili lečenje u rekordnom vremenu.
- Obrazovanje: ML se koristi za kreiranje obrazovnih alata koji se prilagođavaju potrebama učenja učenika, kao što su virtuelni pomoćnici za učenje i elektronski udžbenici koji su interaktivniji. Ovi alati koriste ML kako bi otkrili koje koncepte i vještine razumije studentom koristeći kratke kvizove i vežbe. Alati potom obezbeđuju kratke video zapise, dodatne primere i materijal za pomoć učenicima da nauče potrebne veštine ili koncepte.
- Automobil: ML je takođe ključna komponenta u novonastalom polju automobila za automobile (takođe nazvana automobila bez autobusa ili autonomnih automobila). Softver koji posluje za automobile koji koriste automobile koriste ML tokom istih testova na putu i simulacije kako bi otkrili uslove na putevima (kao što su zaleđeni putevi) ili identifikovali prepreke u kolovozu i naučili odgovarajuće zadatke vožnje kako biste bezbedno kretali u takvim situacijama.
Vi ste verovatno već susreli sa ML mnogo puta bez toga da je shvatite. Neke od najčešćih upotreba ML tehnologije uključuju praktično prepoznavanje govora ( Samsungov Bixby , Apple's Siri i mnoge programe razgovora u tekst koji su sada standardni na računarima), filtriranje neželjene pošte za vašu e-poštu, kreiranje vesti za vesti, otkrivanje prevara, personaliziranje preporuke za kupovinu i pružanje efikasnijih rezultata pretraživanja weba.
ML je čak uključen u vaš Facebook feed. Kada volite ili često kliknete na postove prijatelja, algoritmi i ML iza scene "učite" od svojih radnji tokom vremena da biste odredili određene prijatelje ili stranice u vašem Newsfeed-u.
Šta mašinsko učenje ne može uraditi
Međutim, postoje ograničenja na ono što ML može da uradi. Na primjer, korištenje ML tehnologije u različitim industrijama zahtijeva značajan razvoj i programiranje od strane ljudi kako bi se specijalizovao program ili sistem za vrste zadataka koje zahtijeva ta industrija. Na primer, u našem medicinskom primeru iznad, ML program koji se koristi u odeljenju za hitne slučajeve razvijen je posebno za ljudsku medicinu. Nije trenutno moguće izvesti taj program i direktno ga provesti u hitnom centru za veterinarstvo. Takva tranzicija zahtijeva obimnu specijalizaciju i razvoj od strane ljudskih programera da kreiraju verziju koja može obavljati ovaj zadatak za veterinarsku ili životinjsku medicinu.
Takođe zahtijeva neverovatno velike količine podataka i primjera za "učenje" informacija koje su joj potrebne za donošenje odluka i obavljanje zadataka. Programi ML takođe su vrlo bukvalni u interpretaciji podataka i borbi sa simbolikom, kao i nekim vrstama odnosa unutar rezultata podataka, kao što su uzrok i efekat.
Nastavak napredovanja, međutim, donosi ML veću osnovnu tehnologiju koja svakodnevno stvara pametnije računare.