Համակարգիչները չեն ընդունում, բայց ամեն օր ավելի խելացի են լինում
Մանրակրկիտ կերպով մեքենայական ուսուցումն (ML) այն է, որ մեքենաները (համակարգիչները) ծրագրավորվում են այնպես, որ այն կարող է իրականացնել պահանջվող առաջադրանք, օգտագործելով եւ վերլուծելով տվյալների (տեղեկատվությունը) `այդ առաջադրանքը ինքնուրույն կատարելու համար, առանց մարդկային մշակողի լրացուցիչ կոնկրետ մուտքագրման :
Մեքենայի ուսուցում 101
«Մեքենաների ուսուցման» տերմինը ստեղծվել է 1959 թվականին IBM լաբորատորիաներում Արթուր Սամուել, արհեստական հետախուզության (AI) եւ համակարգչային խաղերի ռահվիրա: Մեքենայի սովորելը, որպես հետեւանք, արհեստական ինտելեկտի ճյուղ է: Սամուելի առաջադրանքն այն էր, որ ժամանակի հաշվարկային մոդելը վերածվի եւ դադարեցնեն համակարգիչները, սովորելու համար:
Փոխարենը, նա ցանկանում էր, որ համակարգիչները սկսեին իրերը ինքնուրույն ձեւակերպել, առանց մարդկանց, որոնք նույնիսկ պետք է ներդնեն նույնիսկ ամենաթանկ տեղեկությունը: Այնուհետեւ նա կարծում է, որ համակարգիչները ոչ միայն իրականացնում են խնդիրներ, այլեւ ի վերջո կարող են որոշել, թե ինչպիսի առաջադրանքներ կատարել եւ երբ: Ինչու: Այսպիսով, համակարգիչները կարող են նվազեցնել աշխատատեղերի քանակը, որոնք անհրաժեշտ են տվյալ տարածքում կատարելու համար:
Ինչպես է մեքենայի ուսուցման աշխատանքները
Մեքենավարման աշխատանքները աշխատում են ալգորիթմների եւ տվյալների օգտագործման միջոցով: Ալգորիթմը հրահանգների կամ ուղեցույցների հավաքածու է, որը պատմում է համակարգչին կամ ծրագրին, թե ինչպես կատարել աշխատանք: ML- ում օգտագործվող ալգորիթմները տվյալների հավաքում են, ճանաչում են նախշերով եւ օգտագործում այդ տվյալների վերլուծությունը `իր ծրագրերը եւ գործառույթները հարմարեցնելու համար:
ML ալգորիթմները օգտագործում են կանոնների սահմանումներ, որոշում կայացնող ծառեր, գրաֆիկական մոդելներ, բնական լեզվով մշակման եւ նեյրոնային ցանցեր (մի քանի անուններ), մշակման տվյալների ավտոմատացման համար որոշումներ կայացնելու եւ առաջադրանք կատարելու համար: Մինչ ML- ը կարող է լինել բարդ թեման, Google- ի ուսուցանող մեքենան ապահովում է պարզեցված ձեռքի ցուցադրություն, թե ինչպես է աշխատում ML- ը:
Այսօրվա օգտագործվող մեքենաների ամենահզոր ձեւը, որը կոչվում է խորը ուսուցում , կառուցում է բարդ մաթեմատիկական կառուցվածք, որը կոչվում է նեյրոնային ցանց, հիմնված տվյալների մեծ քանակի վրա: Նեյրալային ցանցերը հանդիսանում են ML եւ AI- ի ալգորիթմների կոմպլեքսներ, որոնք ձեւավորվել են մարդու ուղեղի եւ նյարդային համակարգի պրոցեսի տեղեկատվության մեջ նյարդային բջիջների ձեւավորմամբ:
Արհեստական հետախուզություն `ընդդեմ մեքենաների եւ տվյալների հանքարդյունաբերության
Լավագույն հասկանալ AI, ML- ի եւ տվյալների հանքարդյունաբերության միջեւ փոխհարաբերությունները, օգտակար է մտածել տարբեր չափի հովանոցների շարքի մասին: AI- ն ամենամեծ հովանավորն է: The ML հովանու փոքր չափը եւ տեղավորվում է AI հովանու ներքո: Տվյալների հանքարդյունաբերական հովանավորը ամենափոքրն է եւ համապատասխանում է ML հովանու ներքո:
- AI- ը համակարգչային գիտության մասնաճյուղ է, որի նպատակն է ծրագրավորողներին ծրագրեր իրականացնել ավելի «խելացի» եւ «մարդկային նման» եղանակներով, օգտագործելով մտածողության եւ որոշումների կայացման մեթոդները `մոդելավորված մարդկային հետախուզության արդյունքում:
- ML- ը AI- ի մեջ հաշվարկվող համակարգ է, որը կենտրոնացած է ծրագրավորման մեքենաների (համակարգիչների) վրա, սովորելու (հավաքելու անհրաժեշտ տվյալներ կամ օրինակներ), տվյալների ավտոմատացված որոշումների կայացման համար:
- Տվյալների հանքարդյունաբերությունը օգտագործում է վիճակագրություն, ML, AI եւ տեղեկատվության հսկայական տվյալների բազա, օրինակների հայտնաբերման, գաղափարների ապահովման, դասակարգումներ ստեղծելու, խնդիրները բացահայտելու եւ մանրամասն տվյալներ վերլուծելու համար:
Ինչ մեքենայի ուսուցումը կարող է անել (եւ արդեն իսկ կա)
Համակարգիչները կարող են վերլուծել մեծ քանակությամբ տեղեկությունների երկրորդական բաժանում, ML- ն օգտակար է մի շարք ոլորտներում, որտեղ ժամանակն ու ճշգրտությունը անհրաժեշտ են:
- Բժշկություն. ML տեխնոլոգիան կիրառվում է բժշկական ոլորտի մի շարք լուծումների մեջ, ներառյալ արտակարգ իրավիճակների բժիշկներին օգնելու արտակարգ ախտանիշներով հիվանդների ավելի արագ ախտորոշմամբ: Բժիշկները կարող են ներդնել հիվանդի ախտանիշների ցանկը ծրագրի մեջ եւ օգտագործել ML, ծրագիրը կարող է քերել թրիլյեր տերաբայթ տեղեկատվության բժշկական գրականության եւ ինտերնետից, վերադարձնելու պոտենցիալ ախտորոշման ցանկը եւ առաջարկվող փորձարկումները կամ բուժումը ռեկորդային ժամանակում:
- Կրթություն: ML- ն օգտագործվում է կրթական գործիքներ ստեղծելու համար, որոնք հարմարեցնում են ուսանողի ուսուցման կարիքներին, ինչպիսիք են վիրտուալ ուսուցանողներն ու էլեկտրոնային դասագրքերը, որոնք ավելի ինտերակտիվ են: Այս գործիքները օգտագործում են ML- ը, պարզելու համար, թե ուսանողը հասկանում է, թե կոնկրետ ինչ հմտություններ եւ հասկացություններ են օգտագործվում, օգտագործելով կարճ վիկտորնաներ եւ գործնական վարժություններ Այնուհետեւ գործիքները տրամադրում են կարճ տեսանյութեր, լրացուցիչ օրինակներ եւ ֆոնային նյութեր, օգնելու ուսանողին սովորել անհրաժեշտ հմտությունները կամ հասկացությունները:
- Ավտոմոբիլ. ML- ը նաեւ առանցքային բաղադրիչն է ավտոմոբիլային ինքնաշարժ մեքենաների առաջացման դաշտում (նաեւ կոչվում է վարորդով մեքենաներ կամ ինքնավար ավտոմեքենաներ): Ինքնասպասարկման ավտոմոբիլները գործածող ծրագրային ապահովումն օգտագործում է ML- ի եւ իրական կյանքի ճանապարհային փորձարկումների ժամանակ եւ ճանապարհային պայմանների հայտնաբերման (օրինակ, սառցե ճանապարհների) հայտնաբերման կամ ճանապարհային երթեւեկության խոչընդոտների հայտնաբերման եւ համապատասխան վարելու խնդիրներին ծանոթանալու համար:
Դուք հավանաբար արդեն բազմիցս հանդիպել եք ML- ին, առանց դրա գիտակցելու: ML տեխնոլոգիաների առավել տարածված օգտագործման մեջ են մտնում գործնական ելույթի ճանաչումը ( Samsung- ի Bixby- ն , Apple- ի Siri- ն եւ բազմաթիվ խոսակցական տեքստային ծրագրեր, որոնք այժմ ստանդարտ են PC- ներում), ձեր էլփոստի համար սպամի ֆիլտրացման, նորությունների թարմացումների ստեղծման, խարդախության հայտնաբերման, անհատականացման գնումների առաջարկություններ եւ ավելի արդյունավետ վեբ որոնման արդյունքներ:
ML- ն նույնիսկ ներգրավված է ձեր Facebook- ի ընթերցմամբ: Երբ եք սիրում կամ սեղմում ընկերոջ գրառումներին հաճախ, ալգորիթմները եւ ML կադրերը ետ են մղում ձեր գործողություններից ժամանակի ընթացքում նախապատվությունը որոշել ձեր ընկերների կամ էջերի ձեր Newsfeed- ում:
Ինչ մեքենայական ուսուցում կարող է անել
Այնուամենայնիվ, կան սահմանափակումներ, թե ինչ կարող է անել ML- ը: Օրինակ, տարբեր ոլորտներում ML տեխնոլոգիաների օգտագործումը պահանջում է մարդկանց կողմից մշակման եւ ծրագրավորման զգալի քանակ, մասնագիտանալու համար այնպիսի ծրագրերի կամ համակարգի համար, որոնք պահանջում են այդ ոլորտի պահանջները: Օրինակ, վերը նշված մեր բժշկական օրինակում, արտակարգ իրավիճակների վարչությունում օգտագործվող ՄԼ ծրագիրը մշակվել է հատուկ բժշկության համար: Այժմ հնարավոր չէ իրականացնել այդ հստակ ծրագիրը եւ անմիջապես կիրառել այն անասնաբուժական շտապ կենտրոնում: Նման անցումը պահանջում է մարդկային ծրագրավորողների լայնածավալ մասնագիտացում եւ զարգացում `ստեղծելու այնպիսի տարբերակ, որը կարող է անելու անասնաբուժական կամ կենդանական դեղամիջոցը:
Այն նաեւ պահանջում է աներեւակայելի մեծ քանակությամբ տվյալներ եւ օրինակներ `« սովորելու »այն տեղեկատվությունը, որը անհրաժեշտ է որոշումներ կայացնել եւ կատարել առաջադրանքներ: ML ծրագրերը նույնպես շատ բառացի են տվյալների մեկնաբանման եւ սիմվոլիզմի դեմ պայքարի, ինչպես նաեւ տվյալների արդյունքների որոշակի տեսակների, օրինակ `պատճառ եւ ազդեցություն:
Շարունակական զարգացումները, սակայն, ստիպում են ML- ին ավելի շատ հիմար տեխնոլոգիա ստեղծել ամեն օր ավելի խելացի համակարգիչներով: