Komputiloj ne transprenas, sed ili estas pli inteligentaj ĉiutage
En la plej simplaj terminoj, maŝinlernado (ML) estas la programado de maŝinoj (komputiloj) por ke ĝi povas plenumi petitan taskon uzante kaj analizante datumojn por realigi tiun taskon sendepende, sen aldona specifa enigo de homa programisto.
Maŝinado 101
La termino "maŝinlernado" estis stampita en la laboratorioj de IBM en 1959 fare de Arthur Samuel, pioniro en artefarita inteligenteco (AI) kaj komputila ludado. Maŝinlernado, kiel rezulto, estas branĉo de Artefarita Inteligenteco. La premiso de Samuel estis forigi la komputikan modelon de la tempo malantaŭen kaj ĉesigi doni komputilojn por lerni.
Anstataŭe, li volis komputilojn komenci eltrovi aferojn mem, sen homoj, kiuj devis enigi eĉ la plej malmultan informon. Tiam li pensis, komputiloj ne nur plenumus taskojn, sed fine decidus, kiajn taskojn plenumi kaj kiam. Kial? Por ke komputiloj povus redukti la kvanton de laboro homoj bezonataj por plenumi en iu ajn regiono.
Kiel Maŝinlernado Funkcias
Maŝinlernado funkcias per la uzo de algoritmoj kaj datumoj. Algoritmo estas aro de instrukcioj aŭ gvidlinioj, kiuj rakontas komputilon aŭ programon kiel plenumi taskon. La algoritmoj uzataj en ML kolektas datumojn, rekonas mastrojn kaj uzas analizon de tiu datumo por adapti siajn proprajn programojn kaj funkciojn por kompletigi taskojn.
ML algoritmoj uzas regulojn, decidajn arbojn, grafikajn modelojn, naturajn lingvajn pretigojn kaj neŭrajn retojn (por nomi kelkajn) aŭtomatigi prilaborojn por preni decidojn kaj plenumi taskojn. Dum ML povas esti kompleksa temo, Google Teachable Machine provizas simplan manfaritan pruvon pri kiel ML funkcias.
La plej potenca formo de maŝina lernado uzata hodiaŭ, nomata profunda lernado , konstruas kompleksan matematikan strukturon nomatan neŭtan reton, bazitan sur vastaj kvantoj da datumoj. Neŭraj retoj estas aroj de algoritmoj en ML kaj AI modelado laŭ la maniero nervaj ĉeloj en la homa cerbo kaj nervoza sistemo procesas informojn.
Artefarita Inteligenteco vs Mezlernado kontraŭ Datuma Minado
Por plej bone kompreni la rilaton inter AI, ML kaj datuma minado, estas helpema pensi pri aro de malsamaj grandecaj pluvombreloj. AI estas la plej granda pluvombrelo. La ML-pluvombrelo estas pli malgranda grandeco kaj konvenas sub la pluvombrelo de AI. La datuma miniganta pluvombrelo estas la plej malgranda kaj konvenas sub la ML-pluvo.
- AI estas branĉo de komputiko, kiu celas programi komputilojn por plenumi taskojn en pli da "inteligentaj" kaj "homaj-similaj" vojoj, uzante rezonado kaj decido-teknikoj modelataj laŭ homa inteligenteco.
- ML estas kategorio de komputado ene de AI koncentrita pri programadaj maŝinoj (komputiloj) por lerni (kolekti necesajn datumojn aŭ ekzemplojn) por fari informojn, informitajn, inteligentajn decidojn pli aŭtomate.
- Datumaj minadoj uzas statistikojn, ML, AI kaj grandajn datumbazojn por trovi ŝablonojn, informojn, krei klasifikojn, identigi problemojn kaj liveri detalajn analitikajn datumojn.
Kio Maŝinlernado Povas Fari (Kaj Jam Faras)
La kapablo por komputiloj analizi grandajn kvantojn da informoj en frakcioj de dua faras utila ML en kelkaj industrioj, kie temas kaj precizeco estas esencaj.
- Medicino: ML-teknologio estas efektivigita en gamo de solvoj por la medicina kampo, inkluzive de helpo al kriz-fako kuracistoj kun pli rapida diagnozo de pacientoj kun nekutimaj simptomoj. Kuracistoj povas enlistigi liston de la simptomoj de la paciento en la programon kaj uzi ML, la programo povas skuri milionojn da terabytoj de informoj de medicina literaturo kaj interreto por redoni liston de eblaj diagnozoj kaj rekomendindaj provoj aŭ traktado en tempo de registro.
- Edukado: ML estas uzata por krei edukajn ilojn, kiuj taŭgas sin al la lernaj bezonoj de la studento, kiel ekzemple virtualaj lernantoj kaj elektronikaj lernolibroj, kiuj estas pli interagaj. Ĉi tiuj iloj uzas ML por malkovri, kiujn konceptoj kaj kapabloj la studento komprenas uzante mallongajn kvizojn kaj praktikajn ekzercojn. La iloj tiam provizas mallongajn filmetojn, pliajn ekzemplojn kaj fonan materialon por helpi la studento lerni la bezonajn kapablojn aŭ konceptojn.
- Aŭtomotila: ML estas ankaŭ ŝlosila komponanto en la emerĝa kampo de mem-veturiloj (ankaŭ nomata ŝoforo-malpli aŭtoj aŭ aŭtonomaj aŭtoj). La programaro, kiu funkcias mem-veturantajn aŭtojn, uzas ML dum ambaŭ vetkestoj kaj simulacioj por detekti vojajn kondiĉojn (kiel glaciaj vojoj) aŭ identigi obstaklojn en la vojo kaj lerni taŭgajn manierojn por savi sekure tiajn situaciojn.
Vi verŝajne jam renkontis ML multajn fojojn sen rimarki ĝin. Kelkaj el la pli komunaj uzoj de ML-teknologio inkluzivas praktikan paroladon ( la Bixby de Samsung , Siri de Apple, kaj multaj diskutaj programoj, kiuj nun estas normaj en komputiloj), spam-filtrado por via retpoŝto, konstruado de novaĵoj, detektanta fraŭdon, personigon Aĉetaj rekomendoj, Kaj provizanta pli efikan #aranea? o serĉajn rezultojn.
ML estas eĉ implikita en via retpoŝto de Facebook . Kiam vi ŝatas aŭ alklakas la afiŝojn de amiko ofte, la algoritmoj kaj ML malantaŭ la scenoj "lernu" de viaj agoj laŭlonge de tempo por priorigi iujn amikojn aŭ paĝojn en via Novaĵoj.
Kion Maŝinlernado Povas Do!
Tamen, ekzistas limoj al kio ML povas fari. Ekzemple, la uzo de ML-teknologio en malsamaj industrioj postulas signifan kvanton da evoluo kaj programado de homoj por specialigi programon aŭ sistemon por la tipoj de taskoj postulitaj de tiu industrio. Ekzemple, en nia kuracista ekzemplo supre, la ML-programo uzata en la kriz-fako estis disvolvita specife por homa medicino. Ĝi nuntempe ne povas preni tiun ĝustan programon kaj rekte efektivigi ĝin en bestkuracista centro. Tia transiro postulas vastan specialan kaj disvolviĝon fare de homaj programistoj por krei version kapablan fari ĉi tiun taskon por bestkuracistino aŭ besto.
Ĝi ankaŭ postulas nekredeble vastajn kvantojn da datumoj kaj ekzemploj por "lerni" la informojn, kiujn ĝi bezonas por fari decidojn kaj plenumi taskojn. ML-programoj ankaŭ estas tre laŭvortaj en la lego de datumoj kaj lukto kun simbolismo kaj ankaŭ iuj tipoj de rilatoj ene de datumoj, kiel ekzemple kaŭzo kaj efiko.
Kontinua progresoj, tamen, faras ML pli da kerna teknologio kreante pli inteligentajn komputilojn ĉiutage.