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 на практике?
Так что же такое машинное обучение (МО) и почему оно так важно? МО — это приложение ИИ и раздел информатики, который позволяет системам обучаться на опыте, данных и алгоритмах, чтобы улучшить точность. Интересно, что разработчики не обязаны явно программировать машины для применения МО — компьютеры могут обучаться сами без вмешательства человека.
Современные технологии, такие как чат-боты, виртуальные ассистенты, проактивное антивирусное ПО и другое, сильно зависят от машинного обучения. Например, беспилотные автомобили используют множество алгоритмов МО на основе как контролируемых, так и неконтролируемых моделей обучения, чтобы определить, какие действия предпринимать для управления так же или лучше, чем люди.
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.
МО и ИИ также позволяют машинам взаимодействовать без участия человека. Такие машина-к-машине (M2M) приложения могут помочь системам управления цепочкой поставок или складом эффективно отслеживать и контролировать запасы. Аналогично, M2M-приложения помогают энергетическим компаниям более точно управлять поставками, отправляя данные сбора от источников энергии на удаленные компьютеры для анализа.
Какие существуют 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 может служить классификация спама в вашем почтовом ящике.
Неконтролируемое машинное обучение
Неконтролируемое обучение — это когда алгоритм работает с неразмеченными данными без присмотра. Он сам должен определить, как обрабатывать информацию. Исследователи могут использовать неконтролируемое обучение для поиска шаблонов и группировки данных в нераспознанных наборах данных без вмешательства. Конечно, аналитик данных все же может потребоваться для проверки рекомендаций, полученных неконтролируемым обучением.
Полуконтролируемое машинное обучение
Полуконтролируемое обучение находит баланс между контролируемым и неконтролируемым обучением путем обучения алгоритмов с использованием как размеченных, так и неразмеченных данных. Обычно объем размеченных данных меньше, в то время как объем неразмеченных данных значительно больше. Пример полуконтролируемого обучения можно найти в больнице, где радиолог маркирует небольшое количество снимков для определения заболеваний, чтобы помочь машинам точно извлекать релевантную информацию из большего объема.
Реинфорсное машинное обучение
Реинфорсное обучение похоже на контролируемое, за исключением того, что алгоритм учится через проб и ошибок и задержанные награды вместо использования образцов данных. Например, автономное транспортное средство может обучаться на ошибках в тренировочной среде, выясняя, какие решения нежелательны. Аналогично, система здравоохранения может использовать его для определения оптимальных политик из прошлого опыта.
В чем отличие искусственного интеллекта от машинного обучения?
При изучении различий между ИИ и машинным обучением вы можете заметить, что некоторые люди неправильно используют эти термины как синонимы. ИИ — это, по сути, общий термин для синтетического интеллекта. Между тем, машинное обучение — это направление в ИИ, которое позволяет машинам учиться на опыте и данных без необходимости программирования или помощи. Машина, использующая ИИ, может не иметь возможностей МО. Например, в 1996 году шахматная система Deep Blue от IBM больше полагалась на ИИ, а не на МО, чтобы победить российского гроссмейстера Гарри Каспарова, оценивая бесчисленное количество ходов в реальном времени.
Какие отрасли используют машинное обучение?
- Правительства используют машинное обучение для служб общественной безопасности, обнаружения мошенничества, контроля за границей и анализа огромного объема данных.
- Компании в сфере здравоохранения используют машинное обучение для улучшения диагностики и лечения, а также для разработки точных устройств мониторинга здоровья.
- Розничные компании могут улучшать целевые маркетинговые цели, анализируя покупательские предпочтения клиентов.
- Сектор энергетики находит источники более эффективно с помощью алгоритмов машинного обучения.
- Многочисленные компании в транспортном секторе, такие как службы доставки, компании по совместному использованию автомобилей и общественный транспорт, используют компьютеры для нахождения оптимальных маршрутов, чтобы улучшить услуги, прибыльность и снизить углеродный след.
- Финансовая индустрия использует машинное обучение для улучшения кибербезопасности и получения важных аналитических данных.
Использует ли Netflix машинное обучение?
Да, Netflix использует МО во многих приложениях. Одно из самых очевидных — это их система рекомендаций контента. Система использует МО для анализа ваших предпочтений по жанрам, истории просмотров и истории просмотров пользователей с похожими интересами, чтобы предложить, какие фильмы и документальные фильмы вы можете попробовать.