Gépi tanulás: Útmutató kezdőknek

Mindennapi életünkben olyan emberek vesznek körül bennünket, akik képesek tanulni a tapasztalataikból. Ezzel szemben a gépek vagy számítógépek a nekik adott utasítások alapján működnek. De mi van, ha a gépek is tanulhatnának tapasztalatokból és múltbeli adatokból, mint az emberek? Itt jön a képbe a gépi tanulás (ML).

Mi a gépi tanulás

Az ML a mesterséges intelligencia (AI) egy részhalmaza, amely elsősorban algoritmusok fejlesztésével foglalkozik, lehetővé téve a számítógépek számára, hogy önállóan tanuljanak új adatokból és korábbi tapasztalatokból. A tanulási folyamat előrehaladtával és a rendelkezésre álló minták számának növekedésével az ML algoritmusok teljesítménye adaptívan javul.

Tartalomjegyzék:

• Hogyan működik a gépi tanulás?
• A gépi tanulás jellemzői
• Gépi tanulási típusok
• 5 A gépi tanulás felhasználási módjai
• Hogyan használják a vállalatok a gépi tanulást
• A gépi tanulás története
• A gépi tanulás megvalósításának kihívásai

Például, Deep Learning az ML egy részterülete, amely arra tanítja a számítógépeket, hogy utánozzák a természetes emberi tulajdonságokat, például a példákból való tanulást, és jobb teljesítményparamétereket kínál, mint a hagyományos ML algoritmusok.

1959-ben határozták meg

Arthur Samuel bevezette a kifejezést „Gépi tanulás” 1959-ben. Összefoglalva, a gépi tanulás lehetővé teszi a gépek számára, hogy automatikusan tanuljanak az adatokból, javítsák teljesítményüket a tapasztalatok alapján, és előrejelzéseket készítsenek kifejezett programozás nélkül.

Gépi tanulás ma

A mai világban a nagy adatforgalom, a tárgyak internete (IoT) és a mindenütt jelen lévő számítástechnika gyors növekedése a gépi tanulást a problémamegoldás kulcsfontosságú eszközévé tette számos területen. Néhány kulcsfontosságú terület, ahol a gépi tanulást jelenleg használják:

• Számítási finanszírozás (hitelpontozás, algoritmikus kereskedés)
• Számítógépes látás (arcfelismerés, mozgáskövetés, tárgyérzékelés)
• Számítási biológia (DNS szekvenálás, agydaganat kimutatás, gyógyszerkutatás)
• Autóipari, repülőgépipar és gyártás (prediktív karbantartás)
• Természetes nyelvfeldolgozás (hangfelismerés)

Előzményadatok felhasználásával, amelyekre ún képzési adatok, a gépi tanulási algoritmusok összetett matematikai számításokat és modelleket hozhatnak létre, amelyek előre programozzák az eredményeket vagy hozhatnak döntéseket.

A gépi tanulás egyesíti a számítástechnikát és a statisztikákat, hogy olyan prediktív modelleket hozzon létre, amelyek képesek tanulni az adatokból. Minél több adatot ad meg, annál jobb az algoritmus teljesítménye.

A gép tanulási képessége attól függ, hogy képes-e növelni teljesítményét azáltal, hogy több adathoz jut hozzá. Ez azt jelenti, hogy a gépi tanulásban megvan a lehetőség forradalmasítja számos iparágat pontosabb előrejelzések és jobb döntéshozatali képességek biztosításával.

Hogyan működik a gépi tanulás?

A gépi tanulás lehetővé teszi a számítógépek számára tanulhat a történelmi adatokból, azonosíthatja a mintákat, és pontos előrejelzéseket készíthet a kapott adatok alapján. A gépi tanulási rendszer által készített előrejelzések pontossága egyenesen arányos a hozzáférő adatok mennyiségével és minőségével. Ez azt jelenti, hogy minél több adattal rendelkezik egy rendszer, annál pontosabban tudja előre jelezni az eredményeket.

Ha olyan összetett problémával szembesülünk, amely előrejelzéseket igényel, többé nem kell a semmiből kódot írnunk. Ehelyett etethetjük a vonatkozó adatok általános algoritmusokhoz, és hagyja, hogy a gép a bemeneti adatok alapján felépítse a logikát és előrejelezze a kimenetet. Ez a forradalmi megközelítés megváltoztatta a problémamegoldás megközelítését.

A következő blokkdiagram egy tipikus gépi tanulási algoritmus működését szemlélteti:

A gépi tanulás jellemzői:

• A gépi tanulás adatok segítségével észleli a mintákat egy adott adatkészletben.
• Tanul a korábbi adatokból, és automatikusan javul.
• Ez egy adatvezérelt technológia, amely nagymértékben függ az adatbevitel minőségétől.
• A gépi tanulás nagyon hasonlít az adatbányászathoz, mivel hatalmas mennyiségű adattal foglalkozik.

A gépi tanulás típusai

A gépi tanulás egyik kulcsfontosságú aspektusa az osztályozás, amely nagyjából felosztható négy típus:

1. Felügyelt tanulás,
2. felügyelet nélküli tanulás,
3. Félig felügyelt tanulás, ill
4. Megerősítő tanulás.

Felügyelt gépi tanulás

A felügyelt gépi tanulás magában foglalja a betanítógépeket, amelyek címkézett adatkészleteket használnak, lehetővé téve számukra a kimenetek előrejelzését a biztosított képzés alapján. A felügyelt tanulás során a bemeneti és kimeneti paraméterek már le vannak képezve, és a gép betanítva van a bemenettel és a megfelelő kimenettel. Az elsődleges cél az leképezi a bemeneti változót a kimeneti változóval. A felügyelt tanulás további két kategóriába sorolható: osztályozás és regresszió.

• Osztályozási algoritmusok olyan osztályozási problémákkal foglalkozik, ahol a kimeneti változó kategorikus, például igen vagy nem, igaz vagy hamis, férfi vagy nő stb. Az osztályozás valós alkalmazásai közé tartozik a kéretlen levelek észlelése és az e-mailek szűrése. Az osztályozási algoritmusok példái közé tartozik a Véletlenszerű erdő algoritmus, döntési fa algoritmus, logisztikai regressziós algoritmus és támogató vektorgép algoritmus.
• Regressziós algoritmusok olyan regressziós problémákat kezel, ahol a bemeneti és kimeneti változók lineáris kapcsolatban állnak egymással. Ezekről ismert, hogy megjósolják a folyamatos kimeneti változókat. Ilyen például az időjárás előrejelzése, piaci trendelemzés stb. A népszerű regressziós algoritmusok közé tartozik a Egyszerű lineáris regressziós algoritmus, többváltozós regressziós algoritmus, döntési fa algoritmus és lasszó regresszió.

Felügyelet nélküli gépi tanulás

A nem felügyelt gépi tanulási modell olyan tanulási technika, amely nem igényel felügyeletet. A gépeket címkézetlen adatkészlet segítségével képezik ki, és engedélyezve vannak előre jelezni a kimenetet felügyelet nélkül. A nem felügyelt tanulási algoritmus célja a rendezetlen adatkészlet csoportosítása a bemeneti hasonlóságok, különbségek és minták alapján. A felügyelet nélküli gépi tanulást klaszterezésre és társításra osztják.

• Klaszterezési technika az objektumok csoportosítására utal olyan paraméterek alapján, mint például az objektumok közötti hasonlóságok vagy különbségek. Például az ügyfelek csoportosítása az általuk vásárolt termékek szerint. Néhány ismert klaszterezési algoritmus tartalmazza a K-Means klaszterezési algoritmus, Mean-Shift algoritmus, DBSCAN algoritmus, főkomponens-elemzés és független komponens-elemzés.
• Társulási tanulás egy nagy adathalmaz változói közötti tipikus kapcsolatok azonosítására utal. Meghatározza a különböző adatelemek függőségét, és leképezi a kapcsolódó változókat. A tipikus alkalmazások közé tartozik a webhasználat bányászata és a piaci adatok elemzése. Az asszociációs szabályokat betartó népszerű algoritmusok közé tartozik a Apriori algoritmus, Eclat algoritmus és FP-növekedési algoritmus.

Félig felügyelt gépi tanulás

Félig felügyelt tanulás mindkettő jellemzőit ötvözi felügyelt és nem felügyelt gépi tanulási algoritmusok. Felcímkézett és címkézetlen adatkészletek kombinációját használja az algoritmusok betanításához, kiküszöbölve a fent említett opciók hátrányait.

Vegyünk például egy főiskolai hallgatót, aki egy koncepciót tanul. Az a tanuló, aki tanári felügyelet mellett tanul egy fogalmat, felügyelt tanulásnak minősül. A felügyelet nélküli tanulás során a tanuló otthon, tanári irányítás nélkül sajátítja el ugyanazt a fogalmat. Eközben az a hallgató, aki átdolgozza a koncepciót, miután egy főiskolai tanár irányítása alatt tanult, egy félig felügyelt tanulási forma.

Erősítő tanulás

A tanulás megerősítése egy visszacsatoláson alapuló folyamat, ahol az AI komponens automatikusan számba veszi a környezetét, cselekszik, tanul a tapasztalatokból, és javítja a teljesítményt. A megerősítő tanulást különböző területeken alkalmazzák, mint például a játékelmélet, az információelmélet és a többágens rendszerek. A megerősítő tanulás tovább oszlik pozitív és negatív megerősítéses tanulásra.

A pozitív megerősítő tanulás egy megerősítő inger hozzáadását jelenti az ágens egy adott viselkedése után, ami nagyobb valószínűséggel teszi a viselkedést a jövőben újra, például jutalom hozzáadásával egy viselkedés után. A negatív megerősítéses tanulás egy adott viselkedés megerősítésére utal, amely elkerüli a negatív eredményt.

Felügyelt és nem felügyelt gépi tanulás

Például egy felügyelt tanulási modell képes megjósolni a repülési időket a repülőtér csúcsidői, a levegő forgalmi torlódásai és az időjárási körülmények (egyéb lehetséges paraméterek mellett) alapján. Az embereknek azonban meg kell jelölniük az adatkészletet, hogy megtanítsák a modellt arra vonatkozóan, hogy ezek a tényezők hogyan befolyásolhatják a repülési időzítést. A felügyelt modell az eredmény ismeretén múlik ahhoz a következtetéshez, hogy a hó a járatok késésének egyik tényezője.

Másrészt a felügyelet nélküli tanulási modellek folyamatosan emberi beavatkozás nélkül működnek. Címkézetlen adatok felhasználásával találnak meg és jutnak el egyfajta struktúrához. Az egyetlen emberi segítség itt a kimeneti változók érvényesítéséhez van szükség.

Például amikor valaki új laptopot vásárol az interneten, egy felügyelet nélküli tanulási modell kitalálja, hogy az vevők csoportjához tartozik akik együtt vásárolnak egy sor kapcsolódó terméket. Egy komoly adattudósnak vagy elemzőnek azonban az a dolga, hogy igazolja, hogy egy ajánlómotor kínál-e laptoptáskát, képernyővédőt és autós töltőt.

Tipikus gépi tanulási algoritmusok magyarázata

A gépi tanulási (ML) algoritmusokat széles körben használják különféle területeken. Íme néhány gyakran használt ML algoritmus:

• Neurális hálózatok: A neurális hálózatok az emberi agy működését utánozzák, amely számos összekapcsolt feldolgozó csomópontból áll. A neurális hálózatok kiválóak a mintafelismerésben, és számos alkalmazásban, például a természetes alkalmazásban kritikus szerepet játszanak nyelvfordítás, képfelismerés, beszédfelismerés és képalkotás.
• Lineáris regresszió: Ez az algoritmus számértékeket jósol meg a különböző értékek közötti lineáris kapcsolat alapján. Például a lineáris regresszió felhasználható a lakásárak előrejelzésére a régió történeti adatai alapján.
• Logisztikus regresszió: Ez a felügyelt tanulási algoritmus előrejelzéseket ad a kategorikus válaszváltozókra, például a lekérdezésekre adott „igen/nem” válaszokra. A logisztikus regresszió olyan alkalmazásokhoz használható, mint pl spam kategorizálása és minőség-ellenőrzés biztosítása a gyártósoron.
• Klaszterek: A felügyelet nélküli tanulás segítségével a fürtözési algoritmusok azonosíthatják az adatok mintáit, és csoportosíthatják azokat. Az adattudósok a számítógépek segítségével azonosíthatják az olyan adatelemek közötti különbségeket, amelyeket az emberek figyelmen kívül hagyhatnak.
• Döntési fák: A döntési fák felhasználhatók számértékek előrejelzésére (regresszió) és az adatok kategóriákba sorolására. Döntési fák összefüggő döntések elágazó sorozatát alkalmazza, amely fadiagrammal ábrázolható. A döntési fák egyik előnye, hogy könnyen ellenőrizhetők és auditálhatók, ellentétben a neurális hálózatok fekete dobozával.
• Véletlen erdők: Egy véletlenszerű erdőben az ML algoritmus több döntési fából származó eredmények kombinálásával jósol egy értéket vagy kategóriát.

A gépi tanulás 5 legnépszerűbb felhasználási módja: Hogyan alakítja át a különböző iparágakat

Nem meglepő, hogy a gépi tanulás gyorsan az egyik legnépszerűbb technológiává válik a különböző iparágakban. Számtalan példa van. Nézzük meg közelebbről a gépi tanulás 5 legnépszerűbb alkalmazását, és hogyan alakítja át a pénzügyi, marketing, egészségügyi, kiskereskedelmi és blokklánc-szektort.

Pénzügyi szektor: A csalás elleni küzdelem és a befektetések fokozása

A pénzügyi szektor egyre inkább kihasználja a gépi tanulási technológiát a csalás elleni küzdelem és a jobb befektetési döntések meghozatala érdekében. Az ML-ből származó betekintések használatával a pénzintézetek megtehetik azonosítani a lehetséges befektetési lehetőségeket és döntse el, mikor kereskedjen. Ezenkívül az adatbányászati ​​módszerek segítenek a kiberfelügyeleti rendszereknek észlelni a csaló tevékenységek figyelmeztető jeleit, és megtenni a szükséges lépéseket azok semlegesítésére.

Az olyan pénzintézetek népszerű példái közé tartozik, amelyek már együttműködtek technológiai cégekkel a gépi tanulás előnyeinek kiaknázása érdekében, többek között a Citibank, amely társul a Feedzai csalásfelderítő céggel, amely az online és személyes banki csalásokat kezeli, valamint a PayPal-lal, amely számos gépi tanulási eszközt használ a vevők és eladók közötti jogszerű és csalárd tranzakciók megkülönböztetésére.

Többet látni: AI a befektetésben: A végső útmutató kezdőknek

Marketing: A vásárlói élmények testreszabása és a ROI növelése

A marketing iparban, mesterséges intelligencia (AI) marketing automatizált döntések meghozatalára szolgál adatgyűjtésen, adatelemzésen, valamint a közönség vagy a gazdasági trendek további megfigyelései alapján, amelyek hatással lehetnek a marketing erőfeszítésekre.

AI marketingeszközök használja az adatokat és az ügyfélprofilokat, hogy megtanulja, hogyan kommunikáljon a legjobban az ügyfelekkel, majd személyre szabott üzeneteket szolgáltasson ki a megfelelő időben a marketingcsapat tagjainak beavatkozása nélkül, ezzel biztosítva a maximális hatékonyságot.

Néhány a népszerű AI marketing felhasználási esetek magában foglalja az adatelemzést, a természetes nyelvi feldolgozást (NLP), a médiavásárlást, az automatizált döntéshozatalt, a tartalomgenerálást és a valós idejű személyre szabást. A mesterséges intelligencia által vezérelt marketingeszközök segítenek a vállalkozásoknak adatvezérelt döntések meghozatalában és marketingstratégiájának optimalizálására, hogy maximalizálják a befektetés megtérülését (ROI).

Egészségügy: Forradalmasítja a betegek diagnózisát és kezelését

Az egészségügyi ágazat a gépi tanulási technológiát használja fel a betegek diagnózisának és kezelésének javítására. Viselhető eszközök és érzékelők, mint pl hordható fitneszkövetők és intelligens egészségügyi órák, figyelik a felhasználók egészségügyi adatait, hogy valós időben értékeljék egészségi állapotukat.

Ezenkívül a gépi tanulási algoritmusok lehetővé teszik az orvosok számára, hogy egyre pontosabban megjósolják a halálos betegségben szenvedő betegek élettartamát.

A gépi tanulás is jelentősen hozzájárul gyógyszerkutatás és személyre szabott kezelés. A gépi tanulás segít felgyorsítani egy új gyógyszer felfedezésének vagy gyártásának folyamatát, az ML technológia pedig az egyes gének elemzésével keresi a betegek válaszmarkereit, és célzott terápiákat biztosít a betegeknek.

Olyan cégek, mint a Genentech együttműködtek a GNS Healthcare-rel, hogy kihasználja a gépi tanulási és szimulációs mesterséges intelligencia platformokat az orvosbiológiai kezelések innovációja és az egészségügyi problémák megoldása érdekében.

Kiskereskedelmi szektor: Az ügyfelek vásárlási élményének személyre szabása

A kiskereskedelmi webhelyek gépi tanulási módszereket használnak az adatok rögzítésére, elemzésére, és személyre szabott vásárlási élményt nyújtanak ügyfeleiknek. A gépi tanulási technikák is marketing kampányokhoz használják, vásárlói betekintés, vásárlói árutervezés és ároptimalizálás.

A 17.30. szeptemberi felmérés szerint a globális ajánlómotorok piaca 2028-ra várhatóan eléri a 2021 milliárd dollárt. a Grand View Research, Inc. jelentése.

Az ajánlási rendszerek népszerű példái közé tartozik az Amazon, amely mesterséges neurális hálózatokat (ANN) használ hogy intelligens, személyre szabott ajánlásokat kínáljunk az ügyfeleknek a közelmúltbeli vásárlási előzményeik, megjegyzéseik, könyvjelzőik és egyéb online tevékenységeik alapján.

Netflix és a Youtube erősen támaszkodnak az ajánlórendszerekre, hogy műsorokat és videókat javasoljanak felhasználóiknak a megtekintési előzményeik alapján. Ezen kívül virtuális asszisztensek vagy beszélgetős chatbotok, amelyek gépi tanulással működnek, természetes nyelvi feldolgozás (NLP), és a természetes nyelv megértését (NLU) is használják az ügyfelek vásárlási élményének automatizálására.

Blockchain: Az AI új trendje

A blokklánc, a forradalmi technológia, amely az olyan kriptovaluták alapjául szolgál, mint a Bitcoin, egyre értékesebbé vált a vállalkozások széles köre számára. Azáltal, hogy decentralizált főkönyvet használ a tranzakciók rögzítésére, ez a technológia elősegíti az átláthatóságot és az elszámoltathatóságot a tranzakcióban részt vevő valamennyi fél között, megszüntetve a közvetítők szükségességét.

Többet látni: AI és Blockchain: A jövő forradalmasítása

Továbbá, ha egy tranzakció rögzítésre került a blokkláncon, azt nem lehet törölni vagy módosítani, ami soha nem látott szintű biztonságot és változhatatlanságot biztosít.

A közeljövőben, A blokklánc várhatóan egyesül az AI-val és más élvonalbeli technológiák, mint például a gépi tanulás és a természetes nyelvi feldolgozás. Ennek az az oka, hogy a blokklánc bizonyos jellemzői, mint például a decentralizált főkönyv, az átláthatóság és a megváltoztathatatlanság, kiegészítik a képességeket ezen egyéb technológiák közül.

Például a nagyobb bankok szeretik Barclays és a HSBC blokklánc-alapú projekteken dolgoznak, amelyek kamatmentes kölcsönöket kínálnak ügyfeleiknek. Az ügyfelek költési szokásainak elemzésére szolgáló gépi tanulási algoritmusok segítségével ezek a bankok pontosan felmérhetik a hitelfelvevő hitelképességét, és megalapozott hitelezési döntéseket hozhatnak.

Hogyan használják ki a vállalatok a gépi tanulást az üzleti siker érdekében?

A gépi tanulás egyes vállalatok üzleti modelljeinek létfontosságú elemévé vált, mint például a Netflix javaslati algoritmusa, ill. A Google keresője. Azonban még a nem elsősorban a gépi tanulásra összpontosító cégek is integrálják azt működésükbe.

A friss felmérés ezt jelzi A cégek 67%-a már használ gépi tanulást valamilyen minőségben.

Míg egyes vállalatok még mindig próbálják kitalálni, hogyan hasznosítsák a gépi tanulást a maguk javára, mások már többféleképpen is használják. Annak megállapítására, hogy egy feladat alkalmas-e a gépi tanulásra, az MIT Initiative on the Digital Economy kutatói egy 21 kérdésből álló rubrikát dolgoztak ki. 2018-as lap.

A kutatók ezt fedezték fel egyetlen foglalkozás sem marad érintetlen a gépi tanulástól, de valószínűleg egyetlen foglalkozást sem vesz át teljesen. A gépi tanulásban rejlő lehetőségek felszabadításának kulcsa a munkák átszervezése különálló feladatokká, amelyek egy része gépi tanulással, mások pedig emberi beavatkozást igényelnek.

Íme néhány módszer, amellyel a vállalatok már most is a gépi tanulást hasznosítják:

• Ajánlási algoritmusok: A gépi tanulás támogatja a Netflix, a YouTube, a Facebook és a termékajánlások mögötti ajánlási motorokat. A preferenciáink megismerésével az algoritmusok személyre szabott tartalmat állíthatnak össze, amely vonzó számunkra. A Twitteren az algoritmus kiválasztja azokat a tweeteket, amelyekről úgy véli, hogy érdekelni fognak bennünket, a Facebookon pedig meghatározza, hogy milyen hirdetéseket jelenítsen meg, milyen bejegyzéseket osszon meg, és milyen tartalmat fogunk vonzónak találni.
• Képelemzés és objektumészlelés: A gépi tanulás elemzi a képeket, hogy azonosítsa az embereket, és különbséget tegyen közöttük, bár az arcfelismerő algoritmusok a vita forrása. A fedezeti alapok híresen gépi tanulást használnak a parkolók kihasználtságának elemzésére, hogy tájékozottan fogadhassanak a vállalat teljesítményére.
• Csalásfelderítő gépek használjon gépi tanulást a minták elemzésére, például arra, hogy az egyén általában hogyan költ, vagy hol vásárol csalárd hitelkártya-tranzakciók észlelése, bejelentkezési kísérletek és spam e-mailek.
• Automatikus segélyvonalak vagy chatbotok: Sok vállalat telepített online chatbotokat, amelyek lehetővé teszik az ügyfelek vagy ügyfelek számára, hogy emberek helyett gépekkel kommunikáljanak. Ezek az algoritmusok gépi tanulást és természetes nyelvi feldolgozást használnak, hogy tanuljanak a múltbeli beszélgetésekből, és megfelelő válaszokat adjanak. A chatbotok kedvelik ChatGPT a vállalatok különféle feladatokhoz is használják az ismétlődő feladatok automatizálására.
• Önvezető autók: Az önvezető autók technológiájuk nagymértékben támaszkodik a gépi tanulásra, különösen a mély tanulásra. Bár ellentmondásos, AI az autókban lassan átveszi az uralmat, és segít a biztonság javításában.
• Orvosi képalkotás és diagnosztika: A gépi tanulási programok orvosi képeket és egyéb információkat vizsgálhatnak a betegség markereinek azonosítása érdekében, például a rákkockázat előrejelzése mammográfiás vizsgálat alapján.

Összességében a gépi tanulás átalakítja a vállalkozások működését és működését versenyképes maradni. A munkák különálló feladatokká történő átszervezésével a vállalatok a gépi tanulást kihasználhatják a műveletek egyszerűsítésére, a csalások felderítésére és az ügyfélszolgálat javítására. Ahogy a gépi tanulás folyamatosan fejlődik, a lehetséges alkalmazások a vállalkozások számára korlátlanok.

A gépi tanulás története

A gépi tanulás már nem sci-fi. A virtuális asszisztensektől kezdve mindennapi életünk szerves részévé vált Amazon's Alexa önvezető autókra. A gépi tanulás fogalmának azonban hosszú és lenyűgöző története van. Vessünk egy pillantást a gépi tanulás fejlődésének néhány mérföldkövére.

1940 előtt: A gépi tanulás korai története

• in 1834, Charles Babbage, a számítógép atyja egy lyukkártyákkal programozható eszközt képzelt el. Bár a gépet soha nem építették meg, logikus felépítése befolyásolta a modern számítógépek tervezését. 1936-ban Alan Turing egy elméletet javasolt arra vonatkozóan, hogyan tud egy gép végrehajtani egy utasításkészletet.

A tárolt programszámítógépek korszaka

• in 1940, feltalálták az első kézi működtetésű számítógépet, az „ENIAC”-t, amely az első elektronikus általános célú számítógép volt. Ez olyan tárolt programszámítógépek kifejlesztéséhez vezetett, mint az EDSAC 1949-ben és az EDVAC 1951-ben.
• in 1943, egy emberi neurális hálózatot modelleztek elektromos áramkörrel. 1950-ben a tudósok elkezdték alkalmazni ötletüket a munkában, és elemezték, hogyan működhetnek az emberi neuronok.

Számítógépes gépek és intelligencia.

• in 1950, Alan Turing „Computer Machinery and Intelligence” címmel jelent meg egy alapvető tanulmányt, amely a mesterséges intelligencia témáját vizsgálta. Feltette a kérdést: Tudnak gondolkodni a gépek?

Gépi intelligencia a játékokban

Arthur Samuel, a gépi tanulás úttörője 1952-ben létrehozott egy programot, amely segített egy IBM számítógépen dámajátékban. A program annál jobb lett, minél többet játszott. 1959-ben Samuel megalkotta a „gépi tanulás” kifejezést.

Az első „AI” tél

1974 és 1980 között a mesterséges intelligencia és a gépi tanulás kutatói nehéz időszakot éltek át, amelyet „AI télnek” neveznek. A gépi fordítás kudarcot vallott, és csökkent az AI iránti érdeklődés, aminek következtében csökkent a kutatásra szánt állami finanszírozás.

Gépi tanulás az elmélettől a valóságig

• A 1959, az első neurális hálózatot egy valós probléma megoldására alkalmazták, hogy eltávolítsák a visszhangokat a telefonvonalakról egy adaptív szűrő segítségével.
• in 1985, Terry Sejnowski és Charles Rosenberg feltalálta a NETtalk nevű neurális hálózatot, amely egy hét alatt képes volt megtanulni 20,000 XNUMX szó helyes kiejtését.
• in 1997, Az IBM Deep Blue intelligens számítógépe legyőzte Garri Kaszparov sakkszakértőt, és ezzel az első számítógép lett, amely legyőzte az emberi sakkszakértőt.

Gépi tanulás a 21. században.

• in 2006, Geoffrey Hinton informatikus a neurális hálózatok kutatását „mély tanulásnak” nevezte, amely az egyik legfelkapottabb technológiává vált.
• in 2012, a Google egy mély neurális hálózatot hozott létre, amely képes felismerni az embereket és a macskákat a YouTube-videókban. 2014-ben Chabot „Eugen Goostman” volt az első chatbot, amely az emberi bírák 33%-át meggyőzte arról, hogy ez nem egy gép.
• Facebook DeepFaceA 2014-ben létrehozott alkotás azt állította, hogy ugyanolyan pontossággal ismer fel egy személyt, mint egy embert.
• A 2016, Az AlphaGo legyőzte a világbajnok Lee Sedolt a Go játékban, 2017-ben pedig a játék legjobb játékosát, Ke Jie-t. 2017-ben az Alphabet Jigsaw csapata olyan intelligens rendszert épített ki, amely képes megtanulni az online trollkodást azáltal, hogy több millió megjegyzést olvas különböző webhelyeken.

Gépi tanulás jelenleg

A gépi tanulás jelentős előrelépést tett a kutatásban, és mindenhol jelen van körülöttünk. A modern gépi tanulási modellek segítségével különféle előrejelzések készíthetők, például időjárás-előrejelzés, betegség-előrejelzés, tőzsdei elemzésstb. A leghagyományosabb gépi tanulási technológia magában foglalja a felügyelt, felügyelt és megerősített tanulást klaszterezéssel, osztályozással, döntési fával, SVM-algoritmusokkal stb.

A gépi tanulás bevezetésének kihívásai a vállalkozásokban

Ahogy a gépi tanulási technológia folyamatosan fejlődik, nem meglepő, hogy életünk szerves részévé vált, és számos napi feladatunkat elvégzi. könnyebb és kényelmesebb.

Ahogy azonban egyre több vállalkozás alkalmazza a gépi tanulást a működésében, számos etikai szempontok felmerült az AI-technológiák társadalmunkra gyakorolt ​​hatásáról.

Nézzünk meg közelebbről a gépi tanulás megvalósításához kapcsolódó néhány kihívást, és nézzük meg, hogyan lehet ezeket a kihívásokat kezelni.

1. kihívás: Technológiai szingularitás

A technológiai szingularitás fogalma, amely arra utal, hogy a mesterséges intelligencia felülmúlja az emberi intelligenciát, évek óta vita tárgya. Bár a kutatók nem túlzottan aggódnak amiatt, hogy ez a közeljövőben megtörténik, a szuperintelligencia lehetősége sok etikai kérdést vet fel, különösen ami az autonóm rendszerek, például az önvezető autók használatát illeti.

Bár lehetetlen megjósolni, hogy egy vezető nélküli autó balesetet szenved-e, vagy mikor, a felelősség és a felelősség kérdése még mindig vita tárgya. Tovább kell-e fejlődnünk teljesen autonóm járművek, vagy korlátozzuk őket félig autonómokra, hogy biztosítsuk az emberi részvételt a vezetési folyamatban? Ilyen típusú etikai viták zajlanak az új AI-technológiák megjelenése közben.

2. kihívás: AI hatása a munkahelyekre

A mesterséges intelligencia megvalósításával kapcsolatos egyik legjelentősebb aggodalom a munkahelyekre gyakorolt ​​hatása. Miközben van egy olyan felfogás, hogy Az AI munkahelyek elvesztéséhez vezet, az adott munkakörök iránti piaci kereslet valószínűleg eltolódik helyette.

Többet látni: Hogyan befolyásolja a mesterséges intelligencia a munkahelyeket és a karriert

Mint minden új, bomlasztó technológia esetében, az iparágak és a vállalkozások is alkalmazkodni kell lépést tartani a változó igényekkel. Például ahogy egyre több gyártó helyezi át a hangsúlyt az elektromos járművek gyártására, valószínűleg növekedni fog a munkahelyek iránti kereslet ebben az ágazatban.

Hasonlóképpen, míg egyes munkák feleslegessé válhatnak Az automatizálás miatt továbbra is szükség lesz egyénekre, hogy segítsenek az AI-rendszerek kezelésében és az érintett iparágakban, például az ügyfélszolgálaton belüli összetettebb problémák megoldásában. A legnagyobb kihívás az lesz, hogy segítsünk az embereknek áttérni olyan új szerepekre, amelyekre kereslet van.

3. kihívás: Adatvédelmi aggályok

Az adatvédelmi aggályok kulcsfontosságúak az adatvédelem, az adatvédelem és az adatbiztonság terén. A legutóbbi jogszabályokkal, mint pl GDPR és a CCPA, az egyének nagyobb befolyással bírnak személyes adataik felett. Az AI-technológia vállalkozásokba való beépítése azonban új sebezhetőségeket és lehetőségeket teremthet a megfigyeléshez, a hackeléshez és a kibertámadásokhoz. Ennek eredményeként a biztonsági befektetések a vállalatok számára a legfontosabb prioritássá váltak e kockázatok csökkentése érdekében.

4. kihívás: Elfogultság és diszkrimináció

Az elfogultság és a diszkrimináció néhány ilyen legégetőbb etikai kérdéseket a gépi tanulás alkalmazása emelte ki. Az AI-rendszerek még jó szándék mellett is elfogulhatnak az általuk betanított adatok miatt, amelyeket elfogult emberi folyamatok generálhatnak.

Az elfogultság és a diszkrimináció esetei olyan alkalmazásokban, mint pl arcfelismerő szoftver és a közösségi média algoritmusai nagyobb elszámoltathatóságra és felügyeletre szólítottak fel. Ahogy a vállalkozások tudatosabbá válnak ezekről a kockázatokról, egyre aktívabbak lettek a mesterséges intelligencia etikájával és értékeivel kapcsolatos vitában.

5. kihívás: elszámoltathatóság

A jelentős hiánya az AI szabályozására vonatkozó jogszabályok gyakorlat azt jelenti, hogy nincs valódi végrehajtási mechanizmus az etikus mesterséges intelligencia gyakorlásának biztosítására.

Etikai keretek jelentek meg, amelyek irányítják a mesterséges intelligencia modellek felépítését és elosztását a társadalmon belül, de a megosztott felelősség és a lehetséges következmények előrelátásának hiánya kombinációja nem segíti elő a társadalom károsodásának megelőzését. Ennek eredményeként a vállalatoknak proaktívnak kell lenniük etikai irányelvek kialakítása és keretrendszerek a mesterséges intelligencia fejlesztéséhez és használatához.

Utószó

A gépi tanulás forradalmasította a vállalkozások döntéshozatali módját azáltal, hogy pontos eredményeket, memorizálási és tanulási lehetőségeket biztosított számukra. Ez a technológia döntő jelentőségűvé vált az üzleti műveletek ésszerűsítésében különböző iparágakban, mint például a gyártás, a kiskereskedelem, az egészségügy, az energia és a pénzügyi szolgáltatások. Az adatvezérelt döntésekkel a vállalatok optimalizálhatják jelenlegi működésüket, miközben új módszereket keresnek általános munkaterhelésük megkönnyítésére.

Ahogy a számítógépes algoritmusok tovább haladnak intelligensebbé válni, a gépi tanulás növekvő tendenciájára számíthatunk idén és azt követően is. Nyilvánvaló, hogy a gépi tanulás megváltoztatja az üzleti világot, és a technológiát alkalmazó vállalatok versenytársaik előtt maradnak.