Что такое
машинное обучение?
Что такое
машинное обучение?
Машинное обучение является подмножеством искусственного интеллекта. Оно предназначено для обучения компьютеров тому, как учиться на основе данных и совершенствоваться при помощи опыта, а не работать на основе явно запрограммированных алгоритмов. В процессе машинного обучения алгоритмы учатся поиску закономерностей и корреляций в больших наборах данных, а также принятию оптимальных решений и созданию прогнозов на основе этого анализа. Приложения машинного обучения улучшаются по мере использования и становятся точнее по мере роста объема доступных данных. Примеры использования машинного обучения можно найти повсюду: в доме, в корзине покупок, в развлекательных СМИ и здравоохранении.
Машинное обучение — и его компоненты в виде глубокого обучения и нейронных сетей — можно изобразить в виде концентрических подмножеств ИИ. Искусственный интеллект обрабатывает данные для принятия решений и создания прогнозов. Алгоритмы машинного обучения позволяют ИИ не только обрабатывать эти данные, но и использовать их для обучения и повышения «интеллектуальности», не требуя дополнительного программирования Искусственный интеллект является «родительским» объектом всех включенных в него подмножеств машинного обучения. Первым подмножеством является машинное обучение, внутри него располагается глубокое обучение, а затем — нейронные сети.
Машинное обучение включает различные типы моделей МО с применением различных алгоритмических методов. В зависимости от характера данных и желаемого результата можно использовать одну из четырех моделей обучения: контролируемое, неконтролируемое, полуконтролируемое или обучение с подкреплением. В рамках каждой из этих моделей может быть применен один или несколько алгоритмических методов, различающихся в отношении используемых наборов данных и предполагаемых результатов. Алгоритмы машинного обучения в основном предназначены для классификации объектов, поиска закономерностей, прогнозирования результатов и принятия обоснованных решений. Алгоритмы можно использовать по одному или комбинировать для достижения максимально возможной точности при работе со сложными и более непредсказуемыми данными.
Алгоритмы машинного обучения распознают закономерности и корреляции, благодаря чему они очень эффективно анализируют собственную окупаемость инвестиций. Компаниям, вкладывающим средства в технологии машинного обучения, эта функция позволяет практически сразу оценить операционный эффект. Ниже приведена небольшая выборка некоторых быстрорастущих областей корпоративных приложений машинного обучения.
Интеллектуальные технологии SAP, включая ИИ и машинное обучение, в действии
В своей книге «Ложные корреляции» специалист по анализу данных, выпускник Гарвардского университета Тайлер Виган (Tyler Vigan) подчеркивает: «Не все корреляции говорят о том, что в их основе лежит причинно-следственная связь». Для иллюстрации он приводит диаграмму, показывающую наличие сильной корреляции между потреблением маргарина и уровнем разводов в штате Мэн. Конечно, к этой диаграмме следует отнестись с юмором. Но если говорить более серьезно, то приложения машинного обучения уязвимы для предвзятости и ошибок — как человеческих, так и алгоритмических. А благодаря их склонности к обучению и адаптации эти ошибки и ложные корреляции могут быстро распространяться по нейронной сети и загрязнять получаемые результаты.
Дополнительную проблему представляют модели машинного обучения, в которых алгоритм и результат его работы настолько сложны, что не могут быть объяснены или поняты человеком. Эта модель носит название «черного ящика»; она подвергает компании риску из-за того, что они оказываются не в состоянии определить, как и почему алгоритм пришел к тому или иному выводу или решению.
К счастью, с увеличением сложности наборов данных и алгоритмов машинного обучения усовершенствуются и доступные инструменты и ресурсы для управления рисками. Лучшие компании работают над устранением ошибок и предвзятости, создавая надежные и современные руководства по управлению ИИ и протоколы лучших практик.