Przejdź do zawartości
Uczenie maszynowe identyfikujące samochody

Co to jest uczenie maszynowe?

Uczenie maszynowe to podzbiór sztucznej inteligencji (AI). Koncentruje się ona na nauczaniu komputerów do uczenia się na podstawie danych i doskonalenia dzięki doświadczeniu – zamiast być do tego wyraźnie zaprogramowanym. W uczeniu maszynowym algorytmy są szkolone w celu znalezienia wzorców i korelacji w dużych zbiorach danych oraz podejmowania najlepszych decyzji i prognoz na podstawie tej analizy. Korzystanie z aplikacji uczenia maszynowego poprawia się i zwiększa dokładność danych, do których mają dostęp. Zastosowania uczenia maszynowego to wszystko wokół nas – w naszych domach, koszykach zakupowych, naszych mediach rozrywkowych i naszej opiece zdrowotnej.

placeholder

Wyjaśnione uczenie maszynowe

W jaki sposób uczenie maszynowe wiąże się z sztuczną inteligencją?

Uczenie maszynowe — i jego elementy składowe w sieciach uczenia głębokiego i sieciach neuronowych — pasują jako koncentryczne podzbiory sztucznej inteligencji. Sztuczna inteligencja przetwarza dane w celu podejmowania decyzji i prognozowania. Algorytmy uczenia maszynowego pozwalają sztucznej inteligencji nie tylko przetwarzać te dane, ale też wykorzystywać je do uczenia się i mądrości, bez konieczności dodatkowego programowania. Sztuczna inteligencja jest elementem nadrzędnym wszystkich podzbiorów uczenia maszynowego znajdujących się pod nią. W pierwszym podzbiorze znajduje się uczenie maszynowe, w tym uczenie głębokie, a następnie sieci neuronowe.

Diagram przedstawiający sztuczną inteligencję a uczenie maszynowe

Schemat relacji między sztuczną inteligencją a uczeniem maszynowym

Co to jest sieć neuronowa?

 

Sztuczna sieć neuronowa (ANN) jest wzorowana na neuronach w mózgu biologicznym. Sztuczne neurony nazywane są węzłami i są zgrupowane razem w wielu warstwach, działających równolegle. Gdy sztuczny neuron otrzymuje sygnał numeryczny, przetwarza go i sygnalizuje połączone z nim inne neurony. Podobnie jak w przypadku ludzkiego mózgu, wzmocnienie neuronów skutkuje lepszym rozpoznawaniem wzorców, wiedzą fachową i ogólną nauką.

 

Czym jest głębokie uczenie się?

 

Ten rodzaj uczenia maszynowego nazywa się „głębokim”, ponieważ zawiera wiele warstw sieci neuronowej oraz ogromne ilości złożonych i rozproszonych danych. Aby osiągnąć głębokie uczenie się, system współpracuje z wieloma warstwami sieci, wyodrębniając coraz więcej wyników na wyższym poziomie. Na przykład system uczenia głębokiego, który zajmuje się przetwarzaniem obrazów przyrody i szukaniem daisies Gloriosa, będzie – w pierwszej warstwie – rozpoznawał roślinę. W miarę poruszania się przez warstwy neuronowe identyfikuje wtedy kwiat, potem daisy, a w końcu daisy Gloriosa. Przykłady zastosowań uczenia głębokiego obejmują rozpoznawanie mowy, klasyfikację obrazu i analizę farmaceutyczną.

Jak działa uczenie maszynowe?

Uczenie maszynowe składa się z różnych typów modeli uczenia maszynowego z wykorzystaniem różnych technik algorytmicznych. W zależności od charakteru danych i pożądanego wyniku można zastosować jeden z czterech modeli uczenia się: nadzorowany, nienadzorowany, częściowo nadzorowany lub wzmocniony. W ramach każdego z tych modeli można stosować jedną lub więcej technik algorytmicznych – w stosunku do wykorzystywanych zbiorów danych i zamierzonych wyników. Algorytmy uczenia maszynowego są zasadniczo zaprojektowane w celu klasyfikowania rzeczy, znajdowania wzorców, przewidywania wyników i podejmowania świadomych decyzji. Algorytmy mogą być używane pojedynczo lub łączone w celu uzyskania najlepszej możliwej dokładności w przypadku stosowania złożonych i bardziej nieprzewidywalnych danych. 

Diagram przedstawiający sposób działania uczenia maszynowego

Jak działa proces uczenia maszynowego

Czym jest uczenie nadzorowane?

 

Uczenie nadzorowane jest pierwszym z czterech modeli uczenia maszynowego. W algorytmach uczenia nadzorowanego maszyna jest uczona na przykład. Nadzorowane modele uczenia składają się z par danych „wejściowych” i „wyjściowych”, gdzie dane wyjściowe są oznaczone żądaną wartością. Załóżmy na przykład, że celem maszyny jest określenie różnicy między daisies a pansies. Jedna binarna para danych wejściowych zawiera zarówno obraz daisy, jak i obraz pansy. Pożądanym wynikiem dla tej konkretnej pary jest wybranie daisy, więc zostanie ona wstępnie zidentyfikowana jako właściwy wynik.

 

Za pomocą algorytmu system kompiluje wszystkie te dane analizy w czasie i zaczyna określać skorelowane podobieństwa, różnice i inne punkty logiki – dopóki nie będzie w stanie przewidzieć odpowiedzi na pytania daisy-or-pansy. Jest to odpowiednik oddania dziecku zestawu problemów z kluczem odpowiedzi, a następnie poproszenie ich o pokazanie pracy i wyjaśnienie ich logiki. Nadzorowane modele uczenia się są używane w wielu aplikacjach, z którymi codziennie korzystamy, takich jak mechanizmy rekomendacji dla produktów i aplikacje do analizy ruchu, takie jak Waze, które przewidują najszybszą trasę w różnych porach dnia.

 

Czym jest uczenie nienadzorowane?

 

Uczenie nienadzorowane jest drugim z czterech modeli uczenia maszynowego. W modelach uczenia nienadzorowanego nie ma klucza odpowiedzi. Maszyna analizuje dane wejściowe – większość z nich jest nieoznaczona i nieuporządkowana – i zaczyna identyfikować wzorce i korelacje, wykorzystując wszystkie istotne, dostępne dane. Nauka nienadzorowana pod wieloma względami jest wzorowana na tym, jak ludzie obserwują świat. Do grupowania spraw wykorzystujemy intuicję i doświadczenie. Wraz z doświadczeniem coraz większej liczby przykładów czegoś, nasza umiejętność kategoryzacji i identyfikacji staje się coraz dokładniejsza. W przypadku maszyn „doświadczenie” definiuje się przez ilość danych, które są danymi wejściowymi i są udostępniane. Do powszechnych przykładów zastosowań uczenia nienadzorowanego należą rozpoznawanie twarzy, analiza sekwencji genów, badania rynku i cyberbezpieczeństwo.

 

Na czym polega uczenie częściowo nadzorowane?

 

Uczenie częściowo nadzorowane jest trzecią z czterech modeli uczenia maszynowego. W idealnym świecie wszystkie dane byłyby ustrukturyzowane i oznaczone przed wprowadzeniem do systemu. Ponieważ jednak nie jest to oczywiście możliwe, uczenie się w połowie nadzorowane staje się praktycznym rozwiązaniem, gdy znajdują się ogromne ilości nieprzetworzonych danych. Ten model polega na wprowadzaniu małych ilości oznaczonych danych w celu rozszerzenia zbiorów danych bez etykiety. Zasadniczo dane opatrzone etykietą działają na rzecz uruchomienia systemu i mogą znacznie poprawić szybkość i dokładność uczenia się. Algorytm uczenia częściowo nadzorowanego instruuje maszynę, aby analizowała oznaczone dane pod kątem korelacji właściwości, które można zastosować do danych bez etykiety.

 

Jak dogłębnie przeanalizowano w dokumencie badawczym MIT Press, istnieje jednak ryzyko związane z tym modelem, gdzie błędy w oznaczonych danych są wyuczane i replikowane przez system. Firmy, które z największym powodzeniem korzystają z uczenia częściowo nadzorowanego, zapewniają wdrożenie protokołów najlepszych praktyk. Uczenie częściowo nadzorowane jest wykorzystywane w analizie mowy i językowej, złożonych badaniach medycznych, takich jak kategoryzacja białek i wykrywanie oszustw wysokiego poziomu.

 

Czym jest uczenie się wzmacniania?

 

Uczenie wzmacniające jest czwartym modelem uczenia maszynowego. W uczeniu nadzorowanym maszyna otrzymuje klucz odpowiedzi i uczy się poprzez odnajdywanie korelacji pomiędzy wszystkimi prawidłowymi wynikami. Model uczenia się wzmacniania nie zawiera klucza odpowiedzi, lecz zawiera zbiór dozwolonych czynności, reguł i potencjalnych stanów końcowych. Jeśli żądany cel algorytmu jest stały lub binarny, maszyny mogą uczyć się na przykładzie. Jednak w przypadkach, w których pożądany wynik jest zmienny, system musi uczyć się poprzez doświadczenie i nagrody. W modelach uczenia wzmacniania „nagroda” jest liczbowa i jest zaprogramowana do algorytmu, ponieważ system próbuje zebrać.

 

Pod wieloma względami ten model jest analogiczny do nauczania kogoś jak grać w szachy. Na pewno niemożliwe byłoby podjęcie próby pokazania im każdego potencjalnego ruchu. Zamiast tego wyjaśniasz reguły i zdobywają one swoje umiejętności poprzez praktykę. Nagrody przybierają formę nie tylko wygrywania gry, ale także nabywania kawałków przeciwnika. Zastosowania szkoleń wzmacniających obejmują zautomatyzowane licytacje cenowe dla nabywców reklam internetowych, opracowywanie gier komputerowych oraz handel giełdami akcji o wysokich stawkach.

Uczenie maszynowe w przedsiębiorstwie w działaniu

Algorytmy uczenia maszynowego rozpoznają wzorce i korelacje, co oznacza, że bardzo dobrze analizują własny zwrot z inwestycji. Dla przedsiębiorstw, które inwestują w technologie uczenia maszynowego, funkcja ta umożliwia niemal natychmiastową ocenę skutków operacyjnych. Poniżej znajduje się tylko niewielka próbka niektórych z rozwijających się obszarów aplikacji uczenia maszynowego dla przedsiębiorstw.

  • Mechanizmy rekomendacji: W latach 2009–2017 liczba gospodarstw domowych w Stanach Zjednoczonych subskrybujących usługi przesyłania strumieniowego wideo wzrosła o 450%. A artykuł z 2020 roku w magazynie Forbes donosi o dalszym wzroście w wykorzystaniu strumieniowego transmisji wideo wynoszącym do 70%. Mechanizmy rekomendacji mają aplikacje na wielu platformach handlu detalicznego i zakupów, ale z pewnością stają się samodzielne dzięki usługom przesyłania strumieniowego muzyki i wideo.
  • Dynamiczny marketing: Generowanie potencjalnych szans i wykorzystywanie ich za pośrednictwem lejka sprzedaży wymaga możliwości gromadzenia i analizowania jak największej ilości danych o klientach. Nowocześni konsumenci generują ogromną ilość zróżnicowanych i nieuporządkowanych danych – od transkrypcji czatu po przesyłanie obrazów. Korzystanie z aplikacji uczenia maszynowego pomaga specjalistom ds. marketingu zrozumieć te dane i wykorzystać je do dostarczania spersonalizowanych treści marketingowych oraz pozyskiwania klientów i potencjalnych szans w czasie rzeczywistym.
  • ERP i automatyzacja procesów: bazy danych ERP zawierają rozbudowane i rozproszone zbiory danych, które mogą obejmować statystyki wydajności sprzedaży, oceny konsumentów, raporty trendów rynkowych i rekordy zarządzania łańcuchem dostaw. Do wyszukiwania korelacji i wzorców w takich danych można używać algorytmów uczenia maszynowego. Analizy te mogą być następnie wykorzystywane do informowania praktycznie każdego obszaru działalności, z uwzględnieniem optymalizacji procesów workflow urządzeń IoT w ramach sieci lub najlepszych sposobów automatyzacji powtarzalnych lub podatnych na błędy zadań.
  • Prognozowana konserwacja: Nowoczesne łańcuchy dostaw i inteligentne fabryki w coraz większym stopniu korzystają z urządzeń i maszyn IoT, a także z łączności w chmurze we wszystkich swoich flotach i operacjach. Przestoje i nieefektywność mogą skutkować ogromnymi kosztami i zakłóceniami. Gdy dane dotyczące konserwacji i naprawy są zbierane ręcznie, niemal niemożliwe jest przewidywanie potencjalnych problemów – nie mówiąc już o automatyzacji procesów w celu ich przewidywania i zapobiegania. Czujniki bramki IoT mogą być przystosowane do nawet kilkudziesięcioletnich maszyn analogowych, zapewniając widoczność i wydajność w całej firmie.
placeholder

Zacznij już dziś

Poznaj inteligentne technologie SAP, w tym sztuczną inteligencję i uczenie maszynowe w działaniu.

Wyzwania związane z uczeniem maszynowym

W swojej książce „Spurious Correlations” naukowiec ds. danych i absolwent Harvard Tyler Vigan zwraca uwagę, że “nie wszystkie korelacje wskazują na związek przyczynowy”. Aby to zilustrować, przedstawia wykres pokazujący wyraźną korelację pomiędzy spożyciem margaryny a wskaźnikiem rozwodów w stanie Maine. Oczywiście ta mapa ma na celu zrobienie humorystycznego punktu. Jednak w bardziej poważnej kwestii aplikacje uczenia maszynowego są podatne zarówno na błędy, jak i błędy ludzkie i algorytmiczne. A ze względu na ich skłonność do nauki i adaptacji, błędy i fałszywe korelacje mogą szybko propagować i zanieczyszczać wyniki w całej sieci neuronowej.

 

Dodatkowym wyzwaniem są modele uczenia maszynowego, w których algorytm i jego wyjście są tak złożone, że nie mogą być wyjaśnione ani zrozumiane przez człowieka. Jest to tzw. model „czarnej skrzynki” i naraża firmy na ryzyko, gdy nie są w stanie ustalić, w jaki sposób i dlaczego algorytm doszedł do konkretnego wniosku lub decyzji.

 

Na szczęście wraz ze wzrostem złożoności zbiorów danych i algorytmów uczenia maszynowego, a także narzędzi i zasobów do zarządzania ryzykiem. Najlepsze firmy starają się wyeliminować błędy i stronniczość, opracowując solidne i aktualne wytyczne dotyczące nadzoru nad sztuczną inteligencją oraz protokoły najlepszych praktyk.

placeholder

Optymalne wykorzystanie uczenia
maszynowego

Podążaj śladem „osób szybko uczących się”, korzystając z tych pięciu zdobytych doświadczeń.

Często zadawane pytania dotyczące uczenia maszynowego

Uczenie maszynowe jest podzbiorem AI i nie może istnieć bez niego. Sztuczna inteligencja wykorzystuje i przetwarza dane do podejmowania decyzji i przewidywania – to mózg systemu komputerowego i jest „inteligencją” wystawianą przez maszyny. Algorytmy uczenia maszynowego w ramach sztucznej inteligencji, jak również inne aplikacje oparte na sztucznej inteligencji umożliwiają systemowi nie tylko przetwarzanie tych danych, ale także ich wykorzystywanie do realizacji zadań, prognozowania, uczenia się i zdobywania inteligentniejszych rozwiązań bez konieczności dodatkowego programowania. Dają sztucznej inteligencji coś, co jest zorientowane na cel, do tego wszystkiego, co jest związane z tą inteligencją i danymi.

Tak, ale należy go traktować jako przedsięwzięcie obejmujące całą firmę, a nie tylko jako modernizację IT. Firmy, które osiągają najlepsze wyniki dzięki projektom transformacji cyfrowej, przeprowadzają dogłębną ocenę swoich istniejących zasobów i zestawów umiejętności i upewniają się, że dysponują odpowiednimi systemami podstawowymi przed rozpoczęciem działalności.

W odniesieniu do uczenia maszynowego nauka o danych jest podzbiorem; koncentruje się na statystykach i algorytmach, wykorzystuje regresję i techniki klasyfikacji oraz interpretuje i przekazuje wyniki.  Uczenie maszynowe koncentruje się na programowaniu, automatyzacji, skalowaniu oraz uwzględnianiu i magazynowaniu wyników.

Uczenie maszynowe analizuje wzorce i korelacje; uczy się na ich podstawie i optymalizuje się w miarę upływu czasu. Eksploracja danych jest wykorzystywana jako źródło informacji dla uczenia maszynowego. Techniki eksploracji danych wykorzystują złożone algorytmy i mogą pomóc zapewnić lepiej zorganizowane zbiory danych dla aplikacji uczenia maszynowego.

Połączone neurony ze sztuczną siecią neuronową nazywane są węzłami, które są połączone i zgrupowane w warstwach. Gdy węzeł otrzymuje sygnał numeryczny, sygnalizuje on wtedy inne istotne neurony, które działają równolegle. Uczenie głębokie wykorzystuje sieć neuronową i jest „głębokie”, ponieważ wykorzystuje bardzo duże ilości danych i angażuje się w wiele warstw sieci neuronowej jednocześnie. 

Uczenie maszynowe jest amalgamatem kilku modeli, technik i technologii uczenia się, które mogą obejmować statystyki. Sama statystyka koncentruje się na wykorzystywaniu danych do tworzenia prognoz i tworzenia modeli do analizy.

Biuletyn SAP Insights

placeholder
Zasubskrybuj już dziś

Zasubskrybuj newsletter i zyskaj dostęp do najważniejszych analiz.

Dalszy odczyt

Powrót do góry