Что такое машинное обучение

Широкие возможности прогнозирования

«Обучение без учителя» («unsupervised learning»), еще один метод машинного обучения – это семейство алгоритмов машинного обучения, которые в основном используются для поиска шаблонов и описательного моделирования («descriptive modeling»). Эти алгоритмы не имеют выходных категорий или меток данных (модель обучается с немаркированными данными).

Например, если предоставить программе машинного обучения много рентгеновских снимков с соответствующими симптомами, она сможет упростить или даже автоматизировать анализ рентгеновских изображений в будущем. Алгоритм будет сравнивать все эти разные изображения и находить общие шаблоны на изображениях, которые были помечены аналогичными симптомами. Кроме того, если добавить еще изображений, алгоритм будет сравнивать содержимое с установленными шаблонами, и сможет определять вероятность наличия симптомов, которые он выучил.

Сегодня машинное обучение позволяет исследователям данных использовать алгоритмы кластеризации и классификации, чтобы распределить покупателей на отдельные группы на основе определенных вариаций. по тем или иным характеристикам, таким как демография, поведение на сайте и предпочтения. Сопоставление этих характеристик с алгоритмами поведения помогает разрабатывать точные специализированные маркетинговые кампании, которые более эффективно способствуют повышению продаж по сравнению с кампаниями общей направленности.

Чуть позже другие термины, такие как большие данные, предиктивная аналитика и машинное обучение, начали набирать популярность. В 2012 году машинное обучение, глубокое обучение и нейронные сети достигли больших успехов и стали использоваться во все большем числе областей. Организации внезапно начали использовать термины машинного обучения и глубокого обучения для рекламы своих продуктов.

Все вышеперечисленное привело к возрождению шумихи вокруг искусственного интеллекта. Поэтому многие организации считают более выгодным использовать абстрактный термин «ИИ», который источает мистическую ауру, а не рассказывать более конкретно о том, какие технологии они используют. Это помогает им лучше продавать свои продукты.

«Обучение с подкреплением» («reinforcement learning»), третий популярный способ машинного обучения, направлен на использование наблюдений, собранных в результате взаимодействия с окружающей средой, для принятия мер, которые максимизируют выигрыш. В этом случае алгоритм обучения подкрепления (называемый агентом) непрерывно учится из своей среды на протяжении многих итераций. В конце каждой итерации в модели обновляются значения весов – вероятность лучших исходов на каждом шаге.

«Обычно вся проблема кроется в отсутствии сотрудничества, — говорит Рич Клейтон (Rich Clayton), вице-президент по стратегии продукции Oracle Analytics. — Добавление машинного обучения в Oracle Analytics Cloud помогает лучше организовать работу, создавая, обучая и внедряя модели данных. Это инструмент для сотрудничества, ценность которого состоит в том, что оно ускоряет процессы и помогает отдельным бизнес-подразделениям работать вместе и создавать более качественные модели».

Помимо розничной торговли, финансовых услуг и интернет-продаж, машинное обучение может использоваться в самых различных сценариях. Оно весьма эффективно применяется в научной, энергетической и строительной отраслях, а также в здравоохранении. Например, алгоритмы машинного обучения можно использовать в классификации образов для присвоения меток из предопределенного набора категорий образам входящих данных. Это дает возможность создавать трехмерные строительные планы на основе двухмерных чертежей, упрощать присвоение тегов фотографиям в соцсетях, дополнять постановку диагнозов и т. д.

Искусственный интеллект (AI)

В отличие от машинного обучения, ИИ – это цель, которая постоянно изменяется, потому что тесно связана с технологическими достижениями. Поэтому есть очень размытые грани определения чего-то как ИИ, в то время как машинное обучение – это четко определенная технология. Возможно, лет через 20 сегодняшние инновации в областии ИИ будут считаться такими же простыми, как для нас сегодня калькуляторы.

Проблема термина в том, что его используют в совершенно разных областях и имеют в виду разные вещи. По словам Эндрю Мура, декана Школы компьютерных наук Университета Карнеги-Меллона, «Искусственный интеллект – это наука о способах создания компьютеров, которые ведут себя так, как по недавним представлениям мог бы вести себя только человеческий разум».

Впоследствии организации пытались абстрагироваться от термина ИИ, который стал синонимом чего-то нереального и гиперболизированного, заменяя названия для своих изобретений на другие термины. Например, IBM описала Deep Blue как суперкомпьютер и прямо заявила, что не использует искусственный интеллект, хотя на самом деле это и был ИИ по рамках тех времен.

Например, благодаря своевременному ТО производственные, энергетические и другие промышленные компании могут перехватывать инициативу и обеспечивать оптимизацию и надежность рабочих процессов. В нефтяной промышленности машинное обучение может определить, какие из сотен буровых вышек вот-вот выйдут из строя, и заранее уведомить сотрудников ремонтной службы. Такой подход не только способствует повышению производительности, но и продлевает операционные сроки и снижает уровень износа оборудования. Также это помогает снизить риск возникновения несчастных случаев, уберечь владельцев от претензий и повысить показатели соответствия нормативам.

Глубокое обучение начало выполнять задачи, которые невозможно было сделать с классическим программированием, основанным на строгих правилах. Области, такие как распознавание речи и лица, классификация изображений и обработка естественного языка, которые были на этапе зарождения, внезапно совершили огромные скачки в развитии. А зарплаты специалистов по машинному и глубокому обучению лишь подчеркивают, насколько эти технологии актуальны на сегодняшний день.

Метод машинного обучения из предыдущего примера называется «обучение с учителем» («supervised learning»). Алгоритмы обучения пытаются смоделировать отношения и зависимости между целевым прогнозируемым выходом и входными данными. Далее мы сможем прогнозировать выходные значения для новых данных на основе предыдущих, на которых алгоритм обучался.

Такой гибкий подход требует хорошо продуманной стратегии машинного обучения и больших объемов данных о готовности покупателей заплатить установленную цену в зависимости от ситуации. Модели динамического ценообразования не просты в разработке, однако авиакомпании и транспортные службы успешно используют их для повышения прибыли.

Получается, что определение ИИ сильно зависит от прогресса в технологиях. Машинное обучение лишь один из примеров. В прошлом для создания ИИ использовались совершенно другие методы. Например, Deep Blue, ИИ который победил чемпиона мира по шахматам в 1997 году, использовал алгоритмы поиска по дереву для оценки миллионов ходов на каждом шагу.