Paul Downey | Flickr
A gépi tanulás egy olyan kifejezés, amelyet egyre gyakrabban bandálnak, ám sokan még mindig nem tudják pontosan, mi az . Természetesen ennek is van oka. Még mindig nagyon korai szakaszában van, és sokan azt gondolják, hogy még nem valami, ami még az egész lakosságot érinti. Valójában ez talán nem olyan igaz, mint egyesek feltételezik.
Mi tehát a gépi tanulás? És mit használnak ma? Itt található az útmutató, amelyben mindent meg kell tudni a gépi tanulásról.
Mi a gépi tanulás?
A gépi tanulás egyszerűen fogalmazva: a mesterséges intelligencia olyan formája, amely lehetővé teszi a számítógépek számára, hogy bármilyen extra programozás nélkül megtanuljanak. Más szavakkal: a szoftver képes új dolgokat megtanulni önmagában anélkül, hogy a programozónak vagy a mérnöknek bármit is kellene „megtanítania”. A gépi tanulás képes adatokat gyűjteni, mintákat felismerni és megoldásokat találni, majd ezeket a megoldásokat más problémákra alkalmazni.
Kép: K? Rlis Dambr? Ns | Flickr
Fontos megjegyezni, hogy a gépi tanulás mint fogalom egyáltalán nem újszerű - nehéz felfedezni a koncepció pontos eredetét, tekintve, hogy az ötvöződik a technológia más formáiban. Azt állíthatja, hogy a gépi tanulás egészen a Turing Test létrehozásáig nyúlik vissza, amelyet arra használtak, hogy meghatározzák, vajon a számítógép rendelkezik-e intelligenciával. Az első számítógépes program, amely azonban megtanult, egy dámajáték volt, amelyet Arthur Samuel 1952-ben fejlesztett ki. Ez a játék annál jobb lett, annál inkább játszott.
A legújabb technológia azonban drasztikusan javítja a gépi tanulást. Például a gépi tanulás megköveteli a hatalmas mennyiségű feldolgozási energiát, annyira, hogy csak a közelmúltban kezdtük meg fejlesztni az alapvető gépi tanulást.
A programozóknak néhány fő módja van a gépi tanulás megvalósításához. Az elsőt „felügyelt tanulásnak” hívják. Ez alapvetően azt jelenti, hogy egy gépet olyan problémákkal táplálnak, ahol a probléma megoldása ismert. A tanulási algoritmus képes fogadni ezeket a problémákat a kívánt eredményekkel együtt, azonosítani a problémák mintázatait és ennek megfelelően eljárni. A felügyelt tanulást gyakran használják a jövőbeli események előrejelzésére - például amikor a hitelkártya-tranzakció csalárd lehet.
A gépi tanulás második megvalósítását „felügyelet nélküli tanulásnak” nevezzük. Ebben az esetben a probléma kimenetelét nem a szoftver adja meg - ehelyett táplálja a problémákat, és fel kell fedeznie az adatok mintáit. A cél itt egy struktúra megtalálása az általa megadott adatokban.
Harmadik a „félig felügyelt tanulás”. Ezt a gépi tanulási módszert gyakran ugyanazokhoz a dolgokhoz használják, mint a felügyelt tanulást, de megoldással és adatok nélkül vesz igénybe az adatokat. A félig felügyelt tanulást gyakran akkor hajtják végre, ha a források korlátozottak, és a vállalatok nem tudnak teljes adatkészletet szolgáltatni a tanulási folyamathoz.
Végül, de nem utolsósorban a „megerősítő tanulás”, amelyet kifejezetten a játékhoz és a robotokhoz használnak. A megerősítés tanulását alapvetően próba és hiba útján tanítják - a gép próbál dolgokat, és sikereinek vagy kudarcainak alapján tanul meg. A cél itt az, hogy a gép kitalálja a lehető legjobb eredményeket.
Természetesen a gépi tanulás mindegyik módszere magában foglalja a gépek százezres problémájának és nagy mennyiségű adatnak a táplálkozását. Valójában minél több adat van, annál jobb.
Hol használják ma a gépi tanulást?
Képek a pénzről Flickr
Valójában rengeteg olyan hely van, ahol manapság a gépi tanulást alkalmazzák. Ezek közül sok a színfalak mögött áll, azonban meglepő lehet, hogy tudomásul veszi, hogy sokuk is olyan, amit minden nap használ.
Lehet, hogy a legjobban használja a személyes asszisztensét - igaz, a Siri és a Google Now kedveli a gépi tanulást, nagyrészt a beszédminták jobb megértése érdekében. Olyan sok millió embernél, akik a Siri-t használják, a rendszer komolyan képes előrelépni a nyelvek, az ékezetek és így tovább kezelése terén.
Természetesen a Siri nem a gépi tanulás egyetlen fogyasztói alkalmazása. Másik alkalmazás a banki szolgáltatások, például a csalások felderítése. Például a gépi tanulási algoritmusok nyomon követhetik a kiadási mintákat, és meghatározhatják, hogy a múltbeli csalárd tevékenységek alapján mely minták valószínűleg csalók.
Valójában még az e-mailje is gépi tanulást használhat. Például a spam e-mailek problémát jelentenek, és az idő múlásával tovább fejlődtek. Az e-mail rendszerek gépi tanulással követik a spam levelek mintáit és a spam e-mailek változását, majd a változások alapján a spam mappába helyezik őket.
Következtetések
A gépi tanulás nagy része annak, hogy miként használjuk a technológiát a jövőben, és hogy a technológia hogyan segíthet nekünk. A Siri-től az US Bankig a gépi tanulás egyre átfogóbb, és ez valószínűleg csak folytatódni fog.
