Strojové učenie bolo jedným z najväčších pokrokov v histórii výpočtovej techniky a v súčasnosti sa považuje za schopné hrať dôležitú úlohu v oblasti veľkých dát a analytiky. Analýza veľkých dát je z pohľadu podniku veľkou výzvou. Napríklad činnosti, ako je pochopenie veľkého počtu rôznych formátov údajov, analýza prípravy údajov a filtrovanie nadbytočných údajov, môžu byť náročné na zdroje. Nábor špecialistov na dátové vedy je drahý návrh a nie prostriedok na dosiahnutie cieľa pre každú spoločnosť. Odborníci sa domnievajú, že strojové učenie môže automatizovať mnohé z úloh spojených s analytikou - rutinné aj komplexné. Automatizované strojové učenie môže uvoľniť značné zdroje, ktoré by bolo možné použiť na komplexnejšiu a inovatívnejšiu prácu. Zdá sa, že strojové učenie sa neustále uberá týmto smerom.
Automatizácia v kontexte informačných technológií
V IT je automatizácia prepojením rôznych systémov a softvéru, ktoré im umožňuje vykonávať konkrétne úlohy bez akéhokoľvek ľudského zásahu. V IT môžu automatizované systémy vykonávať jednoduché aj zložité úlohy. Príkladom jednoduchej úlohy môže byť integrácia formulárov s dokumentmi PDF a odosielanie dokumentov správnemu príjemcovi, zatiaľ čo poskytovanie záloh mimo pracoviska môže byť príkladom zložitej úlohy.
Na to, aby ste svoju prácu robili správne, musíte programovať alebo dať automatickému systému jasné pokyny. Zakaždým, keď je na úpravu rozsahu jeho úlohy potrebný automatizovaný systém, musí program alebo sadu inštrukcií niekto aktualizovať. Napriek tomu, že automatizovaný systém funguje efektívne, k chybám môže dôjsť z rôznych dôvodov. Ak sa vyskytnú chyby, je potrebné identifikovať a napraviť hlavnú príčinu. Je zrejmé, že automatizovaný systém pri svojej práci úplne závisí od ľudí. Čím komplexnejšia je povaha práce, tým vyššia je pravdepodobnosť chýb a problémov.
Bežným príkladom automatizácie v IT odvetví je automatizácia testovania webových používateľských rozhraní. Testovacie prípady sú vložené do automatizačného skriptu a podľa toho sa testuje používateľské rozhranie. (Viac informácií o praktickom použití strojového učenia nájdete v časti Strojové učenie a Hadoop v Odhalení podvodov ďalšej generácie.)
Argumentom v prospech automatizácie je, že vykonáva rutinné a opakovateľné úlohy a uvoľňuje zamestnancov k zložitejším a kreatívnejším úlohám. Tvrdí sa však aj to, že automatizácia vylúčila veľký počet úloh alebo rol, ktoré predtým vykonávali ľudia. Teraz, keď strojové učenie vstupuje do rôznych odvetví, môže automatizácia pridať nový rozmer.
Budúcnosť automatizovaného strojového učenia?
Podstatou strojového učenia je schopnosť systému neustále sa učiť z údajov a vyvíjať sa bez ľudského zásahu. Strojové učenie je schopné fungovať ako ľudský mozog. Motory odporúčaní na webových stránkach elektronického obchodu môžu napríklad posúdiť jedinečné preferencie a vkus používateľa a poskytnúť odporúčania týkajúce sa najvhodnejších produktov a služieb, z ktorých si môžete vyberať. Vzhľadom na túto schopnosť je strojové učenie považované za ideálne na automatizáciu komplexných úloh spojených s veľkými údajmi a analytikou. Prekonala hlavné obmedzenia tradičných automatizovaných systémov, ktoré neumožňujú pravidelný zásah človeka. Existuje niekoľko prípadových štúdií, ktoré demonštrujú schopnosť strojového učenia vykonávať komplexné úlohy analýzy údajov, o ktorých sa bude diskutovať neskôr v tomto príspevku.
Ako už bolo uvedené, analýza veľkých dát je pre podniky náročným návrhom, ktorý je možné čiastočne delegovať na systémy strojového učenia. Z obchodného hľadiska to môže priniesť mnoho výhod, ako napríklad uvoľnenie zdrojov dátovej vedy pre kreatívnejšie a kritickejšie úlohy, vyššie pracovné zaťaženie, kratší čas na dokončenie úloh a nákladovú efektívnosť.
Prípadová štúdia
V roku 2015 vedci z MIT začali pracovať na nástroji dátovej vedy, ktorý môže vytvárať prediktívne dátové modely z veľkého množstva nespracovaných údajov pomocou techniky nazývanej algoritmy syntézy hlbokých funkcií. Vedci tvrdia, že algoritmus môže kombinovať najlepšie vlastnosti strojového učenia. Podľa vedcov to testovali na troch rôznych súboroch údajov a testovanie rozširujú o ďalšie. Vedci James Max Kanter a Kalyan Veeramachaneni v dokumente, ktorý má byť predložený na medzinárodnej konferencii o údajovej vede a analytike, uviedli: „Použitím procesu automatizovaného ladenia optimalizujeme celú cestu bez zapojenia človeka a umožňujeme jej zovšeobecnenie na rôzne súbory údajov“.
Pozrime sa na zložitosť úlohy: algoritmus má to, čo je známe ako schopnosť automatických úprav, pomocou ktorých je možné získať alebo extrahovať prehľady alebo hodnoty zo surových údajov (ako je vek alebo pohlavie), po ktorých sú prediktívne údaje je možné vytvárať modely. Algoritmus používa komplexné matematické funkcie a teóriu pravdepodobnosti nazývanú Gaussova kopula. Je preto ľahké pochopiť úroveň zložitosti, ktorú algoritmus zvládne. Táto technika získala ceny aj v súťažiach.
Strojové učenie by mohlo nahradiť domácu úlohu
Po celom svete sa diskutuje o tom, že strojové učenie by mohlo nahradiť mnoho zamestnaní, pretože vykonáva úlohy s účinnosťou ľudského mozgu. V skutočnosti existujú určité obavy, že strojové učenie nahradí vedcov v oblasti údajov, a zdá sa, že existuje dôvod pre tieto obavy.
Pre priemerného používateľa, ktorý nemá znalosti v oblasti analýzy údajov, ale má v každodennom živote rôzne stupne analytických potrieb, nie je možné použiť počítače, ktoré dokážu analyzovať obrovské objemy údajov a poskytovať analytické údaje. Techniky spracovania prirodzeného jazyka (NLP) však môžu toto obmedzenie prekonať tým, že naučia počítače prijímať a spracovávať prirodzený ľudský jazyk. Priemerný používateľ tak nepotrebuje sofistikované analytické funkcie ani zručnosti.
Spoločnosť IBM sa domnieva, že potrebu vedcov údajov je možné minimalizovať alebo eliminovať prostredníctvom jej produktu, platformy Watson Natural Language Analytics Platform. Podľa Marca Atschullera, viceprezidenta pre analytiku a obchodnú inteligenciu spoločnosti Watson, „V kognitívnom systéme, akým je Watson, položíte svoju otázku - alebo ak otázku nemáte, stačí nahrať údaje a Watson sa na to môže pozrieť. a usúdiť, čo by ste chceli vedieť. ”
Záver
Automatizácia je ďalším logickým krokom v strojovom učení a už teraz sa stretávame s účinkami v našom každodennom živote-weby elektronického obchodu, návrhy priateľov na Facebooku, návrhy sietí LinkedIn a rebríčky vyhľadávania Airbnb. Vzhľadom na uvedené príklady nie je pochýb o tom, že to možno pripísať kvalite výstupu vytváraného automatizovanými systémami strojového učenia. Napriek všetkým svojim kvalitám a výhodám sa myšlienka strojového učenia spôsobujúceho obrovskú nezamestnanosť javí ako prehnaná reakcia. Stroje nahrádzajú ľudí v mnohých častiach nášho života už desaťročia, ale ľudia sa vyvíjali a prispôsobovali tak, aby zostali v tomto odvetví relevantné. Podľa názoru je strojové učenie pre všetky jeho poruchy len ďalšou vlnou, ktorej sa ľudia prispôsobia.
Čas zverejnenia: 03. augusta 2021