Ce este învățarea automată?
Învățarea automată este un subset de inteligență artificială (IA) în care computerele învață din date și se îmbunătățesc cu experiență, fără a fi programate în mod explicit.
Definiție învățare automată în detaliu
Învățarea automată este un subset al inteligenței artificiale (IA). Acesta se concentrează pe predarea calculatoarelor pentru a învăța din date și pentru a îmbunătăți experiența – în loc să fie programat în mod explicit pentru a face acest lucru. În învățarea automată, algoritmii sunt instruiți pentru a găsi modele și corelații în seturi mari de date și pentru a lua cele mai bune decizii și previziuni pe baza analizei respective. Aplicațiile de învățare automată se îmbunătățesc odată cu utilizarea și devin mai precise cu cât au acces mai multe date.
Aplicațiile de învățare automată sunt peste tot în jurul nostru – în casele noastre, coșurile noastre de cumpărături, media de divertisment și asistența noastră medicală.
Cum este învățarea automată legată de IA?
Învățarea automată – și componentele sale de învățare profundă și rețele neuronale – toate se potrivesc ca subseturi concentrice de IA. AI procesează datele pentru a lua decizii și previziuni. Algoritmii de învățare automată permit IA nu numai să prelucreze acele date, ci și să le utilizeze pentru a învăța și a deveni mai inteligente, fără a avea nevoie de programare suplimentară. Inteligența artificială este părintele tuturor subseturilor de învățare automată de sub ea. În cadrul primului subset se află învățarea automată; în interiorul acesteia se află învățarea profundă și apoi rețelele neuronale din interiorul acesteia.
Ce este o rețea neurală?
O rețea neuronală artificială (ANN) este modelată pe neuronii dintr-un creier biologic. Neuronii artificiali se numesc noduri și sunt grupați împreună în mai multe straturi, operând în paralel. Atunci când un neuron artificial primește un semnal numeric, acesta îl procesează și îi semnalizează pe ceilalți neuroni conectați la acesta. Ca și în creierul uman, întărirea neuronală are ca rezultat îmbunătățirea recunoașterii modelelor, a expertizei și a învățării generale.
Ce este învățarea profundă?
Acest tip de învățare automată se numește „profundă” deoarece include multe straturi ale rețelei neuronale și volume masive de date complexe și disparate. Pentru a obține o învățare profundă, sistemul se angajează cu mai multe straturi în rețea, extragând ieșiri din ce în ce mai înalte. De exemplu, un sistem de învățare profundă care procesează imaginile naturii și caută margarete Gloriosa va recunoaște – la primul strat – o plantă. Pe măsură ce se mișcă prin straturile neuronale, va identifica apoi o floare, apoi o daisy și, în cele din urmă, o daisy Gloriosa. Exemple de aplicații de învățare profundă includ recunoașterea vorbirii, clasificarea imaginii și analiza farmaceutică.
Cum funcționează învățarea automată?
Învățarea automată este compusă din diferite tipuri de modele de învățare automată, utilizând diverse tehnici algoritmice. În funcție de natura datelor și de rezultatul dorit, se poate utiliza unul dintre cele patru modele de învățare: supravegheate, nesupravegheate, semi-supravegheate sau întărite. În cadrul fiecăruia dintre aceste modele, se pot aplica una sau mai multe tehnici algoritmice – în raport cu seturile de date utilizate și cu rezultatele avute în vedere. Algoritmii de învățare automată sunt proiectați în principal pentru a clasifica lucrurile, a găsi modele, a prezice rezultatele și a lua decizii informate. Algoritmii pot fi utilizați pe rând sau combinați pentru a obține cea mai bună precizie posibilă atunci când sunt implicate date complexe și mai imprevizibile.
Cum funcționează procesul de învățare automată
Ce este învățarea supravegheată?
Învățarea supravegheată este primul dintre cele patru modele de învățare automată. În algoritmii de învățare supravegheată, mașina este predată prin exemplu. Modelele de învățare supravegheate constau în perechi de date de „intrare” și „ieșire”, unde ieșirea este etichetată cu valoarea dorită. De exemplu, să spunem că scopul este ca mașina să spună diferența dintre margarete și panze. O pereche de date de intrare binare include atât o imagine a unui daisy, cât și o imagine a unui pansy. Rezultatul dorit pentru acea pereche este de a alege daisy, deci va fi pre-identificat ca rezultat corect.
Prin intermediul unui algoritm, sistemul compilează toate aceste date de antrenament în timp și începe să determine similarități corelative, diferențe și alte puncte de logică – până când poate prezice răspunsurile la întrebările daisy-or-pansy. Este echivalentul a da unui copil un set de probleme cu o cheie de răspuns, apoi cerându-i să-și arate munca și să-și explice logica. Modelele de învățare supravegheate sunt utilizate în multe dintre aplicațiile cu care interacționăm în fiecare zi, cum ar fi motoarele de recomandare pentru produse și aplicațiile de analiză a traficului, cum ar fi Waze, care prezic cel mai rapid traseu la momente diferite ale zilei.
Ce este învățarea nesupravegheată?
Învățarea fără supraveghere este a doua dintre cele patru modele de învățare automată. În modelele de învățare fără supraveghere, nu există nicio cheie de răspuns. Mașina studiază datele de intrare – dintre care o mare parte este neetichetată și nestructurată – și începe să identifice modele și corelații, folosind toate datele relevante, accesibile. În multe privințe, învățarea nesupravegheată este modelată pe modul în care oamenii observă lumea. Folosim intuiția și experiența pentru a grupa lucrurile împreună. Pe măsură ce experimentăm tot mai multe exemple de ceva, capacitatea noastră de a clasifica și de a identifica devine din ce în ce mai precisă. Pentru mașini, „experiența” este definită de cantitatea de date care sunt introduse și puse la dispoziție. Exemple comune de aplicații de învățare nesupravegheate includ recunoașterea facială, analiza secvenței genetice, cercetarea de piață și securitatea cibernetică.
Ce este învățarea semi-supravegheată?
Învățarea semi-supravegheată este al treilea dintre cele patru modele de învățare automată. Într-o lume perfectă, toate datele ar fi structurate și etichetate înainte de a fi introduse într-un sistem. Dar, din moment ce acest lucru nu este în mod evident fezabil, învățarea semi-supravegheată devine o soluție fezabilă atunci când sunt prezente cantități mari de date brute, nestructurate. Acest model constă în introducerea unor cantități mici de date etichetate pentru a mări seturile de date neetichetate. În esență, datele etichetate acționează pentru a da un început de funcționare sistemului și pot îmbunătăți considerabil viteza de învățare și precizia. Un algoritm de învățare semi-supravegheat instruiește mașina să analizeze datele etichetate pentru proprietățile corelative care ar putea fi aplicate datelor neetichetate.
Așa cum s-a explorat în profunzime în această lucrare de cercetare MIT Press, există, totuși, riscuri asociate cu acest model, în care defectele din datele etichetate sunt învățate și replicate de sistem. Companiile care utilizează cu succes învățarea semi-supravegheată asigură implementarea protocoalelor de bune practici. Învățarea semi-supravegheată este utilizată în analiza vorbirii și lingvistică, în cercetarea medicală complexă, cum ar fi clasificarea proteinelor și detectarea fraudelor la nivel înalt.
Ce este învățarea de consolidare?
Învățarea prin armare este al patrulea model de învățare automată. În învățarea supravegheată, mașina primește cheia de răspuns și învață prin găsirea de corelații între toate rezultatele corecte. Modelul de învățare de consolidare nu include o cheie de răspuns, ci, mai degrabă, introduce un set de acțiuni permise, reguli și potențiale stări finale. Atunci când obiectivul dorit al algoritmului este fix sau binar, mașinile pot învăța prin exemplu. Dar în cazurile în care rezultatul dorit este mutabil, sistemul trebuie să învețe prin experiență și recompensă. În modelele de învățare de consolidare, „recompensa” este numerică și este programată în algoritm ca ceva ce sistemul caută să colecteze.
În multe privințe, acest model este analog învățării cuiva cum să joace șah. Cu siguranță, ar fi imposibil să încerci să le arăți fiecare mișcare potențială. În schimb, explici regulile și își construiesc abilitățile prin practică. Recompensele vin sub forma nu numai de a câștiga jocul, dar, de asemenea, de a achiziționa piesele adversarului. Aplicațiile de învățare a consolidării includ licitarea automată a prețurilor pentru cumpărătorii de publicitate online, dezvoltarea jocurilor pe calculator și tranzacționarea bursieră cu mize mari.
Enterprise machine learning în acțiune
Algoritmii de învățare automată recunosc tiparele și corelațiile, ceea ce înseamnă că sunt foarte buni în analizarea propriului ROI. Pentru companiile care investesc în tehnologiile de învățare automată, această caracteristică permite o evaluare aproape imediată a impactului operațional. Mai jos este doar o mică mostră a unora dintre zonele în creștere ale aplicațiilor de învățare automată pentru întreprinderi.
Motoare de recomandare: Din 2009 până în 2017, numărul gospodăriilor din SUA care s-au abonat la serviciile de streaming video a crescut cu 450%. Și un articol din 2020 din revista Forbes raportează o creștere suplimentară a cifrelor de utilizare a transmisiei video de până la 70%. Motoarele de recomandare au aplicații pe multe platforme de retail și cumpărături, dar cu siguranță vin în propriile lor servicii de streaming de muzică și video.
Marketing dinamic: Generarea de clienți potențiali și aducerea lor prin pâlnia de vânzări necesită capacitatea de a aduna și analiza cât mai multe date ale clienților. Consumatorii moderni generează o cantitate enormă de date variate și nestructurate – de la transcrieri de chat la încărcări de imagini. Utilizarea aplicațiilor de învățare automată ajută specialiștii în marketing să înțeleagă aceste date și să le utilizeze pentru a oferi conținut de marketing personalizat și interacțiune în timp real cu clienții și clienții potențiali.
ERP și automatizarea proceselor: bazele de date ERP conțin seturi de date largi și disparate, care pot include statistici privind performanța vânzărilor, analize ale consumatorilor, rapoarte privind tendințele pieței și înregistrări ale gestiunii lanțului de aprovizionare. Algoritmii de învățare automată pot fi utilizați pentru a găsi corelații și modele în astfel de date. Aceste analize pot fi apoi utilizate pentru a informa practic fiecare domeniu al afacerii, inclusiv optimizarea fluxurilor de lucru ale dispozitivelor Internet of Things (IoT) din rețea sau cele mai bune moduri de a automatiza sarcinile repetitive sau predispuse la erori.
Întreținere predictivă: Lanțurile de aprovizionare moderne și fabricile inteligente utilizează din ce în ce mai mult dispozitivele și utilajele IoT, precum și conectivitatea în cloud pentru toate flotele și operațiunile lor. Defalcările și ineficiențele pot duce la costuri și perturbări enorme. Când datele de întreținere și reparație sunt colectate manual, este aproape imposibil să previzionezi potențialele probleme – cu atât mai puțin să automatizezi procesele pentru a le prezice și preveni. Senzorii IoT gateway pot fi echipați chiar și cu mașini analogice vechi de zeci de ani, oferind vizibilitate și eficiență în întreaga afacere.
Provocări de învățare automată
În cartea sa Corelații false, cercetătorul de date și absolventul de la Harvard Tyler Vigan subliniază că „Nu toate corelațiile indică o legătură cauzală subiacentă”. Pentru a ilustra acest lucru, el include o diagramă care arată o corelație aparent puternică între consumul de margarină și rata divorțurilor în statul Maine. Desigur, acest grafic este destinat să facă un punct plin de umor. Cu toate acestea, într-o notă mai serioasă, aplicațiile de învățare automată sunt vulnerabile atât la părtinirea umană, cât și la cea algoritmică și la eroare. Și datorită înclinației lor de a învăța și de a se adapta, erorile și corelațiile false pot propaga și polua rapid rezultatele în întreaga rețea neurală.
O provocare suplimentară vine din partea modelelor de învățare automată, în care algoritmul și ieșirea sa sunt atât de complexe încât nu pot fi explicate sau înțelese de oameni. Acest model se numește „cutie neagră” și pune companiile în pericol atunci când se află în imposibilitatea de a determina cum și de ce un algoritm a ajuns la o anumită concluzie sau decizie.
Din fericire, pe măsură ce crește complexitatea seturilor de date și a algoritmilor de învățare automată, la fel și instrumentele și resursele disponibile pentru gestionarea riscurilor. Cele mai bune companii depun eforturi pentru a elimina erorile și prejudecățile prin stabilirea unor orientări solide și actualizate privind guvernanța IA și a protocoalelor de bune practici.