Kompjuterët nuk po marrin, por po bëhen më të mençur çdo ditë
Në terma më të thjeshtë, mësimi i makinës (ML) është programimi i makinave (kompjutera) në mënyrë që të kryejë një detyrë të kërkuar duke përdorur dhe analizuar të dhënat (informacionin) për ta kryer atë detyrë në mënyrë të pavarur, pa kontribute shtesë shtesë nga një zhvillues njerëzor.
Mësimi i makinës 101
Termi "learning machine" u krijua në laboratorët IBM në vitin 1959 nga Arthur Samuel, një pionier i inteligjencës artificiale (AI) dhe lojrave kompjuterike. Mësimi i makinës, si rezultat, është një degë e Inteligjencës Artificiale. Premisa e Samuelit ishte të rrokullisej modeli kompjuterik i kohës me kokë poshtë dhe të mos jepte kompjuterët për të mësuar.
Në vend të kësaj, ai donte që kompjuteri të fillonte të kuptonte gjërat vetë, pa njerëzit që duhej të jepnin edhe pjesën më të vogël të informacionit. Pastaj, mendoi ai, kompjuterët nuk do të kryenin vetëm detyra, por në fund mund të vendosnin se cilat detyra do të kryheshin dhe kur. Pse? Kështu që kompjuterët mund të zvogëlojnë sasinë e njerëzve që punojnë për të kryer në çdo zonë të caktuar.
Si funksionon mësimi i makinës
Mësimi i makinës funksionon përmes përdorimit të algoritmeve dhe të dhënave. Një algoritëm është një grup udhëzimesh ose udhëzimesh që tregojnë një kompjuter ose program si të kryejnë një detyrë. Algoritmet e përdorura në ML mbledhin të dhëna, njohin modelet dhe përdorin analizën e këtyre të dhënave për të përshtatur programet dhe funksionet e veta për të përfunduar detyrat.
Algoritmet ML përdorin rregullat, pemët e vendimit, modelet grafike, përpunimin e gjuhës natyrale dhe rrjetet nervore (për të përmendur disa) për të automatizuar të dhënat e përpunimit për të marrë vendime dhe për të kryer detyra. Ndërsa ML mund të jetë një temë komplekse, Google Teachable Machine ofron një thjeshtuar duart-në demonstrim të asaj se si ML punon.
Mënyra më e fuqishme e të mësuarit të makinës që përdoret sot, i quajtur mësim i thellë , ndërton një strukturë komplekse matematikore të quajtur rrjetin nervor, bazuar në sasi të mëdha të të dhënave. Rrjetet nervore janë grupe të algoritmave në ML dhe AI të modeluara pas mënyrës së qelizave nervore në trurin e njeriut dhe informacionit të procesit të sistemit nervor.
Inteligjenca artificiale kundrejt mësimit të makinës kundrejt të dhënave
Për të kuptuar më mirë marrëdhënien midis AI, ML dhe minierave të të dhënave, është e dobishme të mendoni për një sërë çadra me madhësi të ndryshme. AI është ombrellë më e madhe. Ombrellë ML është një madhësi më e vogël dhe përshtatet nën ombrellën e UA. Ombrellë e minierave të të dhënave është më e vogla dhe përshtatet nën ombrellën e ML.
- AI është një degë e shkencave kompjuterike që synon të programojë kompjutera për të kryer detyra në mënyra më inteligjente dhe "njerëzore", duke përdorur teknikat e arsyetimit dhe vendimmarrjes të modeluara pas inteligjencës njerëzore.
- ML është një kategori e informatikës brenda AI të fokusuar në makinat e programimit (kompjuterët) për të mësuar (mblidhen të dhëna ose shembuj të nevojshëm) për të bërë vendime të bazuara në të dhëna, vendime inteligjente në një mënyrë më të automatizuar.
- Të dhënat e minierave përdorin statistika, ML, AI dhe bazat e të dhënave të pafundme të informacionit për të gjetur modele, sigurojnë njohuri, krijojnë klasifikime, identifikojnë problemet dhe japin analiza të hollësishme të të dhënave.
Çfarë mund të bëjë mësuari i makinës (dhe tashmë ka)
Kapaciteti për kompjutera për të analizuar sasi të mëdha të informacionit në fraksionet e një të dytë e bën ML të dobishme në një numër të industrive ku koha dhe saktësia janë thelbësore.
- Mjekësia: Teknologjia ML është duke u zbatuar në një sërë zgjidhjesh për fushën mjekësore, duke përfshirë ndihmën e mjekëve të departamentit të urgjencës me diagnozë më të shpejtë të pacientëve me simptoma të pazakonshme. Mjekët mund të futin një listë të simptomave të pacientit në program dhe duke përdorur ML, programi mund të gërshetojë triliona terabajt të informacionit nga literatura mjekësore dhe interneti për të kthyer një listë të diagnozave të mundshme dhe testimin ose trajtimin e rekomanduar në kohë rekord.
- Edukimi: ML është përdorur për të krijuar mjete edukative që i përshtaten nevojave të nxënësve të nxënësve, siç janë asistentët virtual të të mësuarit dhe tekstet elektronike që janë më interaktive. Këto mjete përdorin ML për të zbuluar cilat koncepte dhe aftësi studenti kupton duke përdorur kuize të shkurtra dhe ushtrime praktike. Mjetet pastaj ofrojnë video të shkurtra, shembuj shtesë dhe materiale sfondi për të ndihmuar studentin të mësojë aftësitë ose konceptet e nevojshme.
- Automobilistikë: ML është gjithashtu një komponent kyç në fushën e zhvillimit të makinave vetë-ngarje (i quajtur edhe makina pa makina ose makina autonome). Softueri që operon veturat që ngasin makinën përdor ML gjatë testeve të rrugës reale dhe simulimeve për të zbuluar kushtet e rrugëve (si rrugët e akullta) ose për të identifikuar pengesat në rrugë dhe për të mësuar detyrat e përshtatshme të vozitjes për të lundruar në mënyrë të sigurtë në situata të tilla.
Ju keni gjasa të keni hasur tashmë ML shumë herë pa e kuptuar atë. Disa nga përdorimet më të zakonshme të teknologjisë ML përfshijnë njohjen praktike të fjalës ( Bixby e Samsung , Siri i Apple dhe shumë programe të bisedës për tekst që tani janë standarde në PC), filtrim i spamit për postën tuaj, ndërtimi i burimeve të lajmeve, zbulimi i mashtrimit, personalizimi rekomandimet e blerjeve, dhe sigurimin e rezultateve më efektive të kërkimit në internet.
ML është përfshirë edhe në ushqimin tuaj në Facebook . Kur ju pëlqen ose klikoni në postimet e një shoku shpesh, algoritmet dhe ML prapa skenave "mësojnë" nga veprimet tuaja me kalimin e kohës për t'i dhënë përparësi disa miqve ose faqeve në Newsfeed.
Çfarë mësimi i makinës nuk mund të bëjë
Megjithatë, ka kufizime për atë që ML mund të bëjë. Për shembull, përdorimi i teknologjisë ML në industri të ndryshme kërkon një sasi të konsiderueshme të zhvillimit dhe programimit nga njerëzit për të specializuar një program ose sistem për llojet e detyrave të kërkuara nga ajo industri. Për shembull, në shembullin tonë mjekësor më lart, programi ML i përdorur në departamentin e urgjencës u zhvillua posaçërisht për mjekësinë njerëzore. Aktualisht nuk është e mundur të merret programi i saktë dhe të zbatohet drejtpërdrejt në një qendër emergjente veterinare. Një tranzicion i tillë kërkon një specializim dhe zhvillim të gjërë nga programuesit njerëzorë për të krijuar një version të aftë për të bërë këtë detyrë për mjekësinë veterinare ose të kafshëve.
Ajo gjithashtu kërkon sasi tepër të madhe të të dhënave dhe shembujve për të "mësuar" informacionin që i nevojitet për të marrë vendime dhe për të kryer detyra. Programet e ML janë gjithashtu shumë të mirëfillta në interpretimin e të dhënave dhe luftën me simbolizmin dhe gjithashtu disa lloje të marrëdhënieve brenda rezultateve të të dhënave, si shkaku dhe efekti.
Përparimet e vazhdueshme, megjithatë, po e bëjnë ML më shumë një teknologji thelbësore duke krijuar kompjutera më të mençur çdo ditë.