Что такое машинное обучение? Определение.

Мир нашего недалекого будущего, изображаемый роботами, в значительной степени зависит от нашей способности успешно внедрять искусственный интеллект (ИИ). Однако превратить машины в мыслящие устройства не так просто, как может показаться. Сильный ИИ может быть достигнут только с помощью машинного обучения (ML), которое поможет машинам понимать так же, как и люди.

Машинное обучение может быть запутанным, поэтому важно начать с четкого определения этого термина:

Машинное обучение – это применение ИИ, которое позволяет системам учиться и совершенствоваться на основе опыта, не будучи явно запрограммированными. Машинное обучение сосредоточено на разработке компьютерных программ, которые могут получать доступ к данным и использовать их для самообучения.

Как работает машинное обучение?

Подобно тому, как человеческий мозг приобретает знания и понимание, машинное обучение опирается на входные данные, такие как обучающие данные или графы знаний, чтобы понять сущности, области и связи между ними. Когда сущности определены, можно приступать к глубокому обучению.

Процесс машинного обучения начинается с наблюдений или данных, таких как примеры, непосредственный опыт или инструкции. Он ищет закономерности в данных, чтобы впоследствии делать выводы на основе приведенных примеров. Основная цель машинного обучения – позволить компьютерам обучаться автономно, без вмешательства или помощи человека, и соответствующим образом корректировать свои действия.

Почему машинное обучение важно?

Машинное обучение как концепция существует уже довольно давно. Термин “машинное обучение” был введен Артуром Самуэлем, компьютерным ученым из IBM и пионером в области ИИ и компьютерных игр. Сэмюэл разработал компьютерную программу для игры в шашки. Чем больше программа играла, тем больше она училась на опыте, используя алгоритмы для прогнозирования.

Как дисциплина, машинное обучение изучает анализ и построение алгоритмов, которые могут учиться на данных и делать прогнозы.

Машинное обучение доказало свою ценность, поскольку оно позволяет решать проблемы со скоростью и масштабом, которые не может повторить только человеческий разум. Благодаря огромным вычислительным возможностям, которые стоят за одной или несколькими конкретными задачами, машины можно обучить выявлять закономерности и взаимосвязи между входными данными и автоматизировать рутинные процессы.

• Данные – ключ к успеху: алгоритмы, на которых основано машинное обучение, имеют решающее значение для успеха. Алгоритмы ML строят математическую модель на основе выборочных данных, известных как “обучающие данные”, чтобы делать прогнозы или принимать решения, не будучи явно запрограммированными на это. Это может выявить тенденции в данных, которые информационные компании могут использовать для улучшения принятия решений, оптимизации эффективности и сбора действенных данных в масштабе.
• ИИ – цель: ML обеспечивает основу для систем ИИ, которые автоматизируют процессы и автономно решают бизнес-задачи на основе данных.

Машинное обучение – это не научная фантастика. Оно уже широко используется предприятиями всех отраслей для продвижения инноваций и повышения эффективности процессов. В 2021 году 41% компаний ускорили внедрение ИИ в результате пандемии. Эти новички присоединяются к 31% компаний, которые уже используют ИИ в производстве или активно внедряют технологии ИИ.

Безопасность данных: Модели машинного обучения могут выявлять уязвимости в безопасности данных до того, как они превратятся в нарушения. Изучая прошлый опыт, модели машинного обучения могут предсказывать будущие действия с высоким риском, что позволяет заблаговременно снизить риск.

• Финансы: Банки, торговые брокерские компании и финтех-фирмы используют алгоритмы машинного обучения для автоматизации торговли и предоставления финансовых консультаций инвесторам. Bank of America использует чат-бота Erica для автоматизации поддержки клиентов.
• Здравоохранение ML используется для анализа огромных массивов данных в здравоохранении, чтобы ускорить поиск методов лечения и лекарств, улучшить результаты лечения пациентов и автоматизировать рутинные процессы для предотвращения человеческих ошибок. Например, система Watson компании IBM использует анализ данных для предоставления врачам данных, которые они могут использовать для персонализации лечения пациентов.
• Обнаружение мошенничества: ИИ используется в финансовом и банковском секторе для автономного анализа большого количества транзакций с целью выявления мошеннических действий в режиме реального времени. Компания Capgemini, предоставляющая технологические услуги, утверждает, что системы обнаружения мошенничества, использующие машинное обучение и аналитику, сокращают время расследования мошенничества на 70% и повышают точность обнаружения на 90%.
• Розничная торговля Исследователи и разработчики ИИ используют алгоритмы ML для разработки рекомендательных систем ИИ, которые предлагают релевантные предложения товаров на основе прошлого выбора покупателей, а также исторических, географических и демографических данных.
• Методы обучения для машинного обучения различаются

Машинное обучение дает очевидные преимущества для технологий ИИ. Но какой подход к машинному обучению подходит для вашей организации? Существует множество методов обучения машинному обучению, среди которых:

контролируемое обучение

• неконтролируемое обучение
• полусамостоятельное обучение
• Давайте посмотрим, что может предложить каждый из них.

Контролируемое обучение: Больше контроля, меньше погрешностей

Алгоритмы контролируемого машинного обучения применяют полученные в прошлом знания к новым данным, используя помеченные примеры для предсказания будущих событий. Анализируя известный набор обучающих данных, алгоритм обучения создает функцию для прогнозирования выходных значений. После достаточного обучения система может выдать целевые значения для любого нового входного сигнала. Она также может сравнить свой выход с правильным, предполагаемым выходом, чтобы найти ошибки и соответствующим образом изменить модель.

Обучение без наблюдения: Скорость и масштаб

Алгоритмы бесконтрольного машинного обучения используются в тех случаях, когда информация, используемая для обучения, не классифицирована и не маркирована. Неконтролируемое обучение изучает, как системы могут вывести функцию для описания скрытой структуры из немаркированных данных. Ни в одном случае система не знает с уверенностью правильный вывод. Вместо этого она делает выводы из наборов данных о том, каким должен быть выход.

Алгоритмы машинного обучения с подкреплением – это метод обучения, который взаимодействует с окружающей средой, производя действия и обнаруживая ошибки или вознаграждения. Наиболее значимыми характеристиками обучения с подкреплением являются поиск методом проб и ошибок и отложенное вознаграждение. Этот метод позволяет машинам и программным агентам автоматически определять идеальное поведение в конкретном контексте для достижения максимальной эффективности. Простая обратная связь – известная как сигнал подкрепления – необходима агенту для того, чтобы узнать, какое действие является наилучшим.

Машинное обучение не является идеальным

Важно понимать, что машинное обучение может и чего не может. Как бы полезно оно ни было для автоматизации передачи человеческого интеллекта машинам, это далеко не идеальное решение проблем, связанных с данными. Прежде чем нырять слишком глубоко в бассейн ML, обратите внимание на следующие недостатки:

Машинное обучение не основано на знаниях. Вопреки распространенному мнению, машинное обучение не может достичь уровня человеческого интеллекта. Машины управляются данными, а не человеческими знаниями. В результате, “интеллект” определяется объемом данных, на которых вы можете его обучить.

Модели машинного обучения трудно поддаются обучению. Восемьдесят один процент специалистов по анализу данных признают, что обучить ИИ работе с данными оказалось сложнее, чем ожидалось. Для обучения машин требуется время и ресурсы. Для создания моделей данных требуются огромные массивы данных, и этот процесс предполагает ручную предварительную маркировку и категоризацию наборов данных. Такая нехватка ресурсов может привести к задержкам и узким местам в продвижении инициатив в области ML.

• Машинное обучение подвержено проблемам с данными. Девяносто шесть процентов компаний сталкивались с проблемами, связанными с обучением, с качеством данных, маркировкой данных и созданием уверенности в модели. Эти проблемы, связанные с обучением, являются ключевой причиной того, что семьдесят восемь процентов проектов машинного обучения срываются еще до развертывания. Это создало чрезвычайно высокий порог для успеха ОД.
• Машинное обучение часто бывает необъективным. Системы машинного обучения известны тем, что работают как “черный ящик”, то есть вы не можете видеть, как машина обучается и принимает решения. Таким образом, если вы обнаружите случай предвзятости, то не сможете определить, чем она вызвана. Единственный выход – переобучить алгоритм с помощью дополнительных данных, но и это не гарантирует решения проблемы.
• Будущее машинного обучения: Гибридный ИИ
• Несмотря на все свои недостатки, машинное обучение по-прежнему имеет решающее значение для успеха ИИ. Однако этот успех будет зависеть от другого подхода к ИИ, который позволит устранить его недостатки, такие как проблема “черного ящика”, возникающая, когда машины обучаются без контроля. Таким подходом является символьный ИИ, или методология обработки данных на основе правил. Символьный подход использует граф знаний, который является открытым ящиком, для определения понятий и семантических отношений.

Вместе ОД и символьный ИИ образуют гибридный ИИ – подход, который помогает ИИ понимать язык, а не только данные. Благодаря более глубокому пониманию того, что и почему было усвоено, этот мощный подход меняет способы использования данных в масштабах предприятия.

Дополнение машинного обучения в гибридном ИИ

Узнайте, что отличает гибридный ИИ от традиционного машинного обучения и как он изменит способ использования наших данных.