Maskinindlæring: hvad er det, og hvad er dets forhold til ai?

I dag vil vi lære dig mere dybtgående et af de udtryk, der har revolutioneret og vil revolutionere nogle interaktioner, som vi kender dem. Vi taler om kunstig intelligens og dens mest specifikke gren, maskinlæring eller automatisk læring.

Som du måske ved, er computing altid i konstant udvikling, og hvad vi kan købe er normalt ikke så banebrydende som muligt.

For eksempel, mens vi udvikler 4. generation af PCI-Express , udvikler forskere allerede PCIe Gen 5 og studerer springet til den 6 . Af samme grund er det ikke ualmindeligt at finde teknologier, som vi ikke vidste udfører opgaver, som vi aldrig havde hørt om.

Men inden vi går videre, lad os indsnævre det emne, vi skal tale om, for hvad er maskinlæring ?

Indholdsindeks

Hvad er maskinlæring ?

Machine Learning er en bestemt gren af datalogi og kunstig intelligens, hvor systemer, der er i stand til automatisk læring, oprettes .

Denne gren begyndte sin undersøgelse og udvikling omkring 80'erne og i dag er den ret udviklet. Af samme grund bruges både kunstig intelligens og maskinlæring inden for mange videnskabelige og hverdagslige områder.

I denne gren består AI'er af en eller flere algoritmer, der er i stand til at behandle store mængder data og lære i overensstemmelse hermed. De to hovedideer, som dette emne drejer sig om:

• Systemet skal være i stand til at analysere data og opbygge færdigheder, som det ikke havde ved sin fødsel. Intelligens skal være i stand til at udføre arbejdet autonomt, dvs. uden menneskelig tilsyn.

I den virkelige verden har vi praktiske eksempler som klassificering af spam i e-mails, relaterede anbefalinger på Amazon eller forudsigelser om fremtiden ved hjælp af virksomhedsdata. Det sidstnævnte er et interessant afsnit, som flere og flere virksomheder satser på.

Ved hjælp af Machine Learning kan vi se, hvilke mønstre der identificerer utilfredse kunder eller ex-kunder til at forsøge at forbedre forholdet til andre brugere i samme tilstand. Ansiennitet, antal klager, kontraherede planer og andre studeres for at oprette visse profiler. Når AI's konklusioner er trukket, kan en gruppe marketingeksperter oprette en specifik kampagne til bekæmpelse af disse problemer.

Virksomheden kan således skabe planer for at tiltrække eller holde kunder baseret på visse antagelser og går fra en reaktiv strategi til en proaktiv strategi. Det er en meget interessant taktik, der bruger kunstig intelligens , store mængder data og maskinlæring .

Hvordan trænes kunstig intelligens ?

For at en kunstig intelligens skal være forberedt, skal den gennemgå forskellige faser:

1. Det går først gennem et kontrolleret miljø. Her indtaster du en stor mængde data og deres respektive resultater, som du kan oprette forhold mellem ideer med. Denne del kaldes Supervised Learning . Derefter placeres du i et frit og ubesvaret miljø, hvor AI selv skal vælge et resultat. Ved at vide, om dine svar er korrekte eller ej, opretter du nye regler i din algoritme. Denne fase kaldes Unsupervised Learning . Endelig er der forberedt et miljø for ham, hvor han smutter. Hvis det for eksempel er vanskeligt for dig at differentiere billeder med lav lysstyrke, bliver du måske trænet med natbilleder. Denne fase kaldes forstærkningslæring. Processen kan udføres fra trin 2 så mange gange, som du vil finjustere efterretningen .

Generaliseret skema for maskinlæring

Et praktisk eksempel ville være at vise AI ti millioner fotos og fortælle dem, hvilke er hunde, og hvilke ikke. Her vil han fortælle, at hunde normalt har pels, de går normalt på fire ben, og der er forskellige former og størrelser afhængigt af racen.

Derefter får han en million fotos at klassificere. Her skal du svare på, om der er en hund på billedet eller ej, og afhængigt af om du vil oprette nye 'ideer' i din database eller ej. For at implementere disse nye data vil Intelligence etablere nye regler i sin algoritme, og nu vil den f.eks. Kunne differentiere hunde fra katte.

Endelig studeres hans effektivitet, og nye fotos er klar til at træne hans svage punkter.

Naturligvis er dette et simpelt og meget gentaget system til demonstrationen, men der er andre mere eksperimentelle og ejendommelige metoder.

Tay, Twitter-bot

Et nyligt tilfælde af eksperimentel træning var Tay , en AI udviklet af Microsoft designet til at lære at udtrykke sig som et menneske.

Tay's Twitter-profil

Bot blev programmeret til oprindeligt at tale som en 19-årig pige, og den 23. marts 2016 blev hun frigivet i de mørke steder på Twitter.

Du blev programmeret til at tale med lokalsamfundet og lære af de meddelelser, du modtog, samt dine interaktioner med brugerne. Hendes læring var næsten fuldstændig autonom, selvom hun måtte trækkes tilbage efter 16 timer for at have vist negativ opførsel.

I den korte varighed af sit liv twitrede han mere end 96.000 tweets. Imidlertid gjorde dette sociale netværks forsætlige fornærmende opførsel det hurtigere end snart for Tay at reagere med racistiske og andre sætninger.

I dette tilfælde burde Supervised Learning og serien med grundlæggende regler være blevet revideret korrekt. Ved at kende den ubekymrede og stødende tone i det sociale netværk var Tay ikke parat til at skelne det virkelige fra det sarkastiske. Af samme grund lykkedes det nogle brugere let at "bryde" den "intellektuelle barriere" for intelligens .

Machine Learning-applikationer i den virkelige verden

Vi har allerede fortalt dig om nogle daglige anvendelser, som du måske allerede vidste om maskinlæring , men hvilke andre tilfælde der findes.

Nedenfor ser du en række praktiske anvendelser af denne teknologi i de mest almindelige problemer. Naturligvis er de banebrydende løsninger, så de kræver normalt også betydeligt mere penge.

sundhed

En teknologi til en ny type tøj, der er i stand til at læse information om vores krop, undersøges. Det kan være i stand til at læse vores puls, vejrtrækning eller angst.

Disse data læses af en intelligens, der evaluerer patientens tilstand i realtid. Så hvis du har et problem, såsom et hjerteanfald på et bestemt tidspunkt, kan du diagnosticere og / eller svare hurtigere.

På den anden side er nogle bots, der er i stand til at opdage selvmordstanker, blevet implementeret hos nogle mennesker. Den berømte Facebook- intelligens læser samtaler og din aktivitet for at genkende mønstre for selvmordstendenser, selvom der er andre versioner, der studerer personens adfærd mere , hans tonefald og hans kropssprog.

finanser

I økonomi har nogle banker og virksomheder brugt Machine Learning- baserede løsninger til at opdage og forhindre svig.

På den anden side bruges noget lignende også til lettere at identificere investeringsmuligheder. Det bruges også til at beslutte, hvornår der skal sælges eller købes aktier og andre midler.

markedsføring

Dette har vi allerede nævnt, men det er en af ​​dets mest kendte applikationer.

Det vil være tilfældet for dig at se et par produkter på Amazon , gå ind på Facebook, Google eller Instagram og se netop det produkt i dine annoncer. Det er ikke tilfældigt, da sociale netværk og Google implementerer intelligenser, der studerer din historie og dine mulige interesser for at fange dem, hvor de kan.

Nogle brugere ser det som en påtrængende måde at 'angribe' brugeren, og det er ikke overraskende, da de bombarderer dig med en idé. Annoncering vil dog bevæge sig i den retning, da den er mere personlig, og annoncerne vil være målrettet mod potentielle købere.

Maskinlæring og dyb læring

Disse to udtryk går som regel hånd i hånd, men de er ikke nøjagtigt de samme. I fremtidige artikler vil vi tale om dette andet valgperiode, da det er noget, som fortjener at blive lært.

VI ANBEFALER dig Sådan afinstalleres AMD-drivere rent og nemt

Generelt kunne vi etablere forholdet mellem maskinlæring og dyb læring som det, kunstig intelligens og maskinlæring har . Deep Learning er en endnu mere specifik gren af Machine Learning .

Det deler nøglesektioner som evolution over tid og erfaring, men det har en anden række forskelle.

Forenklet dyb læring

Dets grundlag for at lære og behandle data er at bruge forskellige lag, der fungerer som om de var neuroner. Derfor kunne vi konstatere, at disse intelligenser normalt er mere raffinerede, men også mere komplicerede og dyre at bygge.

Selvom du er mere interesseret i dette emne, skal du holde øje med hjemmesiden og besøge vores næste artikel om Deep Learning .

Hvor langt er vi fra Skynet ?

Vi har dette afsnit til de mest drømmende sind.

Dette er et meget gentaget emne i bøger, film og andre. Ikke for intet er der nøjagtigt en genre eller et tema kaldet Cyberpunk . Men langt fra de futuristiske dystopier, der kontrolleres af kunstig intelligens , har vores maskiner stadig en lang vej at gå.

Rick & Mortys Smart Robot

Dagens Machine Learning- systemer hører til gruppen af ​​' svage AI'er'. Som vi har set, er disse intelligenser kun i stand til at forstå mønstre og gøre enkle fradrag. De er meget nyttige til at støtte os i visse sammenhænge, ​​men de er slet ikke autonome systemer.

På den anden side ville vi have de 'stærke AI'er' , dem, der er repræsenteret i futuristiske historier, hvor de er lig med eller meget mere intelligente end mennesker. Vi kan finde bemærkelsesværdige eksempler i populærkulturen som 'Matrix' , 'Terminator' , 'Ghost in the Shell' eller 'Halo' . Faktisk er der på denne liste to værker, der er knyttet til hinanden; Gæt hvilke?

I dag udvikler vi stadig fuldt autonome og sikre biler . Vi går kontinuerligt videre, men vi har stadig en måde at udvikle en lige kendsgerning, der udelukkende består af teknologi.

Hvis du vil vide mere om det, kan du besøge vores artikel om kunstig intelligens . Det er en tekst fra et mere generelt synspunkt, og vi studerer lidt de mulige konsekvenser, som denne teknologi vil have.

Afsluttende ord om maskinlæring

I lighed med vores konklusion om kunstig intelligens er det klart, at fremtiden er usikker. Imidlertid er det uundgåeligt, at evolutionen skal gennemgås for at implementere teknologi blandt dens færdigheder og egenskaber.

Lidt efter lidt styres Internettet mere og bedre af programmer og algoritmer. Sociale netværk vil blive bedre kalibreret og vil tilbyde os mere indhold efter vores smag. Og endelig vil onlineforhold være meget mere sikre ved at opdage lettere, når der er fare for svig eller lignende.

På den anden side skal du ikke blive overrasket over, at dette århundrede er, hvor IoT (Internet of Things) vil skinne. Det er en idé, vi har drømt om i lang tid, og som kommer nærmere. Derudover er IoT en stor byder på avancerede teknologier relateret til maskinlæring, selvom det stadig mangler nogle justeringer med hensyn til sikkerhed.

For vores del tror vi, det vil være en gradvis udvikling, og så længe du bliver informeret om, hvad der sker, har du intet at frygte. Nye biler eller køleskabe lyder måske underligt for dig, men jeg tror bestemt ikke, at vi vil se opvågningen af 'stærke AI'er'.

Vi anbefaler at læse de bedste bærbare computere på markedet

Endelig må vi indrømme, at vi ikke er eksperter inden for kunstig intelligens eller maskinlæring , så ikke blive overrasket over nogle mærkelige data. Hvis vi har begået en fejl, tøv ikke med at fortælle os! Vi er trods alt ikke perfekte maskiner endnu.

Og du, hvad synes du om maskinlæring og kunstig intelligens ? I hvilket aspekt synes du, de skal implementeres? Del dine ideer nedenfor.

Smart Dataapdsaslagacetawhatsnew font