«Говорят, что компьютерная программа учится на опыте E в отношении некоторого класса задач T и показателя производительности P, если ее производительность при выполнении задач в T, измеряемая P, улучшается с опытом E» — Том Митчелл.

Итак, что такое машинное обучение? Как это искусственный интеллект? И в чем разница между ними и как мы ее используем?

Системы искусственного интеллекта используются для выполнения сложных задач таким же образом, как люди решают проблемы. Машинное обучение — это область искусственного интеллекта, которая дает компьютерам возможность учиться без явного программирования, что в широком смысле определяется как способность машины имитировать разумное поведение человека, включая разработку алгоритмов и статистических моделей, которые позволяют компьютерам учиться на данных. и делать прогнозы или принимать решения, не будучи явно запрограммированы на это.

Основная идея машинного обучения заключается в создании алгоритмов, которые могут анализировать и извлекать уроки из больших объемов данных, а затем использовать эти знания для прогнозирования или принятия решений на основе новой информации.

…в продуктах, услугах, инструментах и ​​процессах

Машинное обучение существует уже много лет; автозамена, автозаполнение, автомобильные навигационные системы и рекомендации по продуктам — вот многие другие инструменты и продукты, использующие машинное обучение. Ожидается, что использование машинного обучения будет продолжать расти, и прогнозируется, что CAGR (совокупный годовой темп роста) составит 38,8% в период с 2022 по 2029 год. А с выпуском систем искусственного интеллекта, таких как ChatGPT от OpenAI, Bard от Google и Bing от Microsoft, использование искусственного интеллекта вызвало множество разговоров о его использовании.

Диалог об этике, академической честности, реорганизации человеческих ресурсов, а также создании и упразднении полей в целом вызвал достаточно настроений в технологическом сообществе, и лидеры и исследователи отрасли призвали к 6-месячному мораторию на самые современные технологии. Развитие ИИ. Но давайте посмотрим на скелет того, что делает машинное обучение искусственным интеллектом, и разберем его компоненты, чтобы лучше понять нашу роль как пользователей.

Процесс машинного обучения обычно включает следующие этапы: сбор данных, обучение, проверка и тестирование.

Собранные данные очищаются и форматируются и подготавливаются для обучения и анализа. Затем он организуется в наборы данных, в которых входные данные соответствуют выходным, а затем алгоритму разрешается отображать функцию и изучать результаты ввода-вывода. После того, как функция обучена, ее способность к обучению проверяется с помощью невидимых данных, чтобы гарантировать ее способность к оценке. Наконец, алгоритм затем тестируется с другим набором данных для измерения его производительности и точности.

Обучение и тестирование данных дают функции машинного обучения возможность принимать решения. Он может принимать решения только на основе данных, на которых мы его обучили, и методов, которым его обучили. Если у нас нет данных или у нас нет полных или точных данных, функция машинного обучения не сможет принять точное решение и вместо этого выдаст неточный результат.

Это впоследствии поднимает следующую важную проблему в обучении и тестировании: функция машинного обучения — это то, что мы постоянно обучаем и совершенствуем, обновляя данные ввода-вывода и обновляя алгоритм, который использовался по мере появления новых данных и методов, что дает нам край.

1-е преимущество: возможность выполнять более мелкие задачи и решения, чтобы пользователи могли сосредоточиться на решениях с более высоким приоритетом.

Машинное обучение предлагает решение современного парадокса выбора. Когда у нас слишком много вариантов и нам нужно просеять варианты и данные, чтобы принять решение, это снижает удовлетворение от принятого нами решения. Чем больше данных добавляется к функции машинного обучения, тем больше возможностей для принятия решений мы можем делегировать и сосредоточиться на принятии важных решений с более высоким приоритетом

Есть несколько основных методов, которые используются для определения функции машинного обучения; обучение с учителем, обучение без учителя и обучение с подкреплением. При обучении с учителем алгоритм обучается на уже размеченных данных, где для каждого входа предоставляется правильный вывод. При неконтролируемом обучении алгоритм обучается на неразмеченных данных, где цель состоит в том, чтобы идентифицировать закономерности и взаимосвязи в данных. Обучение с подкреплением включает взаимодействие человека, которое выступает в качестве посредника с окружающей средой, чтобы научиться принимать оптимальные решения. Наконец, есть также полууправляемый, где обучение представляет собой комбинацию как обучения с учителем, так и обучения без учителя, а алгоритм обучается на сочетании помеченных и неразмеченных данных. В зависимости от того, что мы пытаемся измерить и создать, каждый метод лучше всего подходит для разных целей.

2-е преимущество: принимать решения, которые удовлетворяют пользователей

Благодаря машинному обучению, на обработку информации и исследования которого у нас ушло бы много времени, теперь мы можем получать информацию, быстрее принимать решения и точно выполнять их, используя различные методы. Его применение во многих областях и отраслях в современном мире с безграничными возможностями, где максимизаторы, как правило, страдают, исключая варианты с помощью машинного обучения, что позволяет нам принимать точные решения, которые удовлетворяют пользователей. Если это слишком оптимистично для меня, чтобы сказать это, если это не решает, это помогает решить парадоксальную дилемму выбора, от которой страдают современные потребители.

Когда мы хотим создать функцию, мы хотим, чтобы она могла выдавать точные выходные данные, передавая ей данные с достаточной дисперсией, чтобы она могла принимать точные решения или, по крайней мере, давать нам выходные данные с уменьшенным количеством ошибок. . И один из способов сделать это — использовать хорошие образцы данных и проводить сбор данных с использованием лучших практик. Данные, которые собираются только из определенного города или района, данные, измеренные при определенной температуре или времени суток, или изображения, содержащие неизвестный цвет, могут не дать нам наилучших результатов, когда обученный алгоритм сталкивается и обрабатывает входные данные, которые мы не использовали. счет, вместо этого он выдаст результат ввода-вывода, который немного далек от того, что мы ожидаем. В том же духе данные о выбросах могут выявить выбросы, которые могут быть полезны, когда мы пытаемся обнаружить мошенничество, несоответствие в заработной плате или закрепить обучение игрока или транспортных средств, где мы использовали их для выявления рисков безопасности, укрепления социальных сетей. справедливость и усиление обучения игрока или транспортного средства; подчеркивая множество приложений и преимуществ машинного обучения.

3-й край: максимизация каждого бита данных в функции, которая приносит пользу пользователям

В организациях, использующих технологии, многие из них накопили несколько внутренних и внешних источников данных, поток которых постоянно уступает место появлению больших данных. Эти данные генерируются, собираются и обрабатываются из многих типов сред и хранятся в системе организации. Вот тут-то и появляется машинное обучение; он анализирует уже существующие данные и помогает определить цели с измеримыми параметрами. От создания транспортных средств до прогнозирования спроса на товары и накопления знаний о рынке — очень важно, чтобы предприятия и организации контролировали свои потоки данных и системы и создавали инструменты, необходимые для получения преимуществ, которые имеют решающее значение в мире, где доминирует искусственный интеллект.

Не менее важно упомянуть и другое подполе искусственного интеллекта, связанное с машинным обучением, такое как обработка естественного языка (NLP), нейронные сети и глубокое обучение, компьютерное зрение, байесовские сети, нечеткая логика, распознавание речи, робототехника и Swarm Intelligence. Эти области, такие как машинное обучение, постоянно развиваются. Новые появляются по мере того, как приложения искусственного интеллекта расширяются в области и отрасли, а новые инструменты и продукты создаются и выводятся на рынок. На мой взгляд, также важно отметить и понять, что рост искусственного интеллекта не равен способности людей как общества использовать его в полной мере. Применение технологий может расти только с той же скоростью, что и способность человека их использовать. Без реального и устойчивого применения человеком будущее искусственного интеллекта зависит от воли и коллективного сознания общества.

4-е преимущество: создание устойчивых технологий

От инновационных продуктов, умножения доходов, передовых методов лечения, увеличения производства и решения социальных проблем; возможности безграничны. Вопрос в том, на какой вопрос мы хотим ответить? Я считаю, что сокращение разрыва между пользователями-людьми и развитием искусственного интеллекта жизненно важно как никогда для обеспечения справедливости в технологиях и их устойчивости в долгосрочной перспективе. Без справедливого использования машинное обучение перестанет быть еще одним инструментом, недоступным для демографических групп, которые не смогли его использовать в полной мере, что приведет к еще большему экономическому разрыву в будущем. Еще один большой вопрос, который нам необходимо решить, — это потребление энергии самой технологией. Согласно закону Мура, мы можем ожидать, что скорость и возможности компьютеров будут увеличиваться каждые 2 года благодаря транзисторам, которые мы можем интегрировать в схему, удваивающуюся каждые два года. Мы бы платили меньше, но как потребление энергии компенсирует рост?

Было бы удивительно увидеть, как будут развиваться события в следующем десятилетии по мере развития искусственного интеллекта и расширения его использования, а также расширения и интеграции новых технологий, таких как модель большого языка (LLM), в нашу повседневную жизнь. Не менее интересно посмотреть, как правительства во всем мире реагируют и регулируют технологии искусственного интеллекта по мере того, как правительственные чиновники обучаются и проходят через эту новую реальность так же, как и мы.