В последнее десятилетие использование машинного обучения быстро распространилось по информатике и не только. Сейчас ML используется в веб-поиске, спаме, фильтрах, системах рекомендаций, размещении рекламы, кредитном скоринге, обнаружении мошенничества, торговле акциями, разработке лекарств и во многом другом.
В недавнем отчете института McKinsey утверждается, что машинное обучение (также известное как интеллектуальный анализ данных или прогнозная аналитика) станет драйвером следующей большой волны инновации.
Внедрение ИИ технологий позволяет компаниям сократить количество ошибок, повысить эффективность и настроить непрерывный процесс. Организациям часто нелегко угнаться за динамичными изменениями в технологии искусственного интеллекта. Эту работу лучше доверить настоящим профессионалам. Благодаря многолетнему опыту KLONA смогут точно определить что именно в Вашем бизнесе нуждается в оптимизации и предложат инновационные решения проблемы.
Содержание
ИИ, машинное обучение, глубокое обучение: в чем отличие?
В прошлой статье мы рассказывали о понятии ИИ, где также упоминали машинное и глубокое обучения. Чем они отличаются от искусственного интеллекта? Все просто: все эти три технологии образует своего рода иерархию.
На самом высоком уровне ИИ — это использование компьютеров или машин для имитации способностей человеческого разума решать проблемы и принимать решения.
А машинное обучение — это подмножество искусственного интеллекта, которое, как известно, в большей степени ориентировано на использование алгоритмов самообучения, которые извлекают знания из готовых сведений для прогнозирования результатов.
Глубокое обучение — это подмножество ML, потому что оно автоматизирует многие операции, процесс извлечения признаков и устраняет часть человеческого вмешательства, чтобы позволить использовать некоторые очень большие объемы информации. Но обо всем по порядку.
Что же такое машинное обучение?
Как зазначалось, машинное обучение (machine learning) — это один из способов использования ИИ. В конце 50-х годов автор одной из первых в мире самообучающихся программ Артур Сэмюэл определил ML как «область исследования, которая дает компьютерам возможность учиться без явного программирования».
В традиционном программировании, каким мы его знаем, с помощью программы и вводных данных ищется исходный результат, а целью машинного обучения при наличии данных и желаемого результата, найти программу.
Читайте также: Как нейросети генерируют и распознают картинки? Лучшие ИИ генераторы артов
Как компьютеры обучаются?
Профессор Массачусетского института технологий Гримсон выделяет два способа обучения.
На самом деле, в компьютеров, все как и в людей. Как люди учатся? Тут есть пару вариантов. Первый из них — запоминание фактов. Запоминайте столько, сколько сможете. Держите Википедию в заднем кармане. Это пример декларативных знаний.
Но лучший способ учиться — это уметь делать выводы, выводить новую информацию из старой. И это пример того, что мы называем императивным знанием — способе вывода новых фактов.
Какие бывают алгоритмы машинного обучения?
Представитель Вашингтонского университета выделяет целых 3 компонента обучающих алгоритмов ML.
Предположим у вас сложилась ситуация, которую хотите решить с помощью машинного обучения. Какой же вариант среди большого разнообразия алгоритмов ML выбрать? Сейчас в доступе тысячи таких и сотни публикуют каждый год. Как не потеряться? На самом деле, каждый алгоритм — комбинация из 3 основных компонентов.
Эти компоненты:
- Репрезентация
Классификатор должен быть представлен в некотором формальном языке, чтобы компьютер мог понять о чем речь. И наоборот, выбор репрезентации для обучающего равносильно выбору набора классификаторов, что он может изучить. Этот набор называется пространством гипотез ученика.
- Анализ
Функция анализа (также называемая объективной функция или оценочная функция) необходима, чтобы различать хорошие классификаторы от плохих.
- Оптимизация
Наконец, нам нужен метод для поиска среди классификаторов, чтобы определить какой наиболее эффективный. Для новых учащихся характерно начинать с использования готовых оптимизаторов, что позже бывают заменены на специально разработанные.
Типы машинного обучения
Теперь предлагаю больше сосредоточиться на типах ML. Выделяют всего 3 основных: контролируемое обучение (supervised), неконтролируемое (unsupervised) и обучение с подкреплением (reinforcement)
Контролируемое обучение
Это когда мы используем уже “помеченные” сведения для обучения алгоритмов прогнозированию результатов. Под словом «помечены» подразумевается, что строки в наборе информации обработаны или классифицированы таким интересным образом, что из них можно извлечь информацию.
На основе “помеченных” данных и известных реакций на них, алгоритмы обучают модель генерировать реакции на новые данные.
Есть 2 способа применения алгоритмов обучения с учителем: классификация и регрессия. На самом деле, все зависит от сферы применения.
- Классификация
Модель этого метода распознает и группирует идеи или объекты в уже предопределенные категории.
Примером этого в реальном мире является удержание клиентов.
Одной из целей управления клиентами обычно является минимизация и выявление оттока клиентов, то есть клиентов, которые больше не покупают определенный продукт или услугу. И надо избежать этого оттока, сохранить старых клиентов, поскольку почти всегда привлечение нового клиента обходится дороже, чем удержание существующего.
Итак, если у нас есть исторические данные о клиенте, например, об их активности — уходили ли они или нет — и мы можем построить модель классификации, используя машинное обучение с учителем. Теперь наш “помеченный” набор данных поможет нам идентифицировать клиентов, которые вот-вот уйдут, чтобы нам затем принять меры, чтобы сохранить их.
Среди общих примеров алгоритмов классификации линейные классификаторы, машины опорных векторов, деревья решений, случайные леса.
- Регрессия
Другой пример — регресс. Выход здесь представляет собой непрерывное значение, как например цена или вероятность.
Линейные и логистические регрессии — 2 распространенных типа этого метода.
Неконтролируемое обучение
Обучение без учителя используют в поиске скрытых закономерностей в данных, которые модели контролируемого обучения просто не найдут.
Хотя и классификация больших объемов сведений может стать настоящей проблемой при контролируем обучении, результаты отличаются высокой точностью.
Неконтролируемое обучение позволяет обрабатывать большие объемы информации в режиме реального времени, но отсутствует ясность того, как эти данные группируются, есть риск получить неточные результаты.
Модели обучения без учителя используются в основном для 3 задач.
- Кластеринг
И реальный пример кластеризации — это сегментация клиентов в организациях.
Когда компании пытаются проводить эффективный маркетинг, очень важно, чтобы они действительно понимали, кто их клиенты. И часто неясно, чем определенные клиенты похожи или отличаются друг от друга. Алгоритмы кластеризации могут помочь учесть разнообразные данные клиента, как его история покупок, активность в социальных сетях или веб-сайтах, и даже расположение клиента, чтобы сгруппировать похожих клиентов. Благодаря этому, компании могут отправлять наиболее удачные предложения и предоставлять лучшее обслуживание.
- Уменьшение размерности
Это относится к методам, которые уменьшают количество входных переменных в наборах сведений, чтобы не допустить избыточных параметров, которые оказывают большое влияние на результат.
- Ассоциация
Обучение с подкреплением
Теперь это форма полуконтролируемого обучения, когда у нас обычно есть агент или система и среда. И среда будет либо вознаграждать агента за правильные ходы или наказывать его за неправильные ходы.
И так, через множество итераций мы можем научить систему конкретной задаче.
Отличным примером применения этого метода в реальном мире являются беспилотные автомобили.
Итак, автономное вождение имеет несколько факторов, верно? Есть ограничение скорости, есть проезжие зоны, есть столкновения и так далее. Таким образом, мы можем использовать формы обучения с подкреплением, чтобы научить систему управлять автомобилем, избегая столкновений, соблюдая скоростной режим и так далее.
Читайте также: Как создают графику в играх, от которых не оторваться?
Что такое глубокое обучение (deep learning)?
Концепция глубокого обучения не нова, но в последнее время шумиха вокруг технологии только растет и получает все больше внимания.
Вы можете рассматривать модель DL как ракетный двигатель, и его топливо — это огромное количество данных, что мы скармливаем этим алгоритмам. Глубокое обучение — это подмножество интеллектуального анализа, что было основано на технологии искусственных нейросетей (ИНС).
Модель глубокого обучения в свою основу взяла функцию работы клеток нашего мозга, называемых нейронами. Алгоритмы DL используют сложные многослойные нейросети, в которых информация передается от одного слоя к другому по соединительным каналам. Их еще называют взвешенным, поскольку к каждому из них привязано значение.
Позвольте мне начать с простого примера и объяснить вам, как все происходит на концептуальном уровне. Давайте попробуем понять, как отличить квадрат от других фигур.
Первое, что вы делаете, это проверяете, есть ли четыре линии, связанные в фигуре. Если да, то дополнительно проверяем, если они подключены и закрыты. Мы наконец проверим перпендикулярен ли он, и равны ли все его стороны. Если все сходится, то да, это квадрат.
Как видим, это не что иное, как вложенная иерархия понятий. Что мы сделали здесь, так это взяли на себя сложную задачу определения квадрата и разбили задачу на более простые подзадачи.
Машинное обучение Vs. глубокое обучение. В чем отличия?
Какими бы похожими не казались эти две технологии, между ними есть ряд отличий. Предлагаем рассмотреть несколько из них.
- Глубокое обучение решает сложные задачи ML.
- В машинном обучении для получения результатов требуется больше человеческого вмешательства, нежели в глубоком обучении, но системы DL более сложны в настройке, требуют гораздо больше времени.
- Машинное обучение можно проводить с помощью ЦП (центрального процессора). Для DL требуется выделенный графический процессор.
- Алгоритмы DL могут давать результаты немедленно (хотя качество, вероятно, со временем улучшится по мере того, как будет доступно больше данных).
- В системах машинного обучения люди явно занимаются разработкой функций. В DL разработка функций не требуется, поскольку важные функции автоматически обнаруживаются нейросетями.
- Приложения машинного обучения проще по сравнению с глубоким обучением и могут выполняться на стандартных компьютерах. Системы глубокого обучения используют гораздо более мощное оборудование и ресурсы.
Все так идеально? Перспективы ML и DL
Несмотря на то, что как машинное обучение, так и глубокое обучение уже реформируют широкий спектр отраслей, включая здравоохранение, финансы, розничную торговлю и транспорт путем автоматизации процессов принятия решений, технологии имеют и свои недостатки.
Люди могут думать о мире, используя абстрактные концепции, и могут изменять эти концепции, чтобы адаптироваться к новым ситуациям. Машинное обучение не может.
Это правда, что боты, работающие на основе машинного обучения, могут играть в сложные настольные или видеоигры лучше, чем самый опытный человек. Тем не менее, они требуют тщательного построения, а их статистический способ обучения делает их таланты узкими и негибкими. Эта жесткость ограничивает то, что ИИ смог сделать для нас.
Это одна из причин, по которой самоуправляемые автомобили сталкиваются с неожиданными дорожными ситуациями. Ограниченные возможности машинного обучения также могут преподнести забавные или неприятные сюрпризы.
Игровые боты, основанные на МО, нашли способы взломать симуляции, в которых они тестировались. Программное обеспечение для обработки изображений и текста иногда учится повторять или усиливать социальные стереотипы о расе и поле. Машины могут учиться, но все же нуждаются в тщательном обучении людей.
А пока еще машинам есть чему поучиться у людей, им очень немногое можно доверить. Как, например, проектирование 3D модели, создание игры или электроники, разработку сайта или мобильного приложения лучше доверить экспертам в своей сфере. Компания KLONA предоставляет целый ряд услуг помимо перечисленных выше. Обратитесь к KLONA со своей задачей и наша команда подскажет Вам верное решение.
