Ничто не сравнится с красивой беседой с прекрасным умом.

На прошлой неделе у меня была возможность пообщаться с одним из моих новых друзей (:P) и заядлым технологом. Из-за моего глубочайшего интереса к принципам машинного обучения я начал задавать ей несколько личных и технических вопросов о технологии машинного обучения. Я нашел ее ответы очень проницательными и обнадеживающими, поэтому я решил поделиться тем же с вами.

— — — — — — — — — — — — — — — — — — — — — — — — — —

Прежде чем опубликовать подробности нашего чата, позвольте мне представить ее всем вам. Сакши Агарвал — инженер машинного обучения в Arche Information Inc. в Токио, Япония. Она получила степень магистра в JAIST, Япония, где изучала улучшение обучающих игр с помощью анализа данных машинного обучения. В свободное время любит фотографировать. Что касается увлечений, то у нее их миллион. Ей нравится заниматься скрап-букингом, каллиграфией, изучением языков и т. д. Делать что-либо — одна из ее сверхспособностей, только если у нее есть неограниченный запас кофе. Если нет, она может спать целыми днями :P

Я: Назовите технологии, над которыми вы работаете?

Сакши: я работаю над разнообразным набором предметов. В обычные дни я использую машинное обучение, чтобы сосредоточиться на распознавании изображений. Я использовал разные библиотеки, в том числе TensorFlow, PyTorch, Chainer и т. д. А потом я время от времени ловил себя на том, что создаю трехмерный мир, используя three.js, Blazor и C#.

Я: что для вас значит машинное обучение как технология?

Сакши:Артур Сэмюэл описал машинное обучение как это область исследования, которая дает возможность компьютерам самообучаться без явного программирования. ML в основном ориентирован на разработку компьютерных программ, которые могут научить себя расти и изменяться при воздействии новых данных. Машинное обучение важно сегодня, потому что данные растут с каждым днем, и человеку будет почти невозможно понять все это. С компьютерами мы получаем более высокую точность и гораздо более высокую скорость.

Я: Какие существуют типы машинного обучения?

Сакши:В целом, любую проблему машинного обучения можно отнести к одной из двух широких классификаций:

  1. Обучение с учителем. При обучении с учителем нам дается набор данных, и мы уже знаем, как должен выглядеть наш правильный вывод, имея представление о том, что между вводом и выводом существует связь. Одним из распространенных примеров является фильтрация спама. Мы сообщаем машине, является ли письмо спамом или нет. Затем, как только мы предоставим машине достаточно примеров спамовых и не спамовых электронных писем, она научится классифицировать их соответствующим образом. Мы видим это, особенно в учетных записях Gmail.
  2. Обучение без учителя. Обучение без учителя позволяет нам подходить к проблемам практически без представления о том, как должны выглядеть наши результаты. Мы можем получить структуру из данных, где мы не обязательно знаем влияние переменных. Мы можем сделать это с помощью кластеризации. Например, если нам нужно определить одежду и обувь, машина создаст кластеры с похожими предметами. В результате вся одежда окажется в одном кластере, а вся обувь — в другом. При неконтролируемом обучении нет обратной связи, основанной на результатах прогнозирования.

Затем есть третий вид, который существует где-то посередине. Это называется Обучение с подкреплением. Оно похоже на дрессировку любого животного. Когда целевое задание выполнено, вы даете лакомство. Так тренируется знаменитый Alpha-Go. Вот знаменитый клип игры Atari от Google.

Я: Чем машинное обучение отличается или связано с искусственным интеллектом и глубоким обучением?

Сакши:ИИ — это такая же наука, как математика или химия. Он изучает способы, с помощью которых машины решают проблемы и создают интеллектуальные программы, которые всегда считались привилегией людей.

ML — это подмножество ИИ, которое позволяет системе автоматически обучаться и совершенствоваться на основе опыта без явного программирования.

Глубокое обучение или глубокое нейронное обучение — это подмножество машинного обучения, которое использует нейронные сети для анализа различных факторов в системе, похожей на нейронную систему человека.

Делюсь с вами одной картинкой, возможно, эта картинка объясняет это лучше:

Я: Насколько сложно или легко работать над машинным обучением? (мой любимый вопрос)

Sakshi:Работать с машинным обучением не очень сложно. Допустим, в ML есть три компонента:

Наборы данных

Функции

Алгоритмы

По моему мнению, если вы потратите достаточно времени на первые два, составить правильный алгоритм будет не так сложно. Возьмем обычный пример. Предположим, мы хотим предсказать цену дома. Это контролируемая проблема. Для этого нам нужно собрать много данных о всевозможных домах и в разных местах. Если мы этого не сделаем, наши наборы данных могут быть необъективными и не давать точных результатов. Затем нам нужно найти, какие функции мы хотим использовать для прогнозирования цены. Например, цвет не имеет ничего общего с ценой, поэтому, если мы используем цвет для предсказания цен, мы могли бы жить на другой планете, но мы не сможем предсказать цены. Итак, нам нужно использовать площадь дома, а в некоторых случаях даже местоположение дома. Если мы делаем это хорошо, поиск правильного алгоритма обычно требует проб и ошибок. Одну и ту же задачу можно решить разными алгоритмами. Под правильным алгоритмом подразумевается, что алгоритм должен быть точным и быстрым для решения задачи. [Очень хорошо объяснил]

Не существует простых или сложных моделей машинного обучения. Речь идет о проблеме, которую вы пытаетесь решить, и подходе, используемом для ее достижения.

Я: Что побудило вас выбрать машинное обучение и какие основные навыки необходимы для начала работы с машинным обучением?

Sakshi:В настоящее время машинное обучение — это такая обширная область изучения, и так много вещей, которые нужно изучить. С ML мы можем сделать так много, особенно автоматизировать избыточные задачи. Кроме того, думая об этом, мы можем применить машинное обучение практически к любой области. В один день вы могли бы автоматизировать что-то для автомобильной компании, а на следующий день вы могли бы делать это для компании, занимающейся печатью бумаги. Есть бесконечные возможности.

К основным навыкам, необходимым для машинного обучения, относятся навыки решения проблем, базовая статистика, Python и остальные, которые вы можете освоить в процессе работы.

Я: Что вы понимаете под классификацией изображений с использованием машинного обучения? Каковы типичные варианты использования классификации изображений в ML?

Sakshi:Предположим, у нас есть 50 изображений. Мы хотим знать, сколько из них содержит кошку и сколько собак. Это типичная проблема классификации изображений. Он используется для Распознавания лиц в беспилотных автомобилях для обнаружения объектов вокруг автомобиля, проверки качества продукта, который производит компания, и т. д.

Я: Расскажите, пожалуйста, о будущем ML/AI/IoT?

Sakshi:Хотя ИИ заменит некоторые рабочие места, и такие перемещения всегда происходили, даже до того, как ИИ стал предметом переговоров. Мы наблюдаем сокращение рабочих мест для турагентов, молочников, лифтеров и т. д., и в то же время таких рабочих мест, как разработчики приложений, специалисты по данным и т. д.

ML имеет большие перспективы во многих областях. Несколько лет назад Siri и Alexa были чем-то невозможным, а теперь это имя нарицательное.

Машинное обучение уже применяется в различных областях, от бизнеса до научных исследований:

Логистика и цепочка поставок

Системы безопасности программного обеспечения

Медицина и здравоохранение

Системы безопасности физических объектов

Программное обеспечение для обучения

Обработка и прогнозирование больших данных

Умные автомобили

Персонализация взаимодействия с клиентом

Автоматизация рабочего процесса

Вот некоторые направления деятельности, которые в ближайшее время будут наиболее интенсивно развиваться:

1. Обработка больших данных —решения для обработки больших данных находят применение в финтехе (приложение, основанное на машинном обучении, автоматизирует обработку транзакций) и сетевой безопасности (помогает выявлять как существующие вирусы/черви/атаки, так и аномальное поведение в целом).

2. Расширенные поисковые системы. Служба потокового вещания Netflix использует машинное обучение в своей поисковой системе, чтобы предлагать пользователям персонализированный контент. Эта технология используется при разработке многих будущих продуктов электронной коммерции, упрощая взаимодействие пользователей с интерфейсом и помогая подтолкнуть их к финальной стадии воронки продаж. Вы можете сделать то же самое, чтобы оптимизировать взаимодействие с пользователем. Также можно добавить функции умного голосового поиска и поиска по картинкам.

3. Прогнозирование и аналитика.Даже со специализированными приложениями финансовые аналитики тратят много времени на создание отчетов. Более того, их работа подвержена влиянию человеческого фактора (ошибки в аналитике несут убытки в тысячи долларов). Поэтому гораздо удобнее загружать данные в специальное ПО на основе машинного обучения и уже через несколько секунд получать максимально точные прогнозы, а не руководствоваться субъективным видением опытного аналитика.

4. Программные решения на основе ИИ.Машинное обучение является одним из подмножеств искусственного интеллекта и часто используется при разработке проектов ИИ. Искусственный интеллект становится одним из самых перспективных направлений деятельности в сфере ИТ, и если вы хотите создать успешный продукт, вам следует смотреть в сторону решений искусственного интеллекта. Это продукты для создания персонализированного пользовательского опыта — будь то умный помощник или поисковая система маркетплейса.

5. Образовательные приложения. Сегодня люди стремятся учиться удаленно, чтобы сэкономить время и выбрать курсы, которые им нравятся. Адаптивное индивидуальное обучение — одна из тех отраслей, которые больше всего выиграют от будущих масштабов машинного обучения. ML не только поможет планировать индивидуальные расписания и выбрать оптимальный темп, но и позволит талантливым учителям как можно быстрее охватить гораздо большую аудиторию.

6. Биометрическая аутентификация.Современные пользователи смартфонов уже не представляют свою жизнь без аутентификации по отпечатку пальца. В ближайшем будущем он войдет во все сферы строгого режима. Например, некоторые страны уже вводят биометрические удостоверения личности гражданина. Конкуренция в этой нише еще не слишком высока. Так что место для инновационных продуктов есть.

И с этим я начал расспрашивать ее о более высоком исследовательском опыте и опыте за границей. Мне всегда нравилось разговаривать с ней и, конечно же, узнавать об основных концепциях машинного обучения. Надеюсь, вам тоже понравится!!

Хотите связаться с ней, вы можете найти ее в — LinkedIn — Сакши Агарвал, Twitter — Сакши Агарвал, Instagram — Сакши Агарвал.

Пожалуйста, не стесняйтесь писать по адресу [email protected] по любым вопросам и следите за обновлениями для будущих разговоров с экспертами по различным технологиям.

Спасибо