Машинное обучение может показаться курсом, который нужно пройти, чтобы работать на заводе, но в вычислительной технике это подмножество искусственного интеллекта (ИИ). В двух словах, оно позволяет системам повышать производительность за счет обучения на основе опыта и данных. Подмножество ИИ настолько прочно вошло в современное программное обеспечение, что многие существующие технологии, которые мы воспринимаем как должное, были бы невозможны без него.
Что такое машинное обучение (с примерами)?
Так что же такое машинное обучение (ML) и почему оно так важно? Машинное обучение - это приложение ИИ и раздел информатики, позволяющий системам учиться на опыте, данных и алгоритмах для повышения точности. Интересно, что разработчикам не нужно явно программировать машины, чтобы воспользоваться преимуществами ML - компьютеры могут обучаться сами, без участия человека.
Современные технологии, такие как чат-боты, виртуальные помощники, проактивное антивирусное программное обеспечение и многое другое, в значительной степени опираются на машинное обучение. Например, самоуправляемые автомобили используют множество алгоритмов машинного обучения, основанных как на контролируемых, так и на неконтролируемых моделях обучения, чтобы решить, какие действия необходимо предпринять, чтобы управлять автомобилем не хуже или лучше человека.
Аналогичным образом, системы кибербезопасности для предприятий, такие как Endpoint Detection and Response (EDR), могут использовать машинное обучение для обнаружения неизвестных вредоносных программ и поиска неизвестных угроз "нулевого дня" путем выявления вредоносных шаблонов. Это лишь верхушка айсберга того, как машинное обучение повлияет на кибербезопасность в будущем.
ОД и ИИ также позволяют взаимодействовать машинам без участия человека. Такие приложения " машина-машина" (M2M) могут помочь системам управления цепочками поставок или складами эффективно отслеживать и контролировать запасы. Аналогичным образом, приложения M2M помогают энергетическим компаниям более точно управлять поставками, отправляя данные о сборе энергии с источников на удаленные компьютеры для анализа.
Каковы некоторые распространенные методы машинного обучения?
Контролируемое машинное обучение
Обучение под наблюдением - это обучение алгоритмов с использованием помеченных данных под руководством супервизора. Контролируемые данные встречаются чаще, чем другие методы обучения, поскольку они более эффективны. Примером такого типа ML является классификация алгоритмами спама в вашем почтовом ящике.
Неконтролируемое машинное обучение
Неподконтрольное обучение - это когда алгоритм работает с немаркированными данными без посторонней помощи. Он должен сам определить, как обрабатывать информацию. Исследователи могут использовать бесподчиненное обучение для поиска закономерностей и группировок данных в немаркированных наборах данных без вмешательства. Конечно, аналитику данных может потребоваться проверка рекомендаций машинного обучения без контроля.
Полуконтрольное машинное обучение
Полуконтролируемое обучение позволяет найти баланс между контролируемым и неконтролируемым обучением путем тренировки алгоритмов на меченых и немеченых данных. Как правило, объем помеченных данных меньше, а объем немеченых данных намного больше. Полусупервизорное обучение применяется в больницах, где радиолог помечает небольшое количество снимков на наличие заболеваний, чтобы помочь машинам точно извлекать необходимую информацию из большего объема.
Машинное обучение с подкреплением
Обучение с подкреплением похоже на контролируемое обучение, только алгоритм учится методом проб и ошибок и отложенных вознаграждений, а не выборочных данных. Например, автономный автомобиль может узнать, какие решения являются нежелательными, благодаря ошибкам в обучающей среде. Аналогичным образом система здравоохранения может использовать его для определения оптимальной политики на основе прошлого опыта.
В чем разница между искусственным интеллектом и машинным обучением?
При поиске информации об ИИ и машинном обучении вы можете заметить, что некоторые люди ошибочно используют эти термины как взаимозаменяемые. ИИ - это, по сути, зонтичный термин для синтетического интеллекта. Между тем машинное обучение - это направление ИИ, которое позволяет машинам учиться на опыте и данных без чьего-либо программирования или помощи. Машина, использующая ИИ, может не обязательно обладать возможностями ОД. Например, в 1996 году шахматная система Deep Blue от IBM использовала больше ИИ и меньше ОД, чтобы победить российского гроссмейстера Гарри Каспарова, оценивая бесчисленные ходы в режиме реального времени.
В каких отраслях используется машинное обучение?
- Правительства используют машинное обучение для решения задач ЖКХ, общественной безопасности, выявления мошенничества или пограничного контроля, анализируя огромные объемы данных.
- Компании, работающие в сфере здравоохранения, используют машинное обучение для улучшения диагностики и лечения, а также для разработки точных устройств для мониторинга состояния здоровья.
- Компании розничной торговли могут повысить эффективность целевого маркетинга, анализируя покупательские модели.
- Энергетический сектор находит источники более эффективно с помощью алгоритмов машинного обучения.
- Многие компании транспортного сектора, такие как службы доставки, службы совместных поездок и общественный транспорт, используют компьютеры для поиска идеальных маршрутов, чтобы повысить качество услуг, рентабельность и сократить выбросы углекислого газа.
- Финансовая отрасль использует машинное обучение для повышения уровня кибербезопасности и анализа важных данных.
Использует ли Netflix машинное обучение?
Да, Netflix использует ML во многих приложениях. Одно из самых очевидных - система рекомендаций контента. Система использует ML для изучения ваших жанровых предпочтений, истории просмотров и истории просмотров пользователей-единомышленников, чтобы предложить, какие фильмы, киноленты и документальные фильмы вы можете попробовать.