Maskinlæring: hva er det og hva er dets forhold til ai?

I dag ønsker vi å lære deg nærmere en av begrepene som har revolusjonert og vil revolusjonere noen interaksjoner slik vi kjenner dem. Vi snakker om kunstig intelligens og dens mest spesifikke gren, maskinlæring eller automatisk læring.

Som du kanskje vet, er databehandling alltid i konstant utvikling, og det vi kan kjøpe er vanligvis ikke så banebrytende som mulig.

For eksempel, mens vi utvikler 4. generasjon PCI-Express , utvikler forskere allerede PCIe Gen 5 og studerer hoppet til sjette . Av samme grunn er det ikke uvanlig å finne teknologier som vi ikke visste å gjøre oppgaver som vi aldri hadde hørt om.

Men før vi går lenger, la oss begrense temaet vi skal snakke om fordi, hva er maskinlæring ?

Innholdsindeks

Hva er maskinlæring ?

Machine Learning er en spesifikk gren av informatikk og kunstig intelligens der systemer som er i stand til automatisk læring, opprettes .

Denne grenen begynte sin studie og utvikling rundt 80-tallet og i dag er den ganske utviklet. Av samme grunn blir både kunstig intelligens og maskinlæring brukt i mange vitenskapelige og hverdagslige felt.

I denne grenen består AIer av en eller flere algoritmer som er i stand til å behandle store datamengder og lære tilsvarende. De to viktige ideene dette emnet går i:

• Systemet må kunne analysere data og bygge ferdigheter som det ikke hadde ved fødselen. Etterretning må kunne utføre arbeidet autonomt, det vil si uten menneskelig tilsyn.

I den virkelige verden har vi praktiske eksempler som klassifisering av spam i e-post, relaterte anbefalinger på Amazon eller spådommer om fremtiden ved å bruke firmadata. Det siste er en interessant seksjon som flere og flere selskaper satser på.

Ved å bruke Machine Learning kan vi se hvilke mønstre som identifiserer misfornøyde kunder eller ex-kunder for å prøve å forbedre forholdet til andre brukere i samme tilstand. Ansiennitet, antall klager, avtalte planer og andre blir studert for å lage visse profiler. Når AIs konklusjoner er trukket, kan en gruppe markedsføringseksperter opprette en spesifikk kampanje for å bekjempe disse problemene.

Dermed kan selskapet lage planer for å tiltrekke seg eller beholde kunder basert på visse forutsetninger og går fra en reaktiv strategi til en proaktiv. Det er en veldig interessant taktikk som bruker kunstig intelligens , store datamengder og maskinlæring .

Hvordan trenes kunstig intelligens ?

For at en kunstig intelligens skal være forberedt, må den gå gjennom forskjellige faser:

1. Den går gjennom et kontrollert miljø først. Her legger du inn en stor mengde data og deres respektive resultater som du kan opprette forhold mellom ideer med. Denne delen kalles Supervised Learning . Så blir du satt inn i et gratis og ubesvart miljø der AI selv må velge et resultat. Ved å vite om svarene dine er riktige eller ikke, oppretter du nye regler i algoritmen din. Dette stadiet heter Unsupervised Learning . Endelig er et miljø forberedt for ham der han vakler. Hvis det for eksempel er vanskelig for deg å skille ut bilder med lav lysstyrke, vil du kanskje bli trent med nattbilder. Denne fasen kalles forsterkningslæring. Prosessen kan gjøres fra trinn 2 så mange ganger du vil finjustere etterretningen .

Generalisert ordning om maskinlæring

Et praktisk eksempel ville være å vise AI ti millioner bilder og fortelle dem som er hunder og hvilke ikke. Her vil han fortelle at hunder vanligvis har pels, de går vanligvis på fire bein og det er forskjellige former og størrelser avhengig av rasen.

Etterpå får han en million bilder å klassifisere. Her må du svare på om det er en hund på bildet eller ikke, og i henhold til om du vil lage nye 'ideer' i databasen eller ikke. For å implementere disse nye dataene vil Intelligence etablere nye regler i algoritmen, og nå vil den for eksempel kunne skille hunder fra katter.

Til slutt studeres effektiviteten hans og nye bilder er forberedt på å trene hans svake punkter.

Dette er selvfølgelig et enkelt og veldig gjentatt system for demonstrasjonen, men det er andre mer eksperimentelle og særegne metoder.

Tay, Twitter-bot

Et nylig tilfelle av eksperimentell trening var Tay , en AI utviklet av Microsoft designet for å lære å uttrykke seg som et menneske.

Tays Twitter-profil

Boten var programmert til å begynne å snakke som en 19 år gammel jente, og 23. mars 2016 ble hun løslatt på de mørke stedene på Twitter.

Du ble programmert til å snakke med samfunnet og lære av meldingene du mottok, så vel som interaksjonen din med brukerne. Læringen hennes var nesten fullstendig autonom, selv om hun måtte trekkes tilbake etter 16 timer for å ha vist negativ oppførsel.

I løpet av kort levetid twitret han mer enn 96 000 tweets. Imidlertid gjorde den forsettlige krenkende oppførselen til dette sosiale nettverket det raskere enn snart for Tay å svare med rasistiske og andre fraser.

I dette tilfellet burde Supervised Learning og serien med grunnleggende regler ha blitt revidert behørig. Når han kjente til den bekymringsløse og støtende tonen i det sosiale nettverket, var Tay ikke forberedt på å skille det virkelige fra det sarkastiske. Av samme grunn klarte noen brukere enkelt å "bryte" den "intellektuelle barrieren" for intelligens .

Machine Learning-applikasjoner i den virkelige verden

Vi har allerede fortalt deg om noen daglige bruksområder som du kanskje allerede visste om maskinlæring , men hvilke andre tilfeller som finnes.

Nedenfor ser du en serie praktiske anvendelser av denne teknologien i de vanligste problemene. De er selvfølgelig banebrytende løsninger, så de krever også betydelig mer penger.

helse

En teknologi for en ny type klær som er i stand til å lese informasjon om kroppen vår, studeres. Det kan være i stand til å lese vår puls, puste eller angst.

Disse dataene blir lest av en intelligens som evaluerer pasientens tilstand i sanntid. Så hvis du har et problem som hjerteinfarkt på et bestemt tidspunkt, kan du diagnostisere og / eller svare raskere.

På den annen side har noen roboter som er i stand til å oppdage selvmordstanker, blitt implementert hos noen mennesker. Den berømte Facebook- intelligensen leser samtaler og din aktivitet for å gjenkjenne mønster av selvmordstendenser, selv om det er andre versjoner som studerer nærmere oppførselen til personen, hans tone eller kroppsspråk.

økonomi

I økonomi har noen banker og selskaper brukt Machine Learning- baserte løsninger for å oppdage og forhindre svindel.

På den annen side brukes også noe lignende for lettere å identifisere investeringsmuligheter. Det brukes også til å bestemme når jeg skal selge eller kjøpe aksjer og andre midler.

markedsføring

Dette har vi allerede nevnt, men det er en av de mest kjente bruksområdene.

Det vil ha hendt deg å se et par produkter på Amazon , gå inn på Facebook, Google eller Instagram og se akkurat det produktet i annonsene dine. Det er ikke tilfeldig, siden sosiale nettverk og Google implementerer intelligenser som studerer historien din og dine mulige interesser for å fange dem der de kan.

Noen brukere ser det som en påtrengende måte å "angripe" brukeren på, og det er ikke overraskende siden de bombarderer deg med en ide. Imidlertid vil reklame bevege seg i den retningen ettersom den er mer personlig og annonsene vil være målrettet mot potensielle kjøpere.

Maskinlæring og dyp læring

Disse to begrepene går vanligvis hånd i hånd, men de er ikke helt like. I fremtidige artikler vil vi snakke om dette andre begrepet, siden det er noe som fortjener å bli lært.

VI ANBEFALER DEG Hvordan avinstallere AMD-drivere rent og enkelt

Generelt sett kunne vi etablere forholdet mellom maskinlæring og dyp læring som den som kunstig intelligens og maskinlæring har . Deep Learning er en enda mer spesifikk gren av Machine Learning .

Den deler viktige seksjoner som evolusjon over tid og erfaring, men den har en annen rekke forskjeller.

Forenklet dyp læring

Dets grunnlag for å lære og behandle data er å bruke forskjellige lag som fungerer som om de var nevroner. Derfor kan vi slå fast at disse intelligensene vanligvis er mer raffinerte, men også mer kompliserte og dyre å bygge.

Selv om du er mer interessert i dette emnet, følg med på nettstedet og besøk vår neste artikkel om Deep Learning .

Hvor langt er vi fra Skynet ?

Vi har denne delen for de mest drømmende sinnene.

Dette er et veldig gjentatt emne i bøker, filmer og andre. Ikke for ingenting er det akkurat en sjanger eller tema som heter Cyberpunk . Imidlertid, langt fra de futuristiske dystopiene som kontrolleres av kunstig intelligens , har maskinene våre fortsatt en lang vei å gå.

Rick & Mortys smarte robot

Dagens maskinlæringssystemer tilhører gruppen " svake AIer". Som vi har sett, er disse intelligensene bare i stand til å forstå mønstre og gjøre enkle fradrag. De er veldig nyttige for å støtte oss i visse sammenhenger, men de er ikke autonome systemer i det hele tatt.

På den annen side vil vi ha de 'sterke AI'ene' , de som er representert i futuristiske historier der de er lik eller mye mer intelligente enn mennesker. Vi kan finne bemerkelsesverdige eksempler i populærkulturen som 'Matrix' , 'Terminator' , 'Ghost in the Shell' eller 'Halo' . Faktisk i denne listen er det to arbeider som er relatert til hverandre; Gjett hvilke?

I dag utvikler vi fortsatt autonome og trygge biler . Vi fortsetter kontinuerlig, men vi har fremdeles en måte å utvikle et like faktum som utelukkende er laget av teknologi.

Hvis du vil vite mer om det, kan du besøke artikkelen vår om kunstig intelligens . Det er en tekst fra et mer generelt synspunkt og vi studerer litt de mulige konsekvensene som denne teknologien vil ha.

Avsluttende ord om maskinlæring

I likhet med vår konklusjon om kunstig intelligens, er det klart at fremtiden er usikker. Imidlertid er det uunngåelig at evolusjonen må gjennomgås for å implementere teknologi blant dens ferdigheter og egenskaper.

Litt etter litt vil Internett bli mer og bedre kontrollert av programmer og algoritmer. Sosiale nettverk vil bli bedre kalibrert og vil tilby oss innhold mer etter vår smak. Og til slutt vil nettforhold være mye sikrere ved å oppdage lettere når det er fare for svindel eller lignende.

På den annen side, ikke bli overrasket over at dette århundret er når IoT (Internet of Things) vil skinne. Det er en ide som vi har drømt om lenge og som kommer nærmere. I tillegg er IoT en stor budgiver av avanserte teknologier relatert til maskinlæring, selv om det fremdeles ikke mangler noen justeringer angående sikkerhet.

For vår del tror vi det vil være en gradvis utvikling, og så lenge du blir informert om hva som skjer, har du ingenting å frykte. Nye biler eller kjøleskap høres kanskje rart ut for deg, men jeg tror absolutt ikke at vi får se oppvåkningen av 'sterke AI-er'.

Vi anbefaler å lese de beste bærbare datamaskinene på markedet

Til slutt må vi tilstå at vi ikke er eksperter på kunstig intelligens eller maskinlæring , så ikke bli overrasket over noen rare data. Hvis vi har gjort en feil, ikke nøl med å fortelle oss! Vi er tross alt ikke perfekte maskiner ennå.

Og du, hva synes du om maskinlæring og kunstig intelligens ? I hvilket aspekt mener du at de bør implementeres? Del ideene dine nedenfor.

Smart Dataapdsaslagacetawhatsnew font