Pembelajaran Mesin: Panduan Pemula

Dalam kehidupan seharian kita, kita dikelilingi oleh manusia yang mempunyai kebolehan luar biasa untuk belajar daripada pengalaman mereka. Sebaliknya, mesin atau komputer berfungsi berdasarkan arahan yang diberikan kepada mereka. Tetapi bagaimana jika mesin juga boleh belajar daripada pengalaman dan data masa lalu seperti manusia? Di sinilah Pembelajaran Mesin (ML) muncul dalam gambar.

Apa itu Pembelajaran Mesin

ML ialah subset Kecerdasan Buatan (AI) yang terutama berkaitan dengan pembangunan algoritma, membolehkan komputer belajar daripada data baharu dan pengalaman lepas secara bebas. Apabila proses pembelajaran berjalan dan bilangan sampel yang tersedia meningkat, prestasi algoritma ML bertambah baik secara adaptif.

Isi kandungan:

• Bagaimana Pembelajaran Mesin Berfungsi?
• Ciri-ciri Pembelajaran Mesin
• Jenis Pembelajaran Mesin
• 5 Kegunaan Pembelajaran Mesin
• Cara Syarikat menggunakan Pembelajaran Mesin
• Sejarah Pembelajaran Mesin
• Cabaran Melaksanakan Pembelajaran Mesin

Sebagai contoh, Pembelajaran Deep ialah subbidang ML yang melatih komputer untuk meniru sifat semula jadi manusia seperti belajar daripada contoh, dan ia menawarkan parameter prestasi yang lebih baik daripada algoritma ML konvensional.

Ditakrifkan pada tahun 1959

ArthurSamuel memperkenalkan istilah tersebut "Pembelajaran Mesin" pada tahun 1959. Secara ringkasnya, Pembelajaran Mesin membolehkan mesin belajar daripada data secara automatik, meningkatkan prestasinya berdasarkan pengalaman dan membuat ramalan tanpa pengaturcaraan yang jelas.

Pembelajaran Mesin Hari Ini

Dalam dunia hari ini, pertumbuhan pesat data besar, Internet of Things (IoT) dan pengkomputeran di mana-mana telah menjadikan pembelajaran mesin sebagai alat penting untuk menyelesaikan masalah merentas pelbagai bidang. Beberapa bidang utama di mana pembelajaran mesin kini digunakan ialah:

• Kewangan pengiraan (pemarkahan kredit, perdagangan algoritma)
• Visi komputer (pengecaman muka, pengesanan gerakan, pengesanan objek)
• Biologi pengkomputeran (Penjujukan DNA, pengesanan tumor otak, penemuan dadah)
• Automotif, aeroangkasa dan pembuatan (penyelenggaraan ramalan)
• Pemprosesan bahasa semulajadi (pengecaman suara)

Dengan menggunakan data sejarah, yang disebut sebagai data latihan, algoritma pembelajaran mesin boleh mencipta pengiraan dan model matematik yang kompleks yang boleh meramalkan hasil atau membuat keputusan tanpa diprogramkan secara eksplisit.

Pembelajaran mesin menggabungkan sains komputer dan statistik untuk membina model ramalan yang boleh belajar daripada data. Lebih banyak data yang disediakan, lebih baik prestasi algoritma.

Keupayaan mesin untuk belajar bergantung pada kapasitinya untuk meningkatkan prestasinya dengan memperoleh akses kepada lebih banyak data. Ini bermakna pembelajaran mesin mempunyai potensi untuk merevolusikan banyak industri dengan menyediakan ramalan yang lebih tepat dan keupayaan membuat keputusan yang lebih baik.

Bagaimana Pembelajaran Mesin Berfungsi?

Pembelajaran mesin membolehkan komputer untuk belajar daripada data sejarah, mengenal pasti corak, dan membuat ramalan yang tepat berdasarkan data yang diterima. Ketepatan ramalan yang dibuat oleh sistem pembelajaran mesin adalah berkadar terus dengan jumlah dan kualiti data yang boleh diakses olehnya. Ini bermakna bahawa lebih banyak data sistem mempunyai, lebih tepat ia boleh meramalkan hasil.

Apabila berhadapan dengan masalah kompleks yang memerlukan ramalan, kita tidak perlu lagi menulis kod dari awal. Sebaliknya, kita boleh memberi makan data yang berkaitan kepada algoritma generik dan biarkan mesin membina logik dan meramalkan output berdasarkan data input. Pendekatan revolusioner ini telah mengubah cara kami mendekati penyelesaian masalah.

Gambar rajah blok berikut menggambarkan cara kerja algoritma pembelajaran mesin biasa:

Ciri-ciri Pembelajaran Mesin:

• Pembelajaran mesin menggunakan data untuk mengesan corak dalam set data tertentu.
• Ia belajar daripada data sebelumnya dan bertambah baik secara automatik.
• Ia adalah teknologi dipacu data yang sangat bergantung pada kualiti input data.
• Pembelajaran mesin sangat serupa dengan perlombongan data kerana ia berkaitan dengan jumlah data yang besar.

Jenis Pembelajaran Mesin

Satu aspek penting dalam pembelajaran mesin ialah klasifikasi, yang boleh dibahagikan secara meluas kepada empat jenis:

1. Pembelajaran diselia,
2. Pembelajaran tanpa pengawasan,
3. Pembelajaran separuh penyeliaan, dan
4. Pembelajaran pengukuhan.

Pembelajaran Mesin Diawasi

Pembelajaran mesin yang diselia melibatkan mesin latihan menggunakan set data berlabel, membolehkan mereka meramalkan output berdasarkan latihan yang disediakan. Dalam pembelajaran diselia, parameter input dan output sudah dipetakan, dan mesin dilatih dengan input dan output yang sepadan. Objektif utama adalah untuk petakan pembolehubah input dengan pembolehubah keluaran. Pembelajaran yang diselia selanjutnya diklasifikasikan kepada dua kategori: klasifikasi dan regresi.

• Algoritma pengelasan menangani masalah pengelasan di mana pembolehubah output adalah kategori, seperti ya atau tidak, benar atau salah, lelaki atau perempuan, dsb. Aplikasi klasifikasi dunia sebenar termasuk pengesanan spam dan penapisan e-mel. Contoh algoritma klasifikasi termasuk Algoritma Hutan Rawak, Algoritma Pokok Keputusan, Algoritma Regresi Logistik dan Algoritma Mesin Vektor Sokongan.
• Algoritma regresi menangani masalah regresi di mana pembolehubah input dan output mempunyai hubungan linear. Ini dikenali untuk meramalkan pembolehubah keluaran berterusan. Contohnya termasuk ramalan cuaca, analisis trend pasaran, dsb. Algoritma regresi yang popular termasuk Algoritma Regresi Linear Mudah, Algoritma Regresi Multivariate, Algoritma Pokok Keputusan dan Regresi Lasso.

Pembelajaran Mesin tanpa pengawasan

Model pembelajaran mesin tanpa pengawasan ialah teknik pembelajaran yang tidak memerlukan penyeliaan. Mesin dilatih menggunakan set data tidak berlabel dan didayakan untuk meramalkan output tanpa pengawasan. Algoritma pembelajaran tanpa pengawasan bertujuan untuk mengumpulkan set data yang tidak diisih berdasarkan persamaan input, perbezaan dan corak. Pembelajaran mesin tanpa pengawasan dikelaskan kepada pengelompokan dan perkaitan.

• Teknik pengelompokan merujuk kepada pengumpulan objek ke dalam kelompok berdasarkan parameter seperti persamaan atau perbezaan antara objek. Contohnya, mengumpulkan pelanggan mengikut produk yang mereka beli. Beberapa algoritma pengelompokan yang diketahui termasuk Algoritma Pengelompokan K-Means, Algoritma Anjakan Min, Algoritma DBSCAN, Analisis Komponen Utama dan Analisis Komponen Bebas.
• Pembelajaran persatuan merujuk kepada mengenal pasti hubungan tipikal antara pembolehubah set data yang besar. Ia menentukan kebergantungan pelbagai item data dan memetakan pembolehubah yang berkaitan. Aplikasi biasa termasuk perlombongan penggunaan web dan analisis data pasaran. Algoritma popular yang mematuhi peraturan persatuan termasuk Algoritma Apriori, Algoritma Eclat dan Algoritma Pertumbuhan FP.

Pembelajaran Mesin Separa Penyeliaan

Pembelajaran separuh penyeliaan menggabungkan ciri-ciri kedua-duanya algoritma pembelajaran mesin diselia dan tidak diselia. Ia menggunakan gabungan set data berlabel dan tidak berlabel untuk melatih algoritmanya, mengatasi kelemahan pilihan yang disebutkan di atas.

Sebagai contoh, pertimbangkan pelajar kolej mempelajari sesuatu konsep. Pelajar yang mempelajari sesuatu konsep di bawah penyeliaan guru adalah pembelajaran yang diselia. Dalam pembelajaran tanpa pengawasan, pelajar belajar sendiri konsep yang sama di rumah tanpa bimbingan guru. Manakala, pelajar menyemak semula konsep selepas belajar di bawah arahan guru di maktab adalah satu bentuk pembelajaran separa penyeliaan.

Pembelajaran Pengukuhan

Pembelajaran pengukuhan ialah proses berasaskan maklum balas di mana komponen AI secara automatik mengambil kira persekitarannya, mengambil tindakan, belajar daripada pengalaman dan meningkatkan prestasi. Pembelajaran pengukuhan digunakan dalam pelbagai bidang seperti teori permainan, teori maklumat dan sistem berbilang agen. Pembelajaran peneguhan pula dibahagikan kepada pembelajaran peneguhan positif dan negatif.

Pembelajaran peneguhan positif merujuk kepada menambah rangsangan pengukuhan selepas tingkah laku tertentu ejen, menjadikannya lebih berkemungkinan bahawa tingkah laku itu mungkin berlaku lagi pada masa hadapan, seperti menambah ganjaran selepas tingkah laku. Pembelajaran peneguhan negatif merujuk kepada pengukuhan tingkah laku tertentu yang mengelakkan hasil negatif.

Pembelajaran Mesin Diawasi vs Tanpa Diawasi

Sebagai contoh, model pembelajaran yang diselia boleh meramalkan masa penerbangan berdasarkan waktu puncak di lapangan terbang, kesesakan lalu lintas di udara dan keadaan cuaca (antara parameter lain yang mungkin). Walau bagaimanapun, manusia mesti melabel set data untuk melatih model tentang cara faktor ini boleh mempengaruhi masa penerbangan. Model yang diselia bergantung pada mengetahui hasilnya untuk membuat kesimpulan bahawa salji adalah faktor kelewatan penerbangan.

Sebaliknya, model pembelajaran tanpa pengawasan sentiasa berfungsi tanpa gangguan manusia. Mereka mencari dan tiba di struktur jenis menggunakan data tidak berlabel. Satu-satunya pertolongan manusia diperlukan di sini adalah untuk pengesahan pembolehubah output.

Sebagai contoh, apabila seseorang membeli-belah untuk komputer riba baharu dalam talian, model pembelajaran tanpa pengawasan akan mengetahui bahawa orang itu tergolong dalam kumpulan pembeli yang membeli satu set produk berkaitan bersama-sama. Walau bagaimanapun, adalah menjadi tugas saintis data atau penganalisis yang serius untuk mengesahkan bahawa enjin pengesyoran menawarkan pilihan untuk beg komputer riba, pelindung skrin dan pengecas kereta.

Algoritma Pembelajaran Mesin Biasa Diterangkan

Algoritma pembelajaran mesin (ML) digunakan secara meluas dalam pelbagai bidang. Berikut ialah beberapa algoritma ML yang biasa digunakan:

• Rangkaian Neural: Rangkaian saraf meniru kerja otak manusia, yang terdiri daripada sejumlah besar nod pemprosesan yang bersambung. Rangkaian saraf cemerlang dalam pengecaman corak, dan ia memainkan peranan penting dalam beberapa aplikasi seperti semula jadi terjemahan bahasa, pengecaman imej, pengecaman pertuturan dan penciptaan imej.
• Regresi Linear: Algoritma ini meramalkan nilai berangka, berdasarkan hubungan linear antara nilai yang berbeza. Sebagai contoh, regresi linear boleh digunakan untuk menjangka harga rumah berdasarkan data sejarah rantau ini.
• Regresi Logistik: Algoritma pembelajaran diselia ini membuat ramalan untuk pembolehubah tindak balas kategori seperti jawapan "ya/tidak" kepada pertanyaan. Regresi logistik boleh digunakan untuk aplikasi seperti mengkategorikan spam dan memastikan kawalan kualiti pada barisan pengeluaran.
• Pengumpulan: Menggunakan pembelajaran tanpa pengawasan, algoritma pengelompokan boleh mengenal pasti corak dalam data dan mengumpulkannya bersama-sama. Saintis data boleh memanfaatkan komputer untuk mengenal pasti perbezaan antara item data yang mungkin terlepas pandang oleh manusia.
• Pokok Keputusan: Pepohon keputusan boleh digunakan untuk meramalkan nilai berangka (regresi) dan mengelaskan data ke dalam kategori. Pokok keputusan menggunakan urutan percabangan keputusan berpaut yang boleh diwakili dengan gambar rajah pokok. Salah satu kelebihan pokok keputusan ialah ia mudah untuk disahkan dan diaudit, tidak seperti kotak hitam rangkaian saraf.
• Hutan Rawak: Dalam hutan rawak, algoritma ML meramalkan nilai atau kategori dengan menggabungkan hasil daripada beberapa pokok keputusan.

5 Penggunaan Terbaik Pembelajaran Mesin: Bagaimana Ia Mengubah Pelbagai Industri

Tidak menghairankan bahawa pembelajaran mesin dengan cepat menjadi salah satu teknologi paling popular dalam pelbagai industri. Contoh tidak terkira banyaknya. Mari kita lihat dengan lebih dekat 5 aplikasi pembelajaran mesin teratas dan cara ia mengubah sektor kewangan, pemasaran, penjagaan kesihatan, runcit dan rantaian blok.

Sektor Kewangan: Membanteras Penipuan dan Meningkatkan Pelaburan

Sektor kewangan semakin memanfaatkan teknologi pembelajaran mesin untuk memerangi aktiviti penipuan dan membuat keputusan pelaburan yang lebih baik. Dengan menggunakan cerapan terbitan ML, institusi kewangan boleh mengenal pasti peluang pelaburan yang berpotensi dan memutuskan masa untuk berdagang. Selain itu, kaedah perlombongan data membantu sistem pengawasan siber mengesan tanda amaran aktiviti penipuan dan mengambil langkah yang perlu untuk meneutralkannya.

Beberapa contoh popular institusi kewangan yang telah bekerjasama dengan syarikat teknologi untuk memanfaatkan faedah pembelajaran mesin termasuk Citibank, yang telah bekerjasama dengan syarikat pengesanan penipuan Feedzai untuk mengendalikan penipuan perbankan dalam talian dan peribadi, dan PayPal, yang menggunakan beberapa alat pembelajaran mesin untuk membezakan antara transaksi yang sah dan penipuan antara pembeli dan penjual.

Lihat lagi: AI dalam pelaburan: Panduan Terbaik untuk Pemula

Pemasaran: Menyesuaikan Pengalaman Pelanggan dan Meningkatkan ROI

Dalam industri pemasaran, pemasaran kecerdasan buatan (AI). digunakan untuk membuat keputusan automatik berdasarkan pengumpulan data, analisis data dan pemerhatian tambahan terhadap khalayak atau aliran ekonomi yang mungkin memberi kesan kepada usaha pemasaran.

Alat pemasaran AI gunakan data dan profil pelanggan untuk mempelajari cara terbaik berkomunikasi dengan pelanggan dan kemudian menyampaikan kepada mereka mesej yang disesuaikan pada masa yang sesuai tanpa campur tangan daripada ahli pasukan pemasaran, memastikan kecekapan maksimum.

Beberapa yang popular kes penggunaan pemasaran AI termasuk analisis data, pemprosesan bahasa semula jadi (NLP), pembelian media, pembuatan keputusan automatik, penjanaan kandungan dan pemperibadian masa nyata. Alat pemasaran dikuasakan AI membantu perniagaan membuat keputusan berdasarkan data dan mengoptimumkan strategi pemasaran mereka untuk memaksimumkan pulangan pelaburan (ROI).

Penjagaan Kesihatan: Merevolusikan Diagnosis dan Rawatan Pesakit

Industri penjagaan kesihatan memanfaatkan teknologi pembelajaran mesin untuk meningkatkan diagnosis dan rawatan pesakit. Peranti dan penderia boleh pakai, seperti pelacak kecergasan yang boleh dipakai dan jam tangan kesihatan pintar, memantau data kesihatan pengguna untuk menilai kesihatan mereka dalam masa nyata.

Selain itu, algoritma pembelajaran mesin membolehkan pakar perubatan meramalkan jangka hayat pesakit yang menghidap penyakit maut dengan ketepatan yang semakin meningkat.

Pembelajaran mesin juga menyumbang dengan ketara kepada penemuan dadah dan rawatan peribadi. Pembelajaran mesin membantu mempercepatkan proses menemui atau mengeluarkan ubat baharu, dan teknologi ML mencari penanda tindak balas pesakit dengan menganalisis gen individu, menyediakan terapi yang disasarkan kepada pesakit.

Syarikat seperti Genentech telah bekerjasama dengan GNS Healthcare untuk memanfaatkan pembelajaran mesin dan simulasi platform AI untuk menginovasikan rawatan bioperubatan dan menangani isu penjagaan kesihatan.

Sektor Runcit: Memperibadikan Pengalaman Membeli-belah Pelanggan

Tapak web runcit menggunakan kaedah pembelajaran mesin untuk menangkap data, menganalisisnya dan menyampaikan pengalaman membeli-belah yang diperibadikan kepada pelanggan mereka. Teknik pembelajaran mesin juga digunakan untuk kempen pemasaran, cerapan pelanggan, perancangan barangan pelanggan dan pengoptimuman harga.

Pasaran enjin cadangan global dijangka mencapai penilaian $17.30 bilion menjelang 2028, menurut September 2021 laporan oleh Grand View Research, Inc.

Beberapa contoh popular sistem pengesyoran termasuk Amazon, yang menggunakan rangkaian neural buatan (ANN) untuk menawarkan pengesyoran pintar dan diperibadikan yang berkaitan dengan pelanggan berdasarkan sejarah pembelian, ulasan, penanda halaman dan aktiviti dalam talian mereka yang lain.

Netflix and Youtube sangat bergantung pada sistem pengesyoran untuk mencadangkan rancangan dan video kepada pengguna mereka berdasarkan sejarah tontonan mereka. Selain itu, pembantu maya atau chatbot perbualan yang dikuasakan oleh pembelajaran mesin, semula jadi pemprosesan bahasa (NLP), dan pemahaman bahasa semula jadi (NLU) juga digunakan untuk mengautomasikan pengalaman membeli-belah pelanggan.

Blockchain: Trend Baru dalam AI

Blockchain, teknologi revolusioner yang mendasari mata wang kripto seperti Bitcoin, telah menjadi semakin berharga kepada pelbagai perniagaan. Dengan menggunakan lejar terpencar untuk merekod urus niaga, teknologi ini menggalakkan ketelusan dan akauntabiliti antara semua pihak yang terlibat dalam urus niaga, menghapuskan keperluan untuk perantara.

Lihat lagi: AI dan Blockchain: Merevolusikan Masa Depan

Tambahan pula, sebaik sahaja transaksi direkodkan pada rantaian blok, ia tidak boleh dipadam atau diubah, memberikan tahap keselamatan dan ketidakbolehubah yang belum pernah terjadi sebelumnya.

Dalam masa terdekat, blockchain dijangka bergabung dengan AI dan teknologi canggih lain seperti pembelajaran mesin dan pemprosesan bahasa semula jadi. Ini kerana ciri-ciri tertentu rantaian blok, seperti lejar terpencar, ketelusan dan kebolehubahannya, melengkapkan keupayaan daripada teknologi lain ini.

Sebagai contoh, bank utama seperti Barclays and HSBC sedang mengusahakan projek berkuasa blockchain yang menawarkan pinjaman tanpa faedah kepada pelanggan mereka. Dengan menggunakan algoritma pembelajaran mesin untuk menganalisis corak perbelanjaan pelanggan, bank-bank ini boleh menilai kelayakan kredit peminjam dengan tepat dan membuat keputusan pemberian pinjaman termaklum.

Bagaimana Syarikat Memanfaatkan Pembelajaran Mesin untuk Kejayaan Perniagaan

Pembelajaran mesin telah menjadi komponen penting dalam model perniagaan sesetengah syarikat, seperti algoritma cadangan Netflix atau Enjin carian Google. Walau bagaimanapun, walaupun syarikat yang tidak tertumpu terutamanya pada pembelajaran mesin sedang mengintegrasikannya ke dalam operasi mereka.

A kajian baru-baru menunjukkan bahawa 67% syarikat sudah menggunakan pembelajaran mesin dalam beberapa kapasiti.

Walaupun sesetengah syarikat masih cuba memikirkan cara memanfaatkan pembelajaran mesin untuk kelebihan mereka, yang lain sudah menggunakannya dalam beberapa cara. Untuk menentukan sama ada sesuatu tugas itu sesuai untuk pembelajaran mesin, penyelidik dari MIT Initiative on the Digital Economy membangunkan rubrik 21 soalan dalam kertas kerja 2018.

Para penyelidik mendapati bahawa tiada pekerjaan tidak akan disentuh oleh pembelajaran mesin, tetapi tiada pekerjaan mungkin akan diambil alih sepenuhnya olehnya. Kunci untuk membuka kunci potensi pembelajaran mesin adalah untuk menyusun semula pekerjaan ke dalam tugas-tugas diskret, beberapa daripadanya boleh dilakukan oleh pembelajaran mesin dan lain-lain yang memerlukan campur tangan manusia.

Berikut ialah beberapa cara syarikat sudah menggunakan pembelajaran mesin untuk kelebihan mereka:

• Algoritma Pengesyoran: Pembelajaran mesin menguasai enjin pengesyoran di sebalik pengesyoran Netflix, YouTube, Facebook dan produk. Dengan mempelajari keutamaan kami, algoritma boleh menyusun kandungan diperibadikan yang menarik minat kami. Di Twitter, algoritma memilih tweet yang dipercayai akan menarik minat kita, dan di Facebook, ia menentukan iklan yang hendak dipaparkan, siaran yang hendak dikongsi dan kandungan yang kami dapati menarik.
• Analisis Imej dan Pengesanan Objek: Pembelajaran mesin boleh menganalisis imej untuk mengenal pasti orang dan membezakan antara mereka, walaupun algoritma pengecaman muka ialah a punca kontroversi. Dana lindung nilai terkenal menggunakan pembelajaran mesin untuk menganalisis penghunian tempat letak kereta untuk membantu mereka membuat pertaruhan termaklum mengenai prestasi syarikat.
• Mesin Pengesan Penipuan gunakan pembelajaran mesin untuk menganalisis corak, seperti cara seseorang individu biasanya berbelanja atau tempat mereka membeli-belah, untuk mengesan transaksi kad kredit penipuan, percubaan log masuk dan e-mel spam.
• Talian Bantuan Automatik atau Chatbots: Banyak syarikat telah menggunakan chatbot dalam talian yang membolehkan pelanggan atau pelanggan berinteraksi dengan mesin dan bukannya manusia. Algoritma ini menggunakan pembelajaran mesin dan pemprosesan bahasa semula jadi untuk belajar daripada perbualan lalu dan memberikan respons yang sesuai. Chatbots suka SembangGPT juga digunakan untuk pelbagai tugas oleh syarikat untuk mengautomasikan tugasan yang berulang.
• Kereta Memandu Sendiri: Kereta pandu sendiri sangat bergantung pada pembelajaran mesin, terutamanya pembelajaran mendalam, untuk teknologi mereka. Walaupun kontroversi, AI dalam kereta perlahan-lahan mengambil alih dan membantu meningkatkan keselamatan.
• Pengimejan dan Diagnostik Perubatan: Program pembelajaran mesin boleh memeriksa imej perubatan dan maklumat lain untuk mengenal pasti penanda penyakit, seperti meramalkan risiko kanser berdasarkan mamogram.

Secara keseluruhannya, pembelajaran mesin mengubah cara perniagaan beroperasi dan kekal berdaya saing. Dengan menyusun semula pekerjaan ke dalam tugasan diskret, syarikat boleh memanfaatkan pembelajaran mesin untuk menyelaraskan operasi, mengesan penipuan dan meningkatkan perkhidmatan pelanggan. Memandangkan pembelajaran mesin terus berkembang, potensi aplikasinya untuk perniagaan tidak terhad.

Sejarah Pembelajaran Mesin

Pembelajaran mesin bukan lagi fiksyen sains. Ia telah menjadi sebahagian daripada kehidupan harian kita, daripada pembantu maya seperti Alexa Amazon kepada kereta pandu sendiri. Konsep pembelajaran mesin, bagaimanapun, mempunyai sejarah yang panjang dan menarik. Mari kita lihat beberapa peristiwa penting dalam evolusi pembelajaran mesin.

Pra-1940: Sejarah Awal Pembelajaran Mesin

• Dalam 1834, Charles Babbage, bapa komputer, membayangkan peranti yang boleh diprogramkan dengan kad tebuk. Walaupun mesin itu tidak pernah dibina, struktur logiknya mempengaruhi reka bentuk komputer moden. Pada tahun 1936, Alan Turing mencadangkan teori bagaimana mesin boleh melaksanakan satu set arahan.

Era Komputer Program Tersimpan

• Dalam 1940, komputer pertama yang dikendalikan secara manual yang dipanggil "ENIAC" telah dicipta, yang merupakan komputer tujuan am elektronik yang pertama. Ini membawa kepada pembangunan komputer atur cara yang disimpan seperti EDSAC pada tahun 1949 dan EDVAC pada tahun 1951.
• Dalam 1943, rangkaian saraf manusia telah dimodelkan dengan litar elektrik. Pada tahun 1950, para saintis mula menggunakan idea mereka untuk bekerja dan menganalisis bagaimana neuron manusia mungkin berfungsi.

Jentera dan Perisikan Komputer.

• Dalam 1950, Alan Turing menerbitkan kertas mani bertajuk "Jentera dan Kepintaran Komputer," yang mengkaji topik kecerdasan buatan. Dia bertanya soalan, "Bolehkah mesin berfikir?"

Kepintaran Mesin dalam Permainan

Arthur Samuel, perintis pembelajaran mesin, mencipta program pada tahun 1952 yang membantu komputer IBM bermain dam. Program ini menjadi lebih baik apabila ia dimainkan. Pada tahun 1959, Samuel mencipta istilah "Pembelajaran Mesin."

Musim Sejuk "AI" Pertama

Antara 1974 dan 1980, AI dan penyelidik pembelajaran mesin mengalami masa yang sukar, yang dikenali sebagai "musim sejuk AI." Terjemahan mesin gagal, dan minat terhadap AI berkurangan, menyebabkan pembiayaan kerajaan untuk penyelidikan berkurangan.

Pembelajaran Mesin daripada Teori kepada Realiti

• Dalam 1959, rangkaian saraf pertama digunakan pada masalah dunia nyata untuk membuang gema melalui talian telefon menggunakan penapis penyesuaian.
• Dalam 1985, Terry Sejnowski dan Charles Rosenberg mencipta rangkaian saraf yang dipanggil NETtalk, yang dapat mengajar dirinya sendiri cara menyebut 20,000 perkataan dengan betul dalam satu minggu.
• Dalam 1997, komputer pintar Deep Blue IBM mengalahkan pakar catur Garry Kasparov, menjadi komputer pertama yang mengalahkan pakar catur manusia.

Pembelajaran Mesin pada Abad ke-21.

• Dalam 2006, saintis komputer Geoffrey Hinton menamakan penyelidikan jaringan saraf sebagai "pembelajaran mendalam," yang telah menjadi salah satu teknologi paling trend.
• Dalam 2012, Google mencipta rangkaian saraf dalam yang boleh mengenali manusia dan kucing dalam video YouTube. Pada 2014, Chabot "Eugen Goostman" menjadi chatbot pertama yang meyakinkan 33% hakim manusia bahawa ia bukan mesin.
• DeepFace Facebook, dicipta pada 2014, mendakwa mengiktiraf seseorang dengan ketepatan yang sama seperti manusia.
• Dalam 2016, AlphaGo menewaskan juara dunia Lee Sedol pada permainan Go, dan pada 2017, ia menewaskan pemain terbaik permainan itu, Ke Jie. Pada 2017, pasukan Jigsaw Alphabet membina sistem pintar yang boleh mempelajari trolling dalam talian dengan membaca berjuta-juta komen di pelbagai tapak web.

Pembelajaran Mesin pada Masa Kini

Pembelajaran mesin telah membuat kemajuan yang ketara dalam penyelidikan, dan ia terdapat di mana-mana sahaja di sekeliling kita. Model pembelajaran mesin moden boleh digunakan untuk membuat pelbagai ramalan, seperti ramalan cuaca, ramalan penyakit, analisis pasaran saham, dsb. Teknologi pembelajaran mesin yang paling tradisional termasuk pembelajaran diselia, tidak diselia dan pengukuhan dengan pengelompokan, pengelasan, pepohon keputusan, algoritma SVM dan banyak lagi.

Cabaran Melaksanakan Pembelajaran Mesin dalam Perniagaan

Memandangkan teknologi pembelajaran mesin terus berkembang, tidak hairanlah ia telah menjadi sebahagian daripada kehidupan kita, menjadikan banyak tugas harian kita lebih mudah dan selesa.

Walau bagaimanapun, apabila semakin banyak perniagaan melaksanakan pembelajaran mesin ke dalam operasi mereka, beberapa kebimbangan etika telah timbul tentang kesan teknologi AI terhadap masyarakat kita.

Mari kita lihat dengan lebih dekat beberapa cabaran yang berkaitan dengan pelaksanaan pembelajaran mesin dan cara cabaran ini boleh ditangani.

Cabaran 1: Ketunggalan Teknologi

Konsep singulariti teknologi, yang merujuk kepada titik di mana kecerdasan buatan mengatasi kecerdasan manusia, telah menjadi topik perbincangan selama bertahun-tahun. Walaupun penyelidik tidak terlalu mengambil berat tentang perkara ini berlaku dalam masa terdekat, prospek superintelligence menimbulkan banyak persoalan etika, terutamanya berkaitan dengan penggunaan sistem autonomi seperti kereta pandu sendiri.

Walaupun mustahil untuk meramalkan jika atau bila kereta tanpa pemandu akan mengalami kemalangan, persoalan tanggungjawab dan liabiliti masih menjadi perdebatan. Perlukah kita terus membangun kenderaan autonomi sepenuhnya, atau menghadkan mereka kepada yang separa autonomi untuk memastikan penglibatan manusia dalam proses pemanduan? Ini adalah jenis perdebatan etika yang berlaku apabila teknologi AI baharu terus muncul.

Cabaran 2: Kesan AI pada Pekerjaan

Salah satu kebimbangan paling ketara mengenai pelaksanaan kecerdasan buatan ialah kesannya terhadap pekerjaan. Sedangkan ada persepsi bahawa AI akan menyebabkan kehilangan pekerjaan, permintaan pasaran untuk peranan pekerjaan tertentu mungkin akan beralih sebaliknya.

Lihat lagi: Bagaimana Kepintaran Buatan Mempengaruhi Pekerjaan dan Kerjaya

Seperti mana-mana teknologi baru yang mengganggu, industri dan perniagaan akan melakukannya perlu menyesuaikan diri untuk mengikuti perubahan permintaan. Sebagai contoh, apabila lebih banyak pengeluar mengalihkan tumpuan mereka kepada pengeluaran kenderaan elektrik, permintaan untuk pekerjaan dalam sektor ini mungkin akan meningkat.

Begitu juga sementara sesetengah pekerjaan mungkin menjadi berlebihan disebabkan automasi, masih terdapat keperluan untuk individu untuk membantu mengurus sistem AI dan menangani masalah yang lebih kompleks dalam industri yang terjejas seperti perkhidmatan pelanggan. Cabaran terbesar ialah membantu orang ramai beralih kepada peranan baharu yang diperlukan.

Cabaran 3: Kebimbangan Privasi

Kebimbangan privasi ialah isu utama apabila melibatkan privasi data, perlindungan data dan keselamatan data. Dengan perundangan terkini seperti GDPR dan CCPA, individu mempunyai lebih kawalan ke atas data peribadi mereka. Walau bagaimanapun, menggabungkan teknologi AI ke dalam perniagaan boleh mewujudkan kelemahan dan peluang baharu untuk pengawasan, penggodaman dan serangan siber. Akibatnya, pelaburan dalam keselamatan telah menjadi keutamaan utama bagi syarikat untuk mengurangkan risiko ini.

Cabaran 4: Bias dan Diskriminasi

Bias dan diskriminasi adalah sebahagian daripadanya soalan etika yang paling mendesak dibangkitkan dengan penggunaan pembelajaran mesin. Walaupun dengan niat yang baik, sistem AI boleh menjadi berat sebelah disebabkan oleh data yang mereka latih, yang mungkin dihasilkan oleh proses manusia yang berat sebelah.

Contoh berat sebelah dan diskriminasi dalam aplikasi seperti perisian pengenalan wajah dan algoritma media sosial telah membawa kepada seruan untuk lebih akauntabiliti dan pengawasan. Apabila perniagaan semakin menyedari risiko ini, mereka telah menjadi lebih aktif dalam perbincangan mengenai etika dan nilai AI.

Cabaran 5: Akauntabiliti

Kekurangan yang ketara undang-undang untuk mengawal AI amalan bermakna tiada mekanisme penguatkuasaan sebenar untuk memastikan AI beretika diamalkan.

Rangka kerja etika telah muncul untuk membimbing pembinaan dan pengedaran model AI dalam masyarakat, tetapi gabungan tanggungjawab yang diagihkan dan kekurangan pandangan jauh terhadap kemungkinan akibat tidak kondusif untuk mencegah kemudaratan kepada masyarakat. Akibatnya, syarikat perlu proaktif dalam mewujudkan garis panduan etika dan rangka kerja untuk pembangunan dan penggunaan AI.

Perkataan Akhir

Pembelajaran mesin telah merevolusikan cara perniagaan membuat keputusan dengan menyediakan mereka output yang tepat, hafalan dan keupayaan pembelajaran. teknologi ini telah menjadi penting dalam memperkemas operasi perniagaan dalam pelbagai industri seperti pembuatan, peruncitan, penjagaan kesihatan, tenaga dan perkhidmatan kewangan. Dengan keputusan dipacu data, syarikat boleh mengoptimumkan operasi semasa mereka sambil mencari kaedah baharu untuk meringankan beban kerja keseluruhan mereka.

Apabila algoritma komputer berterusan menjadi lebih bijak, kita boleh menjangkakan aliran pembelajaran mesin yang meningkat pada tahun ini dan seterusnya. Jelas sekali bahawa pembelajaran mesin adalah pengubah permainan untuk dunia perniagaan, dan syarikat yang menerima teknologi ini akan kekal mendahului pesaing mereka.