Mi az a gépi tanulás?
Ezt a weboldalt az Ön kényelme érdekében gépileg lefordították. Az SAP semmilyen garanciát nem vállal a gépi fordítás helyességére és teljességére vonatkozóan. Az eredeti angol weboldalt az oldal jobb felső sarkában található világtérkép segítségével lehet megtalálni.
A gépi tanulás a mesterséges intelligencia (AI) részhalmaza. Célja, hogy a számítógépek tanuljanak az adatokból, és tapasztalatokkal javítsanak – ahelyett, hogy kifejezetten erre programoznák őket. A gépi tanulásban az algoritmusokat arra tanítják, hogy nagy adathalmazokban mintákat és korrelációkat találjanak, és az elemzés alapján a legjobb döntéseket és előrejelzéseket hozzák. A gépi tanulás alkalmazásainak használata javul, és pontosabbá válnak, minél több adathoz férnek hozzá. A gépi tanulás alkalmazásai mind körülöttünk vannak – otthonunkban, bevásárlókosarainkban, szórakoztató médiánkban, egészségügyi ellátásunkban.
Hogyan kapcsolódik a gépi tanulás az MI-hez?
A gépi tanulás – valamint a mély tanulás és a neurális hálózatok komponensei – mind illeszkednek a mesterséges intelligencia koncentrikus részhalmazaiba. Az AI a döntések és előrejelzések meghozatalához dolgozza fel az adatokat. A gépi tanulás algoritmusai lehetővé teszik, hogy az AI ne csak feldolgozza ezeket az adatokat, hanem arra is használja, hogy tanuljon és intelligensebbé váljon anélkül, hogy további programozásra lenne szüksége. A mesterséges intelligencia az alatta lévő összes gépi tanulási részhalmaz szülője. Az első részhalmazon belül a gépi tanulás; azon belül a mély tanulás, majd azon belüli neurális hálózatok.
A mesterséges intelligencia és a gépi tanulás közötti kapcsolat ábrája
Mi az a neurális hálózat?
Egy mesterséges neurális hálózatot (ANN) modelleznek a neuronokon egy biológiai agyban. A mesterséges neuronokat csomópontoknak nevezik, és több rétegben csoportosulnak, párhuzamosan működnek. Amikor egy mesterséges neuron numerikus jelet kap, feldolgozza, és a hozzá csatlakozó többi neuront is jelzi. Az emberi agyhoz hasonlóan a neurális erősítés is jobb mintafelismerést, szakértelmet és általános tanulást eredményez.
Mi az a mély tanulás?
Ezt a fajta gépi tanulást „mélynek” hívják, mert a neurális hálózat számos rétegét, valamint az összetett és eltérő adatok hatalmas volumenét tartalmazza. A mélyreható tanulás elérése érdekében a rendszer több réteggel is bekapcsolódik a hálózatba, egyre magasabb szintű kimeneteket nyerve ki. Például egy mély tanulási rendszer, amely természetképeket dolgoz fel és keresi a Gloriosa daisies-t, az első rétegben felismeri a növényt. Ahogy áthalad a neurális rétegeken, akkor beazonosít egy virágot, majd egy daisyt, végül pedig egy Gloriosa daisyt. A mély tanulási alkalmazások közé tartozik például a beszédfelismerés, a képosztályozás és a gyógyszerelemzés.
Hogyan működik a gépi tanulás?
A gépi tanulás különböző típusú gépi tanulási modellekből áll, különböző algoritmikus technikákat alkalmazva. Az adatok jellegétől és a kívánt eredménytől függően négy tanulási modell közül egy használható: felügyelt, felügyelet nélküli, félfelügyelt vagy megerősítés. Az egyes modelleken belül egy vagy több algoritmikus technika alkalmazható – a használatban lévő adathalmazokhoz és a tervezett eredményekhez viszonyítva. A gépi tanulási algoritmusok alapvetően úgy vannak kialakítva, hogy osztályozzák a dolgokat, mintákat találjanak, eredményeket jósoljanak és megalapozott döntéseket hozzanak. Az algoritmusok használhatók egyesével, vagy kombinálhatók a lehető legjobb pontosság elérése érdekében, ha összetett és kiszámíthatatlanabb adatokról van szó.
A gépi tanulási folyamat működése
Mi a felügyelt tanulás?
A felügyelt tanulás négy gépi tanulási modell közül az első. Felügyelt tanulási algoritmusokban a gépet a példa tanítja. A felügyelt tanulási modellek „beviteli” és „kimeneti” adatpárokból állnak, ahol a kimenet a kívánt értékkel van címkézve. Mondjuk például az a cél, hogy a gép megmondja a különbséget a daisie-k és a panziók között. Egy bináris bemeneti adatpár tartalmazza a daisy és a pansy képét is. Az adott párnak az a kívánt kimenetele, hogy kiválasszák a daisyt, így előre meg lesz határozva, hogy ez a helyes eredmény.
Egy algoritmus segítségével a rendszer összeállítja az összes tanítási adatot az idő múlásával, és elkezdi meghatározni a korrelációs hasonlóságokat, különbségeket és más logikai pontokat – amíg meg tudja jósolni a daisy-or-pansy kérdésekre adott válaszokat. Ez egyenértékű azzal, hogy egy gyermeknek egy válaszkulccsal járó problémákat ad, majd arra kéri őket, hogy mutassák be a munkájukat és magyarázzák el a logikájukat. A felügyelt tanulási modellek számos olyan alkalmazásban használatosak, amelyekkel nap mint nap interakcióba lépünk, mint például a termékek ajánlómotorjai és az olyan forgalomelemző alkalmazások, mint a Waze, amelyek a leggyorsabb utat jelzik előre különböző napszakokban.
Mi a felügyelet nélküli tanulás?
A felügyelet nélküli tanulás a második a négy gépi tanulási modell közül. Felügyelet nélküli tanulási modellekben nincs válaszkulcs. A gép tanulmányozza a bemeneti adatokat – melyek nagy része címkézés nélküli és strukturálatlan –, és az összes releváns, hozzáférhető adat felhasználásával megkezdi a minták és korrelációk azonosítását. Többféleképpen modellezik a felügyelet nélküli tanulást arról, hogy az ember hogyan figyeli meg a világot. Az intuícióval és a tapasztalattal csoportosítjuk a dolgokat. Ahogy egyre több példát tapasztalunk valamire, egyre pontosabbá válik a kategorizálási és azonosítási képességünk. Gépek esetében a »tapasztalatot« a bevitt és rendelkezésre bocsátott adatok mennyisége határozza meg. A nem felügyelt tanulási alkalmazások gyakori példái közé tartozik az arcfelismerés, a génszekvencia-elemzés, a piackutatás és a kiberbiztonság.
Mi az a félig felügyelt tanulás?
A félig felügyelt tanulás a négy gépi tanulási modell közül a harmadik. Tökéletes világban minden adatot strukturálnának és címkéznének, mielőtt bevinnék egy rendszerbe. De mivel ez nyilvánvalóan nem megvalósítható, a félig felügyelt tanulás akkor válik működőképes megoldássá, amikor hatalmas mennyiségű nyers, strukturálatlan adat van jelen. Ez a modell kis mennyiségű címkézett adat beviteléből áll a címkével nem ellátott adathalmazok bővítéséhez. Lényegében a címkézett adatok arra szolgálnak, hogy elindítsák a rendszer működését, és jelentősen javíthatják a tanulási sebességet és pontosságot. Egy félig felügyelt tanulási algoritmus arra utasítja a gépet, hogy elemezze a címkézett adatokat a nem címkézett adatokra alkalmazható korrelációs tulajdonságokhoz.
Az MIT Sajtókutatásról szóló tanulmányban részletesen kifejtettek szerint azonban vannak olyan kockázatok ezzel a modellel kapcsolatban, ahol a címkével ellátott adatok hibái megtanulhatók és replikálódnak a rendszerben. Az előfelügyelt tanulást legsikeresebben alkalmazó vállalatok biztosítják a bevált gyakorlatok protokolljainak meglétét. A félig felügyelt tanulást használják a beszéd- és nyelvelemzésben, az olyan komplex orvosi kutatásokban, mint a fehérje kategorizálás és a magas szintű csalásfelderítés.
Mi az erősítés tanulás?
A megerősített tanulás a negyedik gépi tanulási modell. A felügyelt tanulásban a gép megkapja a válaszkulcsot és tanul azáltal, hogy megtalálja a korrelációkat az összes helyes eredmény között. A megerősített tanulási modell nem tartalmaz válaszkulcsot, hanem megad egy sor megengedett intézkedést, szabályt és potenciális végállapotot. Ha az algoritmus kívánt célja rögzített vagy bináris, a gépek például tanulhatnak. Azokban az esetekben azonban, amikor a kívánt eredmény változékony, a rendszernek tapasztalatból és jutalomból kell tanulnia. A megerősített tanulási modellekben a „jutalom” numerikus, és úgy van beprogramozva az algoritmusba, mint amit a rendszer gyűjteni próbál.
Ez a modell sok szempontból hasonlít arra, hogy megtanít valakit sakkozni. Természetesen lehetetlen lenne minden lehetséges lépést megmutatni nekik. Ehelyett elmagyarázzák a szabályokat, és a gyakorlaton keresztül építik fel készségeiket. A jutalmak nem csak a játék megnyerése, hanem az ellenfél darabjainak megszerzése formájában érkeznek. A megerősítő tanulás alkalmazásai közé tartozik az automatizált árajánlattétel az online hirdetések vásárlóinak, számítógépes játékfejlesztés és a nagy témájú tőzsdekereskedelem.
A vállalati gépi tanulás működik
A gépi tanulás algoritmusai felismerik a mintákat és korrelációkat, ami azt jelenti, hogy nagyon jók a saját megtérülésük elemzésében. A gépi tanulási technológiákba beruházó vállalatok számára ez a funkció lehetővé teszi az operatív hatás szinte azonnali értékelését. Alább látható a vállalati gépi tanulási alkalmazások egyes növekvő területeinek egy kis mintája.
- Ajánló motorok: 2009-től 2017-ig 450%-kal nőtt a videoközvetítésre előfizető amerikai háztartások száma. A Forbes magazin egyik 2020-as cikke további, akár 70%-os ugrásról számol be a videoközvetítésben. Az ajánlómotoroknak számos kiskereskedelmi és bevásárlási platformon van alkalmazásuk, de a streaming zenével és videóvalmindenképpen a sajátjukba kerülnek.
- Dinamikus marketing: A leadek generálása és az értékesítési tölcséren keresztül történő felhasználása a lehető legtöbb ügyféladat összegyűjtését és elemzését igényli. A modern fogyasztók hatalmas mennyiségű változatos és strukturálatlan adatot generálnak – a csevegésátírásoktól a képfeltöltésekig. A gépi tanulási alkalmazások segítségével a marketingfelelősök megérthetik ezeket az adatokat – és személyre szabott marketingtartalmat, valamint valós idejű interakciót biztosíthatnak az ügyfelekkel és leadekkel.
- ERP és folyamatautomatizálás: Az ERP adatbázisok széles körű és eltérő adathalmazokat tartalmaznak, amelyek tartalmazhatnak értékesítési teljesítménystatisztikákat, fogyasztói értékeléseket, piaci trendjelentéseket és logisztikailánc-kezelési rekordokat. A gépi tanulás algoritmusai segítségével korrelációkat és mintákat kereshet az ilyen adatokban. Ezekkel az elemzésekkel gyakorlatilag az üzlet minden területét tájékoztatni lehet, ideértve a dolgok internetének (IoT) hálózaton belüli eszközei munkafolyamatainak optimalizálását, vagy az ismétlődő vagy hibalehetőségekre okot adó feladatok automatizálásának legjobb módjait.
- Prediktív karbantartás: A modern ellátási láncok és intelligens gyárak egyre inkább kihasználják az IoT eszközeit és gépeit, valamint valamennyi flottájuk és műveletük felhőkapcsolatát. A leállások és a hatékonyság hiánya hatalmas költségeket és fennakadásokat eredményezhet. A karbantartási és javítási adatok manuális összegyűjtése esetén szinte lehetetlen előre jelezni a potenciális problémákat – nem is beszélve a folyamatok automatizálásáról azok előrejelzése és megelőzése érdekében. Az IoT gateway-szenzorok akár több évtizedes analóg gépekbe is beszerelhetők, ami az egész üzletre kiterjedően átláthatóságot és hatékonyságot biztosít.
Kezdjen ma hozzá
Lásd: SAP intelligens technológiák, beleértve a mesterséges intelligenciát és a gépi tanulást működés közben.
Gépi tanulás kihívásai
Az adattudós és a Harvard-érettségiző Tyler Vigan című könyvében rámutat, hogy „nem minden korreláció jelzi az ok-okozati összefüggést.” Ennek szemléltetésére egy diagramot is tartalmaz, amely nyilvánvalóan erős összefüggést mutat a margarinfogyasztás és a válások aránya között Maine államban. Természetesen ennek a diagramnak az a célja, hogy humoros pontot tegyen. Komolyabb megjegyzés azonban az, hogy a gépi tanulási alkalmazások ki vannak téve az emberi és algoritmikus torzításnak és hibának is. És a tanulási és alkalmazkodási hajlandóságuk miatt a hibák és a hamis korrelációk gyorsan terjeszthetik és szennyezhetik az eredményeket a neurális hálózatban.
További kihívást jelentenek a gépi tanulási modellek, ahol az algoritmus és kimenete annyira összetett, hogy az ember nem tudja azokat megmagyarázni vagy megérteni. Ezt „black box” modellnek hívják, és veszélybe sodorja a vállalatokat, ha nem tudják meghatározni, hogyan és miért jutott egy algoritmus egy adott következtetésre vagy döntésre.
Szerencsére, ahogy az adathalmazok és a gépi tanulási algoritmusok összetettsége növekszik, így a kockázatok kezeléséhez rendelkezésre álló eszközök és erőforrások. A legjobb vállalatok a hibák és az elfogultság kiküszöbölésén dolgoznak azáltal, hogy megbízható és naprakész mesterséges intelligenciákra vonatkozó irányítási iránymutatásokat és bevált gyakorlati protokollokat dolgoznak ki.
A gépi tanulás
előnyeinek kihasználása
Kövesse a „gyors tanulók” nyomdokain ezt az öt tanulást.
Gépi tanulás GYIK
A gépi tanulás az AI részhalmaza, és nem létezhet nélkül. Az AI a döntések és előrejelzések meghozatalához használja és dolgozza fel az adatokat – ez egy számítógép alapú rendszer agya és a gépek által kiállított „intelligencia”. Az AI-n belüli gépi tanulási algoritmusok, valamint más AI-alapú alkalmazások lehetővé teszik a rendszer számára, hogy ne csak feldolgozza ezeket az adatokat, hanem feladatok végrehajtására, előrejelzések készítésére, tanulásra és intelligenciára is felhasználja őket anélkül, hogy további programozásra lenne szüksége. Valami célorientált dolgot adnak az MI-nek, hogy mindazzal az intelligenciával és adattal foglalkozzanak.
Igen, de üzleti törekvésként kell megközelíteni, nem csak informatikai fejlesztésként. Azok a vállalatok, amelyek digitális átalakítási projektjeikkel a legjobb eredményeket érik el, kimerítetlenül értékelik meglévő erőforrásaikat és készségkészleteiket, és gondoskodnak arról, hogy az első lépések előtt megfelelő alaprendszerekkel rendelkezzenek.
A gépi tanuláshoz viszonyítva az adattudomány egy részhalmaz; statisztikákra és algoritmusokra fókuszál, regressziós és osztályozási technikákat használ, valamint értelmezi és kommunikálja az eredményeket. A gépi tanulás a programozásra, az automatizálásra, a skálázásra, valamint a raktározási eredményekre összpontosít.
A gépi tanulás a mintákat és a korrelációkat vizsgálja; ezekből tanul, és úgy optimalizálja magát, ahogy halad. Az adatbányászat a gépi tanulás információforrásaként használatos. Az adatbányászati technikák maguk is használnak komplex algoritmusokat, és segíthetnek a gépi tanulási alkalmazás számára jobban szervezett adathalmazok biztosításában.
A mesterséges neurális hálózattal összekapcsolt neuronokat csomópontoknak nevezzük, amelyek rétegekben kapcsolódnak össze és klaszteresednek. Amikor egy csomópont numerikus jelet kap, más releváns neuronokat jelez, amelyek párhuzamosan működnek. A mélytanulás a neurális hálózatot használja, és „mély”, mert nagyon nagy mennyiségű adatot használ fel, és egyszerre több réteget használ a neurális hálózatban.
A gépi tanulás számos tanulási modell, technika és technológia amalgámja, ami statisztikát is tartalmazhat. Maga a statisztika az adatok használatára fókuszál előrejelzések készítéséhez és elemzési modellek létrehozásához.
SAP Insights hírlevél
Feliratkozás ma
Kulcsfontosságú betekintést nyerhet hírlevelünkre való feliratkozással.