Datori neuzņemas spēku, bet katru dienu viņi gūst gudrību
Visvienkāršākajā izpratnē mašīntulkošana (ML) ir mašīnu (datoru) plānošana, lai tā varētu izpildīt pieprasīto uzdevumu, izmantojot un analizējot datus (informāciju), lai šo uzdevumu veiktu neatkarīgi, bez cilvēka izstrādātāja papildu specifiskas ieejas .
Mašīntulkošana 101
Termins "mašīnapmācība" tika izveidots IBM laboratorijās 1959. gadā Arthur Samuel, mākslīgā intelekta (AI) un datorspēļu pionieris. Tā rezultātā mašīnu apmācība ir mākslīgā intelekta nozare. Samuīla priekšnoteikums bija pārspēt laika skaitļošanas modeli otrādi un pārtraukt dot datoriem lietas, ko mācīties.
Tā vietā viņš gribēja, lai datori sāktu izdomāt lietas pati par sevi, un cilvēkiem nav jāiegulda pat mazākā informācija. Tad viņš domāja, ka datori ne tikai izpildīs uzdevumus, bet galu galā varēs izlemt, kurus uzdevumus veikt un kādos gadījumos. Kāpēc Lai datori varētu samazināt darba apjomu cilvēkiem, kas vajadzīgi, lai veiktu jebkurā konkrētā jomā.
Kā mašīna mācās
Iekārtu mācīšanās notiek, izmantojot algoritmus un datus. Algoritms ir instrukciju vai vadlīniju kopums, kas datoram vai programmai norāda, kā uzdevumu izpildīt. ML izmantotie algoritmi apkopo datus, atpazīst modeļus un izmanto šo datu analīzi, lai pielāgotu savas programmas un funkcijas uzdevumu izpildei.
ML algoritmi izmanto noteikumu kopas, lēmumu kokus, grafiskos modeļus, dabiskās valodas apstrādi un neironu tīklus (lai minētu dažus), lai automatizētu datu apstrādi, lai pieņemtu lēmumus un izpildītu uzdevumus. Lai gan ML var būt sarežģīts jautājums, Google Teachable Machine nodrošina vienkāršotu praktisku demonstrējumu par to, kā darbojas ML.
Mūsdienu spēcīgākā mašīnizglītības forma, ko sauc par dziļu mācīšanos , veido sarežģītu matemātisku struktūru, ko sauc par neironu tīklu, kura pamatā ir milzīgi datu apjomi. Neironu tīkli ir algoritmu komplekti ML un AI modeļos pēc tam, kad cilvēka smadzeņu un nervu sistēmas nervu šūnas apstrādā informāciju.
Mākslīgais intelekts pret mašīnu mācīšanos un datu ieguvi
Lai labāk izprastu attiecības starp AI, ML un datu ieguvi, ir lietderīgi domāt par dažāda lieluma lietussargu kopumu. AI ir lielākais jumts. ML jumta izmērs ir mazāks un ietilpst zem AI jumta. Datu ieguves lietussargs ir mazākais un ietilpst zem ML jumta.
- AI ir datorzinātņu nozare, kuras mērķis ir programmēt datorus, lai veiktu uzdevumus vairāk "inteliģentu" un "cilvēka līdzīgu" veidu, izmantojot izpratni un lēmumu pieņemšanas paņēmienus, kas modelēti pēc cilvēka intelekta.
- ML ir skaitļošanas kategorija AI, kas vērsta uz programmēšanas mašīnām (datoriem), lai mācītos (apkopo nepieciešamos datus vai piemērus), lai automatizēti izveidotu ar datiem saistītus, automatizētus lēmumus.
- Datu iegūšana izmanto statistiku, ML, AI un milzīgas informācijas datubāzes, lai atrastu modeļus, sniegtu ieskatus, izveidotu klasifikācijas, identificētu problēmas un sniegtu detalizētu datu analīzi.
Ko mašīna mācās var darīt (un jau tā ir)
Datoru spēja analizēt milzīgu informācijas daudzumu otrajā daļā padara ML noderīgu vairākās nozarēs, kurās laiks un precizitāte ir būtiska.
- Medicīna: ML tehnoloģija tiek īstenota virknei risinājumu medicīnas jomā, tostarp palīdzot ārkārtas nodaļām ārstiem ar ātrāku diagnozi pacientiem ar neparastiem simptomiem. Ārsti var ievadīt pacienta simptomu sarakstu programmā un lietot ML, programma var izšķīdināt triljonus terabaitu informācijas no medicīnas literatūras un interneta, lai atgrieztos iespējamo diagnožu un ieteikto testu vai ārstēšanas sarakstu rekordīsā laikā.
- Izglītība: ML tiek izmantots, lai izveidotu mācību līdzekļus, kas pielāgoti studenta mācību vajadzībām, piemēram, virtuālo mācību palīginstitūcijām un elektroniskām mācību grāmatām, kas ir daudz interaktīvākas. Šie rīki izmanto ML, lai atklātu, kādus jēdzienus un prasmes students saprot, izmantojot īsas viktorīnas un prakses vingrinājumus. Pēc tam rīki nodrošina īsus videoklipus, papildu piemērus un materiālus, lai palīdzētu studentiem apgūt nepieciešamās prasmes vai koncepcijas.
- Automobiļu rūpniecība: ML ir arī galvenā sastāvdaļa pašlaik vadīto automašīnu jaunās nozarēs (ko sauc arī par transportlīdzekļu vadītājiem vai autonomām automašīnām). Programmatūra, kas darbojas pašattīstošajās automašīnās, izmanto gan ML, gan reālos ceļa testos un simulācijās, lai noteiktu ceļa apstākļus (piemēram, ledus ceļus) vai noteiktu šķēršļus brauktuvēs, kā arī apgūt piemērotus braukšanas uzdevumus, lai droši pārvietotos šādās situācijās.
Jūs, iespējams, jau daudzas reizes saskārāties ar ML, to neapzinoties. Dažas no visbiežāk izmantotajām ML tehnoloģijām ietver praktisku runas atpazīšanu ( Samsung Bixby , Apple Siri un daudzas sarunas ar tekstu programmām, kas tagad ir standarta datoros), surogātpasta filtrēšana jūsu e-pastam, ziņu plūsmu veidošana, krāpšanas atklāšana, personalizēšana iepirkšanās ieteikumi un efektīvāki tīmekļa meklēšanas rezultāti.
ML ir pat iesaistīta jūsu Facebook barību. Ja jums patīk vai bieži noklikšķiniet uz drauga ziņojumiem, algoritmi un ML aiz ainas "mācās" no savām darbībām laika gaitā, lai piešķirtu prioritāti noteiktiem draugiem vai lapām ziņu ziņā.
Kādas mašīnas mācības nevar darīt
Tomēr ML var darīt ierobežojumus. Piemēram, ML tehnoloģiju izmantošana dažādās nozarēs prasa ievērojamu skaitu cilvēku izstrādes un plānošanas, lai specializētu programmu vai sistēmu uzdevumu veidiem, kādus pieprasa šī nozare. Piemēram, mūsu augstāk minētajā medicīniskajā piemērā avārijas dienestā izmantotais ML programma tika izstrādāta speciāli medicīnā. Šobrīd nav iespējams veikt precīzu programmu un to tieši īstenot neatliekamās medicīniskās palīdzības centrā. Šāda pāreja prasa plašu specializāciju un attīstību, ko veic cilvēku programmētāji, lai izveidotu versiju, kas varētu veikt šo uzdevumu veterinārajā vai dzīvnieku medicīnā.
Tas prasa neticami daudz datu un piemēru, lai "iemācītu" informāciju, kas tai nepieciešama, lai pieņemtu lēmumus un veiktu uzdevumus. ML programmas ir arī ļoti burtiski datu interpretācijā un cīņā ar simbolismu, kā arī dažu veidu attiecībām datu rezultātu, piemēram, cēloņa un sekas.
Tomēr nepārtrauktie uzlabojumi ML padara vairāk par galveno tehnoloģiju, kas katru dienu rada gudrākus datorus.