Если вы зашли на эту страницу, вы, по сути, поняли, что такое ИИ. Теперь нам нужно понять концепцию машинного обучения, лежащую в основе работы ИИ.

Как следует из названия, концепция основана на машинном обучении на основе данных. Машинное обучение разрабатывается с использованием данных и алгоритмов. Он фокусируется на принятии решений на основе эмпирических данных, фактически не будучи запрограммирован на это.
Эта ветвь тесно связана с вычислительной статистикой, где прогнозы основаны на статистических данных. Рассмотрим несколько примеров:

Пример 1. Распознавание лиц
Правоохранительные органы использовали технологию распознавания лиц для выявления лиц, разыскиваемых за преступления. Есть онлайн-казино, которые позволяют людям входить в систему на основе технологии распознавания лиц. В 2019 году Brit Awards использовала распознавание лиц для улучшения проверок безопасности на мероприятии.
Технология распознавания лиц основана на алгоритмах машинного обучения, которые захватывают, анализируют и сравнивают черты лица с существующей базой данных, содержащей фотографию человека, который будет разрешен вход.

Если бы Паллави пошла на мероприятие Brit Awards и ее данные не были зарегистрированы в базе данных, технология распознавания лиц не позволила бы ей войти.

Пример 2. Рекомендации на Netflix

Паллави любит смотреть триллеры на шоу Netflix. Контент, который Паллави смотрит на Netflix, можно описать с точки зрения саспенса и насилия. Теперь давайте посмотрим, как входные данные распределены по категориям на приведенном ниже графике. Если шоу попадает в зеленый кружок с высокими показателями «Насилие» и «Неожиданность», Паллави, скорее всего, посмотрит его, а контент в красном кружке будет просмотрен с наименьшей вероятностью. Но что произойдет, если интенсивность контента окажется посередине двух кругов?

Здесь на помощь приходит машинное обучение. Это определит близость нового контента к наиболее просматриваемому контенту и спрогнозирует фактор желательности контента как положительный.

Пример 3. Карты Google
Примером применения техники машинного обучения в ИИ в реальном времени являются карты Google. Люди во всем мире преодолевают почти 1 миллиард километров, используя карты Google. Данные обо всех маршрутах поступают от местного правительства. Технология искусственного интеллекта учится на прошлых моделях трафика, чтобы прогнозировать загруженные маршруты с интенсивным движением. Он объединяет прошлые данные с текущей скоростью транспортных средств, например. автомобили едут со скоростью 25 км/ч по трассе, допускающей скорость 80 км/ч. После прогнозирования загруженного маршрута ИИ определяет альтернативный маршрут с меньшим трафиком и предлагает то же самое. Таким образом, прогноз загруженных маршрутов и предложения альтернативных маршрутов основаны на достоверных данных местных органов власти и отзывах пользователей в режиме реального времени.

Машинное обучение разрабатывает модель прогнозирования на основе данных для получения результата. Обширные входные данные приведут к более совершенным моделям прогнозирования и более точному результату.

Машинное обучение может следовать любому из трех методов:

  • Контролируемое машинное обучение.В машину поступают помеченные входные данные и соответствующие выходные данные.
    например. Приведенный выше пример технологии распознавания лиц может быть примером контролируемого машинного обучения, в котором черты лица сравниваются с уже существующей базой данных и отображаются результаты.

  • Обучение без учителя. В этом типе обучения ИИ интерпретирует шаблон данных из немаркированного ввода. Рекомендации Netflix — хороший пример обучения без учителя.

  • Обучение с подкреплением. Это обучение на основе вознаграждения или обратной связи. Самоуправляемые автомобили работают по принципу обучения с подкреплением.

Приложения машинного обучения: