Tartalom
- Automatizálás az információs technológia összefüggésében
- Az automatizálás a gépi tanulás jövője?
- Nincsenek hibák, nincs stressz - Az Ön életét megváltoztató szoftverek készítésének lépésről lépésre történő leírása az élet megsemmisítése nélkül
- Esettanulmány
- A gépi tanulás helyettesítheti a munkákat
- Következtetés
Forrás: Krulua / Dreamstime.com
Elvitel:
A gépi tanulás a rendszer azon képessége, hogy megváltoztassa saját programozását. De ha egy rendszer képes ezt megtenni, akkor is szükség van-e az emberekre?
A gépi tanulás az egyik legnagyobb előrelépés a számítástechnika történetében, és most úgy gondolják, hogy képes jelentős szerepet vállalni a nagy adatok és az elemzés területén. A nagy adatok elemzése a vállalkozások szempontjából óriási kihívás. Például az olyan tevékenységek, mint a hatalmas mennyiségű, változatos adatformátum megértése, az analitikai adatok előkészítése és a redundáns adatok kiszűrése, sok erőforrást igényelhetnek. Az adattudósok és szakemberek felvétele drága javaslat, és nem minden vállalat eszköze. A szakértők úgy vélik, hogy a gépi tanulás képes számos elemzési feladat automatizálására - mind rutin, mind összetett. A gépi tanulás automatizálása sok erőforrást szabadíthat fel, amelyeket összetettebb és innovatívabb munkákban lehet felhasználni. Úgy tűnik, hogy a gépi tanulás ebbe az irányba halad. (Ha többet szeretne megtudni a gépi tanulás használatáról, olvassa el a Gépi tanulás ígéreteit és buktatóit.)
Automatizálás az információs technológia összefüggésében
Az informatika terén az automatizálás az egymástól független rendszerek és szoftverek összekapcsolása úgy, hogy emberi beavatkozás nélkül képesek legyenek meghatározott feladatokat elvégezni. Az informatikai iparban az automatizált rendszerek egyszerű és összetett feladatokat is elvégezhetnek. Egy egyszerű feladat példája lehet egy űrlap integrálása a PDF-rel és a dokumentum beillesztése a megfelelő címzettbe, míg egy helyszíni biztonsági másolat készítése példa lehet egy összetett feladatra.
A feladat elvégzéséhez egy automatizált rendszert be kell programozni vagy kifejezetten utasításokat kell adni. Minden alkalommal, amikor automatizált rendszerre van szükség a feladatkörének módosításához, az embert a programnak vagy az utasításoknak frissíteni kell. Míg az automatizált rendszerek hatékonyan működnek a munkájukban, hibák előfordulhatnak különböző okok miatt. Hibák bekövetkezése esetén a kiváltó okot meg kell határozni és ki kell javítani. Nyilvánvaló, hogy munkájuk elvégzéséhez az automatizált rendszerek teljesen az emberektől függenek. Minél összetettebb a munka jellege, annál nagyobb a hibák és problémák valószínűsége.
Általában a rutin és az ismételhető feladatokat az automatizált rendszerekhez rendelik. Az automatizálás általános példája az IT-iparban a webes felhasználói felületek tesztelésének automatizálása. A teszt eseteit beillesztjük az automatizálási szkriptekbe, és a felhasználói felületeket ennek megfelelően teszteljük. (A gépi tanulás gyakorlati alkalmazásairól bővebben a Gépi tanulás és Hadoop című szakaszban olvashatjuk a következő generációs csalások észlelésében.)
Az automatizálás mellett érvel az, hogy rutinszerű és megismételhető feladatokat hajt végre, és felszabadítja az alkalmazottakat bonyolultabb és kreatívabb feladatok elvégzéséhez. Ugyanakkor azt is állítják, hogy az automatizálás sok olyan munkát vagy szerepet váltott ki, amelyeket korábban az emberek végeztek. Most, amikor a gépi tanulás megtalálta a módját a különféle iparágakban, az automatizálás új dimenzióval egészítheti ki.
Az automatizálás a gépi tanulás jövője?
A gépi tanulás lényege a rendszerek azon képessége, hogy folyamatosan tanuljanak az adatokból és fejlődjenek az emberek beavatkozása nélkül. A gépi tanulás képes úgy viselkedni, mint az emberi agy. Például egy e-kereskedelmi webhelyen található ajánlásmotor felmérheti a felhasználó egyedi preferenciáit és ízléseit, és ajánlásokat kínálhat olyan termékekre és szolgáltatásokra, amelyek a legmegfelelőbben megfelelnek a felhasználó választásainak. Ennek a képességnek a figyelembevételével a gépi tanulást ideálisnak tekintik a nagy adatokkal és az elemzéssel kapcsolatos összetett feladatok automatizálásához. Már legyőzte a hagyományos automatizálási rendszerek fő korlátait, amelyek rendszeres emberi beavatkozás nélkül nem működhetnek. Több esettanulmány is mutatja, hogy a gépi tanulás képes-e kifinomult adat-elemzési feladatok elvégzésére, amint azt a cikk később tárgyalja.
Amint arra már rámutattunk, a nagy adatok elemzése kihívást jelentő javaslat a vállalatok számára, és részben átruházható a gépi tanulási rendszerekre. Egy vállalkozás szempontjából ez sok előnnyel jár, például az adattudományi erőforrások felszabadítása kreatív és kritikus feladatok elvégzéséhez, a munka nagyobb volumenű elvégzése, a feladatok elvégzéséhez kevesebb idő és a költséghatékonyság.
Nincsenek hibák, nincs stressz - Az Ön életét megváltoztató szoftverek készítésének lépésről lépésre történő leírása az élet megsemmisítése nélkül
Nem javíthatja a programozási képességeit, ha senki sem törődik a szoftver minőségével.
Esettanulmány
2015-ben az MIT kutatói egy adattudományi eszköz kidolgozását kezdték meg, amely a hatalmas mennyiségű nyers adatból prediktív adatmodelleket képes létrehozni egy Deep Feature Synthesis algoritmusnak nevezett módszerrel. Az algoritmus, a tudósok állítása szerint, összekapcsolhatja a gépi tanulás legjobb tulajdonságait. A tudósok szerint már tesztelték az algoritmust három különféle adatkészlettel, és a tesztelés körét további adatkészletekre fogják kiterjeszteni. James Max Kanter és Kalyan Veeramachaneni kutatói egy, a nemzetközi adattudományi és elemzési konferencián bemutatott dokumentumban kifejtették, hogy hogyan csinálják. „Egy automatikus hangolás alkalmazásával optimalizáljuk az egész utat emberi bevonás nélkül, lehetővé téve ezáltal az általánosítást. különböző adatkészletekre. ”
Vizsgáljuk meg, milyen összetett volt a feladat: az algoritmus rendelkezik olyan képességgel, amelyet automatikus hangolási képességnek hívnak, amelynek segítségével betekintést vagy értékeket nyer vagy nyer ki nyers adatokból, például életkor vagy nem, majd ezt követően prediktív adatmodelleket hozhat létre. Az algoritmus összetett matematikai függvényeket és egy valószínűség-elméletet használ, Gaussian Copula néven. Tehát könnyű megérteni az algoritmus bonyolultságának mértékét. A technika díjakat nyert versenyen.
A gépi tanulás helyettesítheti a munkákat
Az egész világon megvitatják, hogy a gépi tanulás sok munkát helyettesíthet, mivel az emberi agy hatékonyságával hajtja végre a feladatokat. Valójában van némi aggodalom, hogy a gépi tanulás helyettesíti az adattudósokat - és úgy tűnik, hogy van alapja az ilyen félelmeknek.
Azon közönséges felhasználók számára, akik nem rendelkeznek adatelemzési képességekkel, de továbbra is eltérő mértékben igényelnek elemzést a mindennapi életükben, nem lehetséges olyan számítógépekkel rendelkezni, amelyek képesek nagy mennyiségű adatmennyiséget elemezni és elemzést nyújtani. A természetes nyelvfeldolgozó (NLP) technológiák azonban le tudják küzdeni ezt a korlátozást, ha megtanítják a számítógépeket az emberek természetes, beszélt nyelvének elfogadására és feldolgozására. Ilyen módon a közönséges felhasználónak nincs szüksége kifinomult elemzési képességekre vagy készségekre.
Az IBM úgy véli, hogy az adattudósok iránti igény minimalizálható vagy kiküszöbölhető a Watson természetes nyelvű elemző platformjával. A Watson Analytics és üzleti intelligencia alelnöke, Marc Atschuller szerint: „A Watsonhoz hasonló kognitív rendszerrel csak hozza fel kérdését - vagy ha nincs kérdése, csak töltse fel adatait, és Watson megnézheti, és következtethet amit érdemes tudni. ”
Következtetés
Az automatizálás a gépi tanulás következő logikus lépése, és már megtapasztaltuk a hatásait mindennapi életünkben - e-kereskedelmi weboldalakon, barátjavaslatokban, LinkedIn hálózati ajánlásokban és az Airbnb keresési rangsorában. Tekintettel a megadott példákra, nem lehet kétségbe vonni az automatizált gépi tanulási rendszerek eredményeit. Minden tulajdonsága és előnye szempontjából a gépi tanulás gondolata, amely óriási munkanélküliséget okoz, kissé túlreagálhat. A gépek életünk sok területén évtizedek óta helyettesítik az embereket, ám az emberek fejlődtek és adaptálódtak, hogy továbbra is relevánsak maradjanak az iparban. A perspektíva függvényében a gépi tanulás minden zavaró képessége szempontjából csak egy újabb hullám, amelyhez az emberek alkalmazkodni fognak.