Μηχανική μάθηση: τι είναι αυτό και ποια είναι η σχέση της με το ai;

Σήμερα θέλουμε να σας διδάξουμε σε βάθος έναν από τους όρους που έχουν φέρει επανάσταση και θα φέρει επανάσταση σε μερικές αλληλεπιδράσεις όπως τις γνωρίζουμε. Μιλάμε για την Τεχνητή Νοημοσύνη και τον πιο συγκεκριμένο κλάδο της, Μηχανική Μάθηση ή Αυτόματη Μάθηση.

Όπως μπορεί να γνωρίζετε, ο υπολογιστής είναι πάντα σε συνεχή εξέλιξη και αυτό που μπορούμε να αγοράσουμε συνήθως δεν είναι όσο το δυνατόν πιο αιχμηρό.

Για παράδειγμα, ενώ αναπτύσσουμε την 4η γενιά του PCI-Express , οι ερευνητές αναπτύσσουν ήδη PCIe Gen 5 και μελετούν το άλμα στο 6ο . Για τον ίδιο λόγο δεν είναι ασυνήθιστο να βρούμε τεχνολογίες που δεν γνωρίζαμε να κάνουμε καθήκοντα που δεν είχαμε ποτέ ακούσει.

Αλλά προτού προχωρήσουμε περαιτέρω, ας περιορίσουμε το θέμα για το οποίο θα μιλήσουμε γιατί, τι είναι η Μηχανική Μάθηση ;

Ευρετήριο περιεχομένων

Τι είναι η εκμάθηση μηχανών ;

Η Μηχανική Μάθηση είναι ένας συγκεκριμένος κλάδος της επιστήμης των υπολογιστών και της Τεχνητής Νοημοσύνης όπου δημιουργούνται συστήματα ικανά για αυτόματη εκμάθηση.

Ο κλάδος αυτός ξεκίνησε τη μελέτη και την ανάπτυξή του γύρω στη δεκαετία του '80 και σήμερα είναι αρκετά αναπτυγμένος. Για τον ίδιο λόγο, τόσο η Τεχνητή Νοημοσύνη όσο και η Μηχανική Μάθηση χρησιμοποιούνται σε πολλά επιστημονικά και καθημερινά πεδία.

Σε αυτόν τον κλάδο, οι ΑΟ αποτελούνται από έναν ή περισσότερους αλγόριθμους ικανούς να επεξεργάζονται μεγάλες ποσότητες δεδομένων και να μαθαίνουν ανάλογα. Οι δύο βασικές ιδέες πάνω στις οποίες το θέμα είναι σε τροχιά είναι:

• Το σύστημα πρέπει να είναι σε θέση να αναλύσει τα δεδομένα και να δημιουργήσει δεξιότητες που δεν είχε στη γέννησή του. Η νοημοσύνη πρέπει να είναι σε θέση να κάνει την εργασία αυτόνομα, δηλαδή χωρίς ανθρώπινη εποπτεία.

Στον πραγματικό κόσμο έχουμε πρακτικά παραδείγματα όπως η ταξινόμηση των ανεπιθύμητων μηνυμάτων σε ηλεκτρονικά μηνύματα, σχετικές συστάσεις για το Amazon ή προβλέψεις για το μέλλον χρησιμοποιώντας δεδομένα της εταιρείας. Το τελευταίο είναι ένα ενδιαφέρον τμήμα στο οποίο στοιχηματίζουν όλο και περισσότερες εταιρείες.

Χρησιμοποιώντας τη Μηχανική Μάθηση μπορούμε να δούμε ποια μοντέλα εντοπίζουν τους δυσαρεστημένους πελάτες ή τους πρώην πελάτες να προσπαθήσουν να βελτιώσουν τη σχέση τους με άλλους χρήστες στην ίδια κατάσταση. Η ηλικία, ο αριθμός των καταγγελιών, τα συμβεβλημένα σχέδια και άλλα μελετάται για τη δημιουργία ορισμένων προφίλ. Μόλις αντληθούν τα συμπεράσματα του AI , μια ομάδα εμπειρογνωμόνων μάρκετινγκ μπορεί να δημιουργήσει μια συγκεκριμένη εκστρατεία για την καταπολέμηση αυτών των προβλημάτων.

Έτσι, η εταιρεία μπορεί να δημιουργήσει σχέδια για να προσελκύσει ή να κρατήσει τους πελάτες με βάση ορισμένες υποθέσεις και πηγαίνει από μια αντιδραστική στρατηγική σε μια προορατική. Είναι μια πολύ ενδιαφέρουσα τακτική που χρησιμοποιεί την Τεχνητή Νοημοσύνη , τα μεγάλα ποσά δεδομένων και την Μηχανική Μάθηση .

Πώς εκπαιδεύεται η Τεχνητή Νοημοσύνη ;

Για να είναι προετοιμασμένη μια Τεχνητή Νοημοσύνη , πρέπει να περάσει από διαφορετικές φάσεις:

1. Περνάει πρώτα ένα ελεγχόμενο περιβάλλον. Εδώ εισάγετε ένα μεγάλο αριθμό δεδομένων και τα αντίστοιχα αποτελέσματα με τα οποία μπορείτε να δημιουργήσετε σχέσεις μεταξύ ιδεών. Αυτό το μέρος ονομάζεται εποπτευόμενη μάθηση . Στη συνέχεια, θα τεθεί σε ένα ελεύθερο και αναπάντητο περιβάλλον όπου το ίδιο το AI θα πρέπει να επιλέξει ένα αποτέλεσμα. Γνωρίζοντας αν οι απαντήσεις σας είναι σωστές ή όχι, δημιουργείτε νέους κανόνες στον αλγόριθμό σας. Αυτό το στάδιο ονομάζεται μη εποπτευόμενη μάθηση . Τελικά, προετοιμάζεται ένα περιβάλλον για εκείνον όπου παραμονεύει. Εάν, για παράδειγμα, είναι δύσκολο για εσάς να διαφοροποιήσετε τις εικόνες με χαμηλή φωτεινότητα, ίσως θα εκπαιδεύεστε με νυχτερινές φωτογραφίες. Αυτή η φάση ονομάζεται Ενίσχυση Μάθηση. Η διαδικασία μπορεί να γίνει από το βήμα 2 όσες φορές θέλετε να τελειοποιήσετε τη Νοημοσύνη .

Γενικευμένο πρόγραμμα για την εκμάθηση μηχανών

Ένα πρακτικό παράδειγμα θα ήταν να δείξουμε σε έναν ΑΙ δέκα εκατομμύρια φωτογραφίες και να τους πούμε ποιες είναι οι σκύλοι και ποιες όχι. Εδώ θα αναφέρει ότι τα σκυλιά συνήθως έχουν γούνα, συνήθως πηγαίνουν σε τέσσερα πόδια και υπάρχουν διαφορετικά σχήματα και μεγέθη ανάλογα με τη φυλή.

Στη συνέχεια, του δίνεται ένα εκατομμύριο φωτογραφίες για ταξινόμηση. Εδώ πρέπει να απαντήσετε αν υπάρχει ή όχι σκύλος στη φωτογραφία και ανάλογα με το αν θα δημιουργήσετε ή όχι νέες ιδέες στη βάση δεδομένων σας. Για να εφαρμόσει αυτά τα νέα δεδομένα, η Intelligence θα καθορίσει νέους κανόνες στον αλγόριθμό της και τώρα, για παράδειγμα, θα είναι σε θέση να διαφοροποιήσει τα σκυλιά από τις γάτες.

Τέλος, η αποτελεσματικότητά του μελετάται και νέες φωτογραφίες είναι έτοιμες να εκπαιδεύσουν τα αδύνατα σημεία του.

Φυσικά, αυτό είναι ένα απλό και πολύ επαναλαμβανόμενο σύστημα για την επίδειξη, αλλά υπάρχουν και άλλες πιο πειραματικές και ιδιόρρυθμες μεθόδους.

Τάι, το κουτάβι του Twitter

Μια πρόσφατη περίπτωση πειραματικής κατάρτισης ήταν η Tay , ένα AI που αναπτύχθηκε από τη Microsoft και σχεδιάστηκε για να μάθει να εκφράζεται ως άνθρωπος.

Το προφίλ Twitter του Tay

Το bot ήταν προγραμματισμένο να μιλήσει αρχικά ως 19χρονο κορίτσι και στις 23 Μαρτίου 2016 απελευθερώθηκε στα σκοτεινά μέρη του Twitter.

Είχατε προγραμματιστεί να μιλάτε στην κοινότητα και να μαθαίνετε από τα μηνύματα που λάβατε καθώς και από τις αλληλεπιδράσεις σας με τους χρήστες. Η μάθησή της ήταν σχεδόν εντελώς αυτόνομη, παρόλο που έπρεπε να αποσυρθεί μετά από 16 ώρες για να δείξει αρνητικές συμπεριφορές.

Στη σύντομη διάρκεια της ζωής του, έχει tweeted περισσότερα από 96.000 tweets. Ωστόσο, η εκ προθέσεως επιθετική συμπεριφορά αυτού του κοινωνικού δικτύου έκανε ταχύτερη από ό, τι σύντομα ο Tay να απαντήσει με ρατσιστικές και άλλες φράσεις.

Στην περίπτωση αυτή, η εποπτευόμενη μάθηση και η σειρά βασικών κανόνων θα έπρεπε να έχουν αναθεωρηθεί δεόντως. Γνωρίζοντας τον ξέγνοιαστο και προσβλητικό τόνο του κοινωνικού δικτύου, ο Tay δεν ήταν διατεθειμένος να διαφοροποιήσει το πραγματικό από το σαρκαστικό. Για τον ίδιο λόγο, ορισμένοι χρήστες κατάφεραν εύκολα να «σπάσουν» το «πνευματικό εμπόδιο» της Νοημοσύνης .

Μηχανικές εφαρμογές μάθησης στον πραγματικό κόσμο

Σας έχουμε ήδη πει για κάποιες καθημερινές χρήσεις που ίσως γνωρίζατε ήδη για την Μηχανική Μάθηση , αλλά ποιες άλλες περιπτώσεις υπάρχουν.

Παρακάτω θα δείτε μια σειρά πρακτικών εφαρμογών αυτής της τεχνολογίας στα πιο κοινά προβλήματα. Φυσικά, είναι λύσεις αιχμής, γι 'αυτό συνήθως απαιτούν σημαντικά περισσότερα χρήματα.

Υγεία

Μια τεχνολογία για ένα νέο τύπο ρούχων ικανό να διαβάζει πληροφορίες για το σώμα μας βρίσκεται υπό μελέτη. Μπορεί να είναι σε θέση να διαβάσει τον παλμό, την αναπνοή ή το άγχος.

Αυτά τα δεδομένα διαβάζονται από μια Νοημοσύνη που αξιολογεί την κατάσταση του ασθενούς σε πραγματικό χρόνο. Επομένως, εάν έχετε ένα πρόβλημα όπως μια καρδιακή προσβολή σε μια συγκεκριμένη χρονική στιγμή, μπορείτε να διαγνώσετε και / ή να απαντήσετε πιο γρήγορα.

Από την άλλη πλευρά, μερικοί άνθρωποι έχουν εφαρμόσει κάποια βότσα ικανά να ανιχνεύσουν αυτοκτονικές σκέψεις. Το διάσημο Facebook Intelligence διαβάζει συνομιλίες και τη δραστηριότητά σας για να αναγνωρίσουν τα πρότυπα αυτοκτονικών τάσεων, αν και υπάρχουν και άλλες εκδοχές που μελετούν πιο προσεκτικά τη συμπεριφορά του ατόμου, τον τόνο της φωνής του και τη γλώσσα του σώματος του.

Οικονομικά

Στα οικονομικά, ορισμένες τράπεζες και εταιρείες έχουν χρησιμοποιήσει λύσεις βασισμένες στην μηχανική μάθηση για τον εντοπισμό και την πρόληψη της απάτης.

Από την άλλη πλευρά, κάτι παρόμοιο χρησιμοποιείται επίσης για τον εντοπισμό των επενδυτικών ευκαιριών. Χρησιμοποιείται επίσης για να αποφασίσει πότε να πουλήσει ή να αγοράσει μετοχές και άλλα μέσα.

Μάρκετινγκ

Αυτό το έχουμε ήδη αναφέρει, αλλά είναι μία από τις πιο γνωστές εφαρμογές του.

Θα σας έχει συμβεί να δείτε μερικά προϊόντα στο Amazon , να εισάγετε το Facebook, το Google ή το Instagram και να δείτε ακριβώς αυτό το προϊόν στις διαφημίσεις σας. Δεν είναι τυχαίο, δεδομένου ότι τα κοινωνικά δίκτυα και η Google εφαρμόζουν Intelligences που μελετούν την ιστορία σας και τα πιθανά σας ενδιαφέροντα για να τα καταγράψετε όπου μπορούν.

Κάποιοι χρήστες το βλέπουν σαν έναν παρεμβατικό τρόπο να "επιτεθούν" στο χρήστη και δεν προκαλεί έκπληξη γιατί σας βομβαρδίζουν με μια ιδέα. Ωστόσο, η διαφήμιση θα κινηθεί προς αυτή την κατεύθυνση, καθώς είναι πιο προσωπική και οι διαφημίσεις θα απευθύνονται σε πιθανούς αγοραστές.

Μηχανική μάθηση και βαθιά εκμάθηση

Αυτοί οι δύο όροι συνήθως συμβαδίζουν, αλλά δεν είναι ακριβώς οι ίδιοι. Σε ένα μελλοντικό άρθρο θα μιλήσουμε για αυτό το δεύτερο όρο, αφού είναι κάτι που αξίζει να μάθει.

Σας συνιστούμε να απεγκαταστήσετε τα προγράμματα οδήγησης AMD καθαρά και εύκολα

Σε γενικές γραμμές, θα μπορούσαμε να εδραιώσουμε τη σχέση μεταξύ Machine Learning και Deep Learning ως αυτή που έχει η Τεχνητή Νοημοσύνη και η Μηχανική Μάθηση . Η Deep Learning είναι ένας ακόμη πιο συγκεκριμένος κλάδος της Machine Learning .

Μοιράζεται βασικά τμήματα όπως η εξέλιξη με την πάροδο του χρόνου και την εμπειρία, αλλά έχει μια άλλη σειρά διαφορών.

Απλοποιημένη βαθιά μάθηση

Η βάση της για την εκμάθηση και την επεξεργασία των δεδομένων είναι να χρησιμοποιούν διαφορετικά στρώματα που ενεργούν σαν να ήταν νευρώνες. Ως εκ τούτου, θα μπορούσαμε να διαπιστώσουμε ότι αυτές οι Intelligences είναι συνήθως πιο εκλεπτυσμένες, αλλά και πιο περίπλοκες και δαπανηρές για οικοδόμηση.

Αν και αν ενδιαφέρεστε περισσότερο για αυτό το θέμα, παραμείνετε συντονισμένοι στην ιστοσελίδα και επισκεφτείτε το επόμενο άρθρο σχετικά με τη βαθιά εκμάθηση .

Πόσο μακριά είμαστε από το Skynet ;

Έχουμε αυτό το τμήμα για τα πιο ονειρικά μυαλά.

Αυτό είναι ένα πολύ επαναλαμβανόμενο θέμα σε βιβλία, ταινίες και άλλα. Όχι για τίποτα δεν υπάρχει ακριβώς ένα είδος ή ένα θέμα που ονομάζεται Cyberpunk . Ωστόσο, μακριά από τις φουτουριστικές δυστοπίες που ελέγχει η Τεχνητή Νοημοσύνη , τα μηχανήματά μας έχουν ακόμα πολύ δρόμο.

Το έξυπνο ρομπότ του Rick & Morty

Τα σημερινά συστήματα μηχανικής μάθησης ανήκουν στην ομάδα των « ασθενών ΑΙ». Όπως έχουμε δει, αυτές οι Intelligences είναι μόνο ικανές να κατανοήσουν τα πρότυπα και να κάνουν απλές αφαιρέσεις. Είναι πολύ χρήσιμα για να μας υποστηρίξουν σε ορισμένα πλαίσια, αλλά δεν είναι καθόλου αυτόνομα συστήματα.

Από την άλλη πλευρά θα έχουμε τα «ισχυρά AIs» , τα οποία εκπροσωπούνται σε φουτουριστικές ιστορίες όπου είναι ίσες ή πολύ πιο έξυπνες από τους ανθρώπους. Μπορούμε να βρούμε αξιοσημείωτα παραδείγματα σε λαϊκούς πολιτισμούς όπως το "Matrix" , το "Terminator" , το "Ghost in the Shell" ή το "Halo" . Στην πραγματικότητα, σε αυτή τη λίστα υπάρχουν δύο έργα που σχετίζονται μεταξύ τους. Μάντεψε ποιες;

Σήμερα αναπτύσσουμε ακόμη πλήρως αυτόνομα και ασφαλή αυτοκίνητα . Συνεχίζουμε να προχωρούμε, αλλά έχουμε ακόμα έναν τρόπο να αναπτύξουμε ένα ισότιμο γεγονός που γίνεται εξ ολοκλήρου από την τεχνολογία.

Εάν θέλετε να μάθετε περισσότερα σχετικά με αυτό, μπορείτε να επισκεφτείτε το άρθρο μας σχετικά με την Τεχνητή Νοημοσύνη . Είναι ένα κείμενο από μια γενικότερη άποψη και μελετάμε κάπως τις πιθανές συνέπειες που θα έχει αυτή η τεχνολογία.

Τελικές λέξεις στη μάθηση μηχανών

Παρόμοια με το συμπέρασμά μας για την Τεχνητή Νοημοσύνη, είναι σαφές ότι το μέλλον είναι αβέβαιο. Ωστόσο, είναι αναπόφευκτο να εξεταστεί η εξέλιξη για να εφαρμοστεί η τεχνολογία μεταξύ των δεξιοτήτων και των χαρακτηριστικών της.

Με λίγα λόγια, το Διαδίκτυο θα ελέγχεται όλο και περισσότερο από προγράμματα και αλγόριθμους. Τα κοινωνικά δίκτυα θα είναι καλύτερα βαθμονομημένα και θα μας προσφέρουν περιεχόμενο περισσότερο σύμφωνα με τα γούστα μας. Τέλος, οι ηλεκτρονικές σχέσεις θα είναι πολύ πιο ασφαλείς αν εντοπιστούν πιο εύκολα όταν υπάρχει κίνδυνος απάτης ή κάτι παρόμοιο.

Από την άλλη πλευρά, μην εκπλαγείτε ότι αυτός ο αιώνας είναι όταν το IoT (Internet of Things) θα λάμψει. Είναι μια ιδέα που έχουμε ονειρευτεί εδώ και πολύ καιρό και αυτό πλησιάζει. Επιπλέον, το IoT είναι ένας μεγάλος προμηθευτής τεχνολογιών αιχμής που σχετίζονται με τη Μηχανική Μάθηση, αν και εξακολουθεί να στερείται κάποιων προσαρμογών όσον αφορά την ασφάλεια.

Από τη δική μας πλευρά, πιστεύουμε ότι θα είναι μια σταδιακή εξέλιξη και εφ 'όσον είστε ενημερωμένοι για το τι συμβαίνει, δεν έχετε τίποτα να φοβηθείτε. Τα νέα αυτοκίνητα ή τα ψυγεία ίσως ακούγονται περίεργα σε σας, αλλά σίγουρα δεν νομίζω ότι θα δούμε την αφύπνιση των «ισχυρών AIs».

Σας συνιστούμε να διαβάσετε τα καλύτερα laptops στην αγορά

Τέλος, πρέπει να ομολογήσουμε ότι δεν είμαστε ειδικοί στην Τεχνητή Νοημοσύνη ή τη Μηχανική Μάθηση , οπότε μην εκπλαγείτε από κάποια περίεργα δεδομένα. Εάν έχουμε κάνει κάποιο λάθος, μη διστάσετε να μας πείτε! Μετά από όλα, δεν είμαστε ακόμη τέλειες μηχανές.

Και εσείς, τι πιστεύετε για την Μηχανική Μάθηση και την Τεχνητή Νοημοσύνη ; Σε ποια πτυχή νομίζετε ότι πρέπει να εφαρμοστούν; Μοιραστείτε τις ιδέες σας παρακάτω.

Έξυπνη γραμματοσειρά Dataapdsaslagacetawhatsnew