На прошлой неделе — как и во многие другие дни недели, если быть откровенным — я что-то искал в Google; Я это очень хорошо помню, когда искал очень специфический тип продукта. Продуктом стала пара беговых кроссовок Nike, которые я мог спроектировать сам. Google вернулся с огромным списком ссылок, указывающих мне на конкретные кроссовки. Это было здорово, но я хотел сделать их своими руками, как на день рождения моего маленького племянника.
В любом случае, я скоро вернусь к этой истории. Во-первых, я хотел бы объяснить функциональность алгоритмов/машинного обучения. При построении алгоритмов можно учиться и делать прогнозы на основе данных. Хотя Google — не единственные игроки, использующие алгоритмы, они являются лидерами рынка и задают тенденции задолго до Yahoo и Bing. Их машины постоянно учатся, постоянно улавливают тенденции и, следовательно, изучают человеческие языки — подобно новорожденному ребенку, который сначала учится говорить и связывать слова с объектами и действиями.
Google использует контролируемые алгоритмы, которые со временем начинают понимать связи между условиями поиска (входными данными) и выходными данными. Алгоритмы контролируются, помогая классифицировать определенные слова и связывать связанные термины. Так что со временем он поймет, что «яблоко» связано с фруктами. Их алгоритмы не так сильны, как человеческий разум, он не поймет фактического значения, но он поймет, что яблоки, апельсины, бананы и т. д. подпадают под классификацию фруктов. Они также сгруппированы по классификации («красный», «зеленый») и регрессии («$», «KGs»).
В качестве альтернативы существует неконтролируемый алгоритм. Это, конечно, не контролируется, и данные со временем обучаются сами по себе.
Эти алгоритмы, очевидно, очень сложны, поэтому в таких компаниях, как Google, одни из самых ярких компьютерных ученых мира работают над будущим машинного обучения. Подобные вещи могут привести нас к эре роботов. Однако у меня есть другая пища для размышлений. Что, если бы мы могли напечатать именно то, что нам нужно, на определенном веб-сайте, а веб-сайт затем собрал продукт, отклонив потребность клиентов, заполняющих многочисленные поля?
Неконтролируемым алгоритмам требуется некоторое время для категоризации и соединения слов и выявления шаблонов, но, возможно, это возможно с контролируемыми алгоритмами — это не поставит под угрозу имидж компании, если сервис не работает или постоянно предлагает неправильные услуги. продукт, пока он не научился правильно классифицировать термины.
Вернитесь к предыдущей истории и предположим, что вы ищете новую пару кроссовок для бега. Вы заходите на сайт Nike и вам нужны персонализированные кроссовки Nike Air Max 2.0. Вы вводите «Nike Air Max 2.0, все красные, черная подошва и имя Дэвида на задней части каблука» в строке веб-сайта, которая говорит «скажите нам, что именно вы хотите». Или даже лучше, вы говорите это. Что, если бы продукт выглядел точно так, как вы просили, благодаря возможностям машинного обучения и классификации? Возможно, Nike не классифицирует это как «каблук», а представляет собой другой термин; однако при контролируемом обучении алгоритм Nike понимает, что ищет покупатель. Это сэкономит время и энергию покупателя, отвечая на вопросы Nike, которые на самом деле не нужно задавать, если покупатель может все сократить, просто сказав, что он хочет.
Сегодня такой тип системы был бы нецелесообразен с финансовой точки зрения. Тем не менее, это пища для размышлений, когда мы размышляем о том, как машинное обучение может потенциально развить онлайн-покупки и другие области, такие как робототехника.
