Vsebina
- Avtomatizacija na področju informacijske tehnologije
- Je avtomatizacija prihodnost strojnega učenja?
- Brez napak, brez stresa - vaš korak za korakom vodnik za ustvarjanje programske opreme, ki spreminja življenje, ne da bi vam uničila življenje
- Študija primera
- Strojno učenje lahko nadomesti delovna mesta
- Zaključek
Vir: Krulua / Dreamstime.com
Odvzem:
Strojno učenje je zmožnost sistema, da spremeni svoje programiranje. Toda, ko lahko sistem to stori, so ljudje še vedno potrebni?
Strojno učenje je bil eden največjih napredkov v zgodovini računalništva, zdaj pa naj bi bilo mogoče prevzeti pomembne vloge na področju velikih podatkov in analitike. Analiza velikih podatkov je z vidika podjetij velik izziv. Na primer, dejavnosti, kot so smiselnost velikega števila različnih formatov podatkov, priprava podatkov za analitiko in filtriranje odvečnih podatkov, lahko porabijo veliko virov. Najem znanstvenikov in strokovnjakov za podatke je drag predlog in ne v okviru vsakega podjetja. Strokovnjaki menijo, da je strojno učenje sposobno avtomatizirati številne naloge, povezane z analitiko - tako rutinske kot zapletene. Avtomatizacija strojnega učenja lahko sprosti veliko virov, ki jih je mogoče uporabiti pri bolj zapletenih in inovativnih delovnih mestih. Zdi se, da je strojno učenje šlo v to smer. (Če želite izvedeti več o uporabi strojnega učenja, glejte Obljube in pasti strojnega učenja.)
Avtomatizacija na področju informacijske tehnologije
V tem pogledu je avtomatizacija povezovanje različnih sistemov in programske opreme, tako da lahko opravljajo določena dela brez človeškega posredovanja. V industriji IT lahko avtomatizirani sistemi opravljajo tako preprosta kot zapletena opravila. Primer preprostega opravila je lahko vključitev obrazca z dokumentom PDF in pošiljanje dokumenta pravilnemu prejemniku, medtem ko je zagotavljanje varnostne kopije zunaj mesta lahko primer zapletenega opravila.
Za opravljanje svojega dela je treba programirati samodejni sistem ali dati izrecna navodila. Vsakič, ko je za spreminjanje obsega svojih opravil potreben samodejni sistem, mora človek posodobiti program ali niz navodil. Medtem ko so avtomatizirani sistemi učinkoviti na svojih delovnih mestih, se napake lahko pojavijo zaradi različnih razlogov. Ko se pojavijo napake, je treba ugotoviti in odpraviti osnovni vzrok. Očitno so avtomatizirani sistemi za svoje delo popolnoma odvisni od človeka. Bolj zapletena je vrsta dela, večja je verjetnost napak in težav.
Običajno so rutinska in ponovljiva opravila dodeljena avtomatiziranim sistemom. Pogost primer avtomatizacije v IT industriji je avtomatizacija testiranja spletnih uporabniških vmesnikov. Preskusni primeri se vnesejo v skripte za avtomatizacijo in uporabniški vmesniki se ustrezno preskusijo. (Če želite več o praktični uporabi strojnega učenja, glejte Strojno učenje in Hadoop v odkrivanju goljufij naslednje generacije.)
Argument v prid avtomatizaciji je bil, da opravlja rutinske in ponovljive naloge in zaposlene sprosti do bolj zapletenih in ustvarjalnih nalog. Vendar pa trdijo tudi, da je avtomatizacija izpodrinila veliko delovnih mest ali vlog, ki jih je prej opravljal človek. Zdaj, ko je strojno učenje našlo pot v različne panoge, bi avtomatizacija lahko v celoti dodala novo dimenzijo.
Je avtomatizacija prihodnost strojnega učenja?
Bistvo strojnega učenja je sposobnost sistemov, da se nenehno učijo iz podatkov in se razvijajo brez posredovanja ljudi. Strojno učenje se lahko obnaša kot človeški možgani. Na primer, mehanizem za priporočila na spletnem mestu za e-trgovino lahko oceni edinstvene želje in okuse uporabnika ter ponudi priporočila o izdelkih in storitvah, ki najbolje ustrezajo uporabnikovim izbiram. Glede na to sposobnost strojnega učenja velja za idealno za avtomatizacijo kompleksnih nalog, povezanih z velikimi podatki in analitiko. Presegla je že glavna omejitev tradicionalnih sistemov za avtomatizacijo, ki ne morejo delovati brez rednega človeškega posredovanja. Obstaja več študij primerov, ki kažejo, da je strojno učenje sposobno opravljati prefinjene naloge analize podatkov, kot bodo obravnavane v tem članku.
Kot je bilo že poudarjeno, je analiza velikih podatkov zahtevna predloga za podjetja in jo je mogoče delno prenesti na sisteme strojnega učenja. Z vidika podjetja lahko to prinese veliko koristi, kot so sprostitev virov za znanost podatkov za bolj ustvarjalne in kritične naloge, večji obseg zaključka dela, manj časa, potrebnega za dokončanje nalog in stroškovna učinkovitost.
Brez napak, brez stresa - vaš korak za korakom vodnik za ustvarjanje programske opreme, ki spreminja življenje, ne da bi vam uničila življenje
Ne morete izboljšati svojih programskih veščin, kadar nikogar ne skrbi za kakovost programske opreme.
Študija primera
Leta 2015 so raziskovalci MIT začeli delati na orodju za znanost podatkov, ki je sposobno ustvariti napovedne podatkovne modele iz ogromnih količin surovih podatkov z uporabo tehnike, imenovane algoritem Deep Feature Synthesis. Algoritem, trdijo znanstveniki, lahko združuje najboljše lastnosti strojnega učenja. Po mnenju znanstvenikov so algoritem že preizkusili na treh različnih naborih podatkov in bodo obseg testiranja razširili na več podatkovnih nizov. V opisu, kako to počneta, sta raziskovalca James Max Kanter in Kalyan Veeramachaneni v prispevku, ki sta ga predstavila na mednarodni konferenci o znanosti in analitiki, zapisala: "Z uporabo postopka samodejnega uravnavanja optimiziramo celotno pot brez človekove vpletenosti in omogočimo njeno posplošitev. v različne nabore podatkov. "
Preučimo, kako zapletena je bila naloga: algoritem ima sposobnost, ki se imenuje sposobnost samodejnega uravnavanja, s pomočjo katere pridobiva ali pridobiva vpoglede ali vrednosti iz surovih podatkov, kot sta starost ali spol, in po tem lahko ustvarijo napovedne modele podatkov. Algoritem uporablja zapletene matematične funkcije in teorijo verjetnosti, znano kot Gaussova kopula. Torej je enostavno razumeti obseg zapletenosti, s katerim se algoritem lahko spoprime. Tehnika je osvojila tudi nagrade na tekmovanjih.
Strojno učenje lahko nadomesti delovna mesta
Po vsem svetu razpravlja o tem, da lahko strojno učenje nadomesti številna delovna mesta, saj opravlja naloge z učinkovitostjo človeških možganov. Pravzaprav obstaja nekaj pomislekov, da bo strojno učenje nadomestilo znanstvenike s podatki - in zdi se, da obstajajo podlage za takšne skrbi.
Za običajne uporabnike, ki nimajo znanj za analizo podatkov, vendar še vedno potrebujejo analitiko v vsakodnevnem življenju v različnih stopnjah, ni mogoče imeti računalnikov, ki bi znali analizirati ogromno količino podatkov in ponujati analitiko. Toda tehnologije obdelave naravnega jezika (NLP) lahko to omejitev premagajo tako, da računalnike naučijo sprejemati in obnavljati naravni, govorjeni jezik ljudi. Tako navaden uporabnik ne potrebuje prefinjenih analitičnih zmožnosti ali spretnosti.
IBM verjame, da je mogoče s pomočjo svojega izdelka Watson-ove platforme za naravno jezikov zmanjšati ali odpraviti potrebo po znanstvenikih s podatki. Marc Atschuller pravi: podpredsednik za Watson Analytics in Business Intelligence: "S kognitivnim sistemom, kot je Watson, samo postavite svoje vprašanje - ali če nimate vprašanja, samo naložite svoje podatke in Watson lahko pogleda in sklepa kar bi morda želeli vedeti. "
Zaključek
Avtomatizacija je naslednji logični korak za strojno učenje in učinke smo že doživljali v vsakodnevnem življenju - na spletnih straneh za e-trgovino, predlogih prijateljev, priporočilih za povezovanje v mrežo LinkedIn in iskanju Airbnb. Glede na dane primere je nedvomno mogoče pritrditi kakovosti proizvodnje avtomatiziranih sistemov strojnega učenja. Misel na strojno učenje, ki povzroča ogromno brezposelnost, se lahko zaradi vseh svojih lastnosti in koristi zdi pretirana reakcija. Stroji že več desetletij nadomeščajo človeška bitja na številnih področjih našega življenja, vendar so se človeška bitja razvijala in prilagajala, da bi ostala pomembna v industriji. Strojno učenje je, glede na perspektivo, le še en tak val, ki se mu bodo ljudje prilagodili.