Было время, когда вычислительная техника была недоступна обычному человеку, а обслуживание компьютера означало замену электронных ламп. На начальных этапах эры современных вычислительных технологий данные и программы хранились на перфокартах, и если случайно уронить пару карточек, все пойдет кувырком. Программирование было специализированной деятельностью, которой могли заниматься только высококвалифицированные инженеры. Но технологические достижения отодвинули все сложности на задний план, и теперь любой человек с логическим складом ума может заняться программированием.

Технологические достижения в компьютерной индустрии скрывают сложности и предоставляют нам простой интерфейс. Неспециалисту теперь не нужно беспокоиться о том, как работает компьютер под капотом. Она может просто сосредоточиться на работе, которую хочет делать. Так ИТ проникли во все стороны нашей жизни. Если внимательно следить за развитием событий на фронте машинного обучения, то можно увидеть аналогичную картину в этой области.

Кратко о машинном обучении

В традиционном программировании, если вы хотите создать приложение, скажем, для оценки кредитоспособности клиента банка, вам нужно написать программу, определяющую условия, которые делают клиента кредитоспособным. Эти условия или факторы риска можно сформулировать следующим образом: есть ли у клиента постоянный источник дохода; как долго он будет в рабочей силе, стабильность баланса его счета и так далее. У такого решения есть несколько недостатков.

В зависимости от контекста правила могут меняться, и когда правила меняются, нам нужно пересобрать приложение. Более того, когда мы формулируем правила для прогнозирования кредитоспособности человека, может также закрасться человеческая предвзятость. Именно здесь в игру вступает машинное обучение. Несомненным преимуществом машинного обучения является то, что оно позволяет компьютерам изучать решение, находя закономерности в данных. Здесь мы просто вводим данные (например, возраст клиентов, доход и т. д.), и система автоматически создает модель с использованием этих функций.

Как отмечалось ранее, технология машинного обучения позволяет создавать модели и классификаторы, которые могут научиться делать определенные вещи, анализируя данные, относящиеся к поставленной задаче. Например, мы можем создать систему машинного обучения, которая может идентифицировать числа на изображениях, обучив систему нескольким изображениям чисел. Точно так же, передавая классификатору электронные письма, помеченные как спам и не спам, мы можем создавать спам-фильтры.

Успех приложения машинного обучения зависит от наличия соответствующих данных — чем больше данных мы получаем, тем умнее становится приложение. Еще одним фактором, ускоряющим рост приложений машинного обучения, является широкая доступность электронных датчиков, которые могут выдавать огромное количество разнообразных данных.

Датчик — это в основном устройство, которое может измерять физическое свойство и реагировать на него (например, он может измерять расход воды, температуру, давление, влажность почвы и тому подобное). Эти устройства или вещи, оснащенные датчиками, могут общаться друг с другом и передавать свои данные в облако, связывая их с Интернетом. Эта экосистема устройств, подключенных к Интернету, называется Интернетом вещей или IoT. Благодаря технологическим достижениям теперь мы можем повсюду размещать недорогие датчики для измерения всего. Технология IoT позволяет нам использовать данные с этих датчиков и делать их доступными для дальнейшего анализа. Большие успехи, достигнутые в технологии машинного обучения, в сочетании с массой данных, исходящих от устройств IoT, открывают огромные возможности.

Машинное обучение с помощью носимых устройств

Некоторые исследования показывают, что наш стиль ходьбы является хорошим барометром здоровья и других привычек. Ваш стиль ходьбы может даже дать подсказки о некоторых заболеваниях. Итак, если мы сможем зафиксировать наш стиль ходьбы с помощью датчиков определенного типа и передать эти данные классификатору машинного обучения, возможно, мы сможем создать модель, которая сможет обнаруживать определенные типы заболеваний. Не думайте, что это желаемое за действительное. Многие такие эксперименты уже проводятся. Интересный рассказ о применении машинного обучения в молочном животноводстве появился в блоге Google Ключевое слово, подтверждающем это наблюдение.

Основная идея упомянутого сельскохозяйственного приложения заключается в следующем: продуктивность (с точки зрения производства молока) коровы в основном определяется ее здоровьем. Организаторы молочной фермы заметили, что когда корова становится нездоровой, это отражается на ее движениях. Это означает, что, анализируя движения коровы, мы можем предсказать болезнь, которой она подвержена.

Чтобы воплотить эту идею в жизнь, они собирали движения коровы с помощью датчика, который сидит у коровы на шее. Эти данные были отправлены в TensorFlow, бесплатный инструмент машинного обучения с открытым исходным кодом от Google, который создал электронного помощника по сельскому хозяйству, чтобы автоматически определять, что делает корова. Инструмент помогает им различать несколько видов поведения коровы: есть, пить, стоять, играть и т. д. Кроме того, если помощник видит определенную закономерность в поведении коровы, он может определить симптомы болезни и предупредить фермера.

Разрастающаяся экосистема машинного обучения

Машинное обучение — одна из быстрорастущих областей цифровой эпохи. Многие предприятия пытаются улучшить функциональность своих приложений, внедрив эту технологию. Магазин без касс Amazon Go — последний пример применения машинного обучения в нашей повседневной жизни. Магазин GO позволяет любому, у кого есть учетная запись Amazon, зайти внутрь и забрать любой товар, который он хочет купить. Когда покупатель берет товар, приложение машинного обучения (с вводом данных с камер магазина) определяет его личность и автоматически вводит его в корзину. Когда покупатель покидает магазин, оплата списывается с его учетной записи Amazon.

Одной из причин впечатляющего роста приложений, основанных на машинном обучении, является открытие этой технологии для разработчиков крупными игроками (такими как Google, Microsoft, IBM и т. д.). Инструмент машинного обучения с открытым исходным кодом TensorFlow является примером такой тенденции.

Новаторы в области машинного обучения (такие как Google) открыли общественности свои предварительно обученные модели машинного обучения и позволили предприятиям добавлять функции машинного обучения в свои продукты. Однако это средство не позволяет компаниям создавать свои собственные модели машинного обучения, используя свои данные. Даже это ограничение скоро исчезнет, ​​если мы сможем положиться на последнее предложение машинного обучения от Google. Новый сервис от Google под названием Cloud AutoML позволяет малым предприятиям загружать свои данные и создавать приложения машинного обучения, адаптированные к их требованиям. По словам Google, сервис могут использовать даже разработчики, не имеющие большого опыта в машинном обучении. Это может стать следующим большим шагом в переносе области машинного обучения из лаборатории в реальный мир.

Связанный

Первоначально опубликовано на сайте corporateethos.com 5 февраля 2018 г.