Preskočiť na obsah
Strojové učenie identifikujúce vozidlá

Čo je strojové učenie?

 

Táto webová stránka bola pre vás strojovo preložená. Spoločnosť SAP neposkytuje žiadne záruku v súvislosti so správnosťou alebo úplnosťou strojového prekladu. Originálnu anglickú webstránku nájdete pomocou mapy sveta v pravom hornom rohu tejto stránky.

Strojové učenie je podmnožina umelej inteligencie (AI). Je zameraný na výučbu počítačov, aby sa učil z dát a zdokonaľoval sa skúsenosťami – namiesto toho, aby bol na to explicitne naprogramovaný. V strojovom učení sú algoritmy trénované tak, aby našli vzory a korelácie vo veľkých množinách dát a robili najlepšie rozhodnutia a predpovede na základe tejto analýzy. Aplikácie strojového učenia sa zlepšujú vďaka používaniu a tým viac presnejších údajov majú prístup k. Aplikácie strojového učenia sú všade okolo nás – v našich domovoch, nákupných vozíkoch, zábavných médiách a zdravotnej starostlivosti.

Strojové učenie vysvetlené

Ako súvisí strojové učenie s AI?

Strojové učenie – a jeho komponenty hlbokého učenia a neurálnych sietí – všetky zapadajú do koncentrických podmnožín AI. AI spracuje dáta na prijímanie rozhodnutí a predikcií. Algoritmy strojového učenia umožňujú AI nielen spracovávať tie dáta, ale ich používať na učenie a inteligentnejšie získavanie, bez toho, aby potrebovala ďalšie programovanie. Umelá inteligencia je nadradená všetkým podmnožinám strojového učenia pod ním. V rámci prvej podmnožiny je strojové učenie, v rámci ktorého je hlboké učenie, a potom neurálne siete v rámci toho.

Diagram AI vs.strojové učenie

Diagram vzťahu medzi AI a strojovým učením

Čo je to neurálna sieť?

 

Umelá neurálna sieť (ANN) je modelovaná na neurónoch v biologickom mozgu. Umelé neuróny sa nazývajú uzly a sú zoskupené do viacerých vrstiev, fungujú paralelne. Keď umelý neurón dostane numerický signál, spracúva ho a signalizuje ostatné neuróny s ním spojené. Rovnako ako v ľudskom mozgu, aj v dôsledku neurálneho posilňovania dochádza k lepšiemu rozpoznávaniu vzoru, odbornosti a celkovému učeniu.

 

Čo je hlboké učenie?

 

Tento druh strojového učenia sa nazýva „hlboký“, pretože zahŕňa mnoho vrstiev neurálnej siete a masívne objemy komplexných a nesúrodých dát. Na dosiahnutie hĺbkového učenia systém vstupuje do interakcií s viacerými vrstvami v sieti, pričom extrahuje stále viac výstupov vyššej úrovne. Napríklad hlboký systém učenia, ktorý spracováva obrazy prírody a hľadá Gloriosa daisies – na prvej vrstve – rozozná rastlinu. Ako sa hýbe neurónovými vrstvami, potom identifikuje kvetináč, potom daisy a nakoniec daisy Gloriosa. Príkladmi hlbokých vzdelávacích aplikácií sú rozpoznávanie reči, klasifikácia obrazu a farmaceutická analýza.

Ako strojové učenie funguje?

Strojové učenie pozostáva z rôznych typov modelov strojového učenia s použitím rôznych algoritmických techník. V závislosti od povahy údajov a požadovaného výsledku sa môže použiť jeden zo štyroch modelov učenia: kontrolovaný, nekontrolovaný, polokontrolovaný alebo posilnený. V rámci každého z týchto modelov sa môže použiť jedna alebo viac algoritmických techník – vo vzťahu k používaným súborom údajov a zamýšľaným výsledkom. Algoritmy strojového učenia sú v podstate navrhnuté tak, aby veci klasifikovali, našli vzory, predpovedali výsledky a robili informované rozhodnutia. Algoritmy sa môžu používať jeden naraz alebo kombinovane, aby sa dosiahla najlepšia možná presnosť, keď ide o komplexné a nepredvídateľnejšie údaje. 

Schéma fungovania strojového učenia

Ako funguje proces strojového učenia

Čo je pod dohľadom učenia?

 

Riadené učenie je prvým zo štyroch modelov strojového učenia. V riadených algoritmoch učenia sa stroj učí príkladom. Riadené vzdelávacie modely pozostávajú z „vstupných“ a „výstupných“ párov údajov, kde je výstup označený požadovanou hodnotou. Napríklad povedzme, že cieľom je, aby stroj povedal rozdiel medzi daisiami a panikami. Jedna dvojica binárnych vstupných údajov obsahuje obraz daisy aj obraz pansy. Požadovaným výsledkom pre túto dvojicu je vybrať si daisy, takže bude vopred identifikovaný ako správny výsledok.

 

Pomocou algoritmu systém zhŕňa všetky tieto tréningové dáta v priebehu času a začína určovať korelatívne podobnosti, rozdiely a ďalšie body logiky – kým nedokáže predpovedať odpovede na daisy-or pansy otázky všetko samo o sebe. Je to ekvivalent toho, ako dať dieťaťu súbor problémov s kľúčom odpovede, potom ich požiadať, aby ukázali svoju prácu a vysvetlili svoju logiku. Dohliadané modely učenia sa používajú v mnohých aplikáciách, s ktorými každý deň komunikujeme, ako napríklad odporúčacie motory pre produkty a aplikácie na analýzu dopravy, ako napríklad Waze, ktoré predpovedajú najrýchlejšiu trasu v rôznych denných časoch.

 

Čo je výučba bez dozoru?

 

Nekontrolované učenie je druhým zo štyroch modelov strojového učenia. V nekontrolovaných modeloch vzdelávania neexistuje kľúč odpovede. Stroj skúma vstupné údaje, z ktorých väčšina je neoznačená a neštruktúrovaná, a začína identifikovať vzory a korelácie pomocou všetkých relevantných, prístupných údajov. V mnohých smeroch je nekontrolované učenie modelované podľa toho, ako človek pozoruje svet. Na zoskupovanie vecí využívame intuíciu a skúsenosti. Keďže zažívame čoraz viac príkladov niečoho, naša schopnosť kategorizovať a identifikovať ho sa stáva čoraz presnejšou. V prípade strojov je „zážitok“ definovaný množstvom údajov, ktoré sa vkladajú a sprístupňujú. Medzi bežné príklady nekontrolovaných vzdelávacích aplikácií patrí rozpoznávanie tváre, analýza génovej sekvencie, prieskum trhu a kybernetická bezpečnosť.

 

Čo je výučba pod polovičným dohľadom?

 

Poloriadené učenie je tretí zo štyroch modelov strojového učenia. V dokonalom svete by všetky dáta boli štruktúrované a označené pred vstupom do systému. Keďže to však zjavne nie je možné, vzdelávanie pod drobnohľadom sa stáva uskutočniteľným riešením, keď existuje veľké množstvo neštruktúrovaných a neštruktúrovaných údajov. Tento model pozostáva z vloženia malých množstiev označených údajov na rozšírenie neoznačených množín údajov. Označené údaje v podstate pôsobia tak, že dávajú systému priebežný štart a môžu značne zlepšiť rýchlosť a presnosť učenia. Polokontrolovaný výučbový algoritmus dáva inštrukcie k analýze označených dát pre korelatívne vlastnosti, ktoré by bolo možné použiť na neoznačené dáta.

 

Ako sa podrobne skúmalo v tomto výskumnom dokumente MIT Press, existujú však riziká spojené s týmto modelom, kde sa nedostatky v označených údajoch dozvedia a replikujú sa systémom. Spoločnosti, ktoré najúspešnejšie využívajú polosamotené učenie, zabezpečujú zavedenie protokolov osvedčených postupov. Polokontrolované učenie sa využíva pri reči a jazykovej analýze, komplexnom lekárskom výskume, ako je napríklad kategorizácia bielkovín a odhaľovanie podvodov na vysokej úrovni.

 

Čo je to posilňovacie učenie?

 

Posilňovacie učenie je štvrtý model strojového učenia. V dozorovanom učení dostane stroj kľúč odpovede a učí sa tak, že nájde korelácie medzi všetkými správnymi výstupmi. Model učenia sa posilňovania nezahŕňa kľúč odpovede, ale skôr zadáva súbor prípustných opatrení, pravidiel a potenciálnych koncových stavov. Keď je požadovaný cieľ algoritmu pevný alebo binárny, stroje sa môžu učiť príkladom. Ale v prípadoch, keď je požadovaný výsledok meniteľný, sa systém musí učiť skúsenosťami a odmenou. V posilňovacích modeloch je „odmena“ numerická a je naprogramovaná do algoritmu ako niečo, čo sa systém snaží zbierať.

 

V mnohých smeroch je tento model analogický k tomu, ako niekoho naučiť hrať šach. Iste, nebolo by možné pokúsiť sa im ukázať každý potenciálny ťah. Namiesto toho vysvetlíte pravidlá a svojou praxou si budujú svoje schopnosti. Odmeny prichádzajú v podobe nielen výhry, ale aj získania súperových kúskov. Žiadosti o posilnenie vzdelávania zahŕňajú automatizované cenové ponuky pre kupujúcich online reklamy, vývoj počítačových hier a obchodovanie na burze s vysokými úrokmi.

Podnikové strojové učenie v akcii

Algoritmy strojového učenia rozpoznávajú vzory a korelácie, čo znamená, že sú veľmi dobré pri analýze vlastnej návratnosti investícií. Spoločnostiam, ktoré investujú do technológií strojového učenia, táto funkcia umožňuje takmer okamžité posúdenie prevádzkového vplyvu. Nižšie je len malá vzorka niektorých rastúcich oblastí aplikácií podnikového strojového učenia.

  • Motory odporúčania: V rokoch 2009 až 2017 vzrástol počet domácností v USA, ktoré si predplatili služby videostreamingu, o 450 %. A článok z roku 2020 v časopise Forbes hlási ďalší nárast využívania videa až o 70 %. Motory odporúčaní majú aplikácie v mnohých maloobchodných a nákupných platformách, ale s streamovaním hudby a video­ služieb sa určite dostávajú do vlastných.
  • Dynamický marketing: Generovanie tipov a ich prenesenie cez lievik predaja vyžaduje možnosť zhromažďovať a analyzovať čo najviac zákazníckych dát. Moderní spotrebitelia generujú obrovské množstvo rôznorodých a neštruktúrovaných údajov – od chatových prepisov až po nahrávanie obrázkov. Použitie aplikácií strojového učenia pomáha marketérom pochopiť tieto dáta - a používať ich na poskytovanie prispôsobeného marketingového obsahu a interakcie so zákazníkmi a záujemcami v reálnom čase.
  • ERP a automatizácia procesov: Databázy ERP obsahujú široké a rôznorodé množiny údajov, ktoré môžu zahŕňať štatistiku výkonnosti predaja, kontroly spotrebiteľov, výkazy trendov na trhu a záznamy riadenia dodávateľského reťazca. Na nájdenie korelácií a vzorov v takýchto dátach je možné použiť algoritmy strojového učenia. Tieto pohľady potom možno použiť na informovanie prakticky každej oblasti podnikania vrátane optimalizácie pracovných postupov zariadení Internet of Things (IoT) v rámci siete alebo najlepších spôsobov automatizácie opakujúcich sa úloh alebo úloh náchylných na chyby.
  • Prediktívna údržba: Moderné dodávateľské reťazce a inteligentné továrne čoraz viac využívajú zariadenia a stroje internetu vecí, ako aj cloudovú konektivitu vo všetkých svojich flotilách a operáciách. Poruchy a neefektívnosť môžu viesť k obrovským nákladom a narušeniam. Pri manuálnom zbere údajov o údržbe a opravách je takmer nemožné predpovedať možné problémy – a už vôbec nie automatizovať procesy na ich predpovedanie a prevenciu. IoT gateway senzory sa dajú namontovať aj do desaťročí starých analógových strojov, čo zabezpečí viditeľnosť a efektivitu v celom podniku.
placeholder

Začnite dnes

Pozrite si inteligentné technológie SAP vrátane AI a strojového učenia v akcii.

Výzvy strojového učenia

Vedec dát a absolvent Harvardu Tyler Vigan vo svojej knihe Spurious CorRelationship poukazuje na to, že „Nie všetky korelácie svedčia o základnej príčinnej súvislosti.” Na ilustráciu obsahuje graf znázorňujúci zjavne silnú koreláciu medzi konzumáciou margarínu a rýchlosťou rozvodu v štáte Maine. Samozrejme, tento graf je určený na humornú pointu. Vážnejšie však je, že aplikácie strojového učenia sú citlivé na ľudskú aj algoritmickú predpojatosť a chybu. A vďaka svojej tendencii učiť sa a prispôsobovať sa, sa môžu chyby a falošné korelácie rýchlo šíriť a znečisťovať výsledky v celej sieti neurálov.

 

Ďalšia výzva prichádza z modelov strojového učenia, kde je algoritmus a jeho výstup taký zložitý, že ich človek nedokáže vysvetliť ani pochopiť. Volá sa to model “black box” a ohrozuje spoločnosti, keď nie sú schopné určiť, ako a prečo algoritmus dospel k určitému záveru alebo rozhodnutiu.

 

Našťastie, ako sa zvyšuje zložitosť množín dát a algoritmov strojového učenia, tak ako aj nástroje a zdroje, ktoré sú k dispozícii na riadenie rizík. Najlepšie spoločnosti pracujú na odstránení chýb a zaujatosti vytvorením spoľahlivých a aktuálnych usmernení o riadení MH a protokolov osvedčených postupov.

placeholder

Maximálne využitie strojového učenia

S týmito piatimi získanými skúsenosťami postupujte v stopách „rýchlo sa učiacich“.

Často kladené otázky strojového učenia

Strojové učenie je podmnožinou AI a bez neho nemôže existovať. AI využíva a spracováva údaje k rozhodnutiam a predpovediam – je to mozog počítačového systému a je “inteligencia” vystavovaná strojmi. Algoritmy strojového učenia v rámci AI, ako aj iné aplikácie využívajúce AI umožňujú systému nielen spracovávať tieto údaje, ale ich používať na vykonávanie úloh, robiť predpovede, učiť sa a byť inteligentnejší bez toho, aby potreboval ďalšie programovanie. MH dávajú niečo orientované na dosiahnutie cieľa so všetkými tými intelektuálmi a dátami.

Áno, ale malo by sa k nej pristupovať ako k celopodnikovému úsiliu, nielen k IT upgradu. Spoločnosti, ktoré majú najlepšie výsledky s projektmi digitálnej transformácie, nehodnotia svoje existujúce zdroje a zručnosti a zabezpečujú, aby mali pred začatím prevádzky správne základné systémy.

Pokiaľ ide o strojové učenie, veda o údajoch je podmnožina; zameriava sa na štatistiky a algoritmy, využíva regresné a klasifikačné techniky a interpretuje a komunikuje výsledky.  Strojové učenie sa zameriava na programovanie, automatizáciu, škálovanie a začleňovanie a skladovanie výsledkov.

Strojové učenie sa zaoberá vzormi a koreláciami; učí sa od nich a optimalizuje sa tak, ako to ide. Ťažba dát sa používa ako zdroj informácií pre strojové učenie. Techniky dolovania dát využívajú samotné komplexné algoritmy a môžu pomôcť poskytovať lepšie organizované množiny dát pre aplikáciu strojového učenia.

Spojené neuróny s umelou neurónovou sieťou sa nazývajú uzly, ktoré sú prepojené a zhlukované vo vrstvách. Keď uzol dostane numerický signál, tak signalizuje ďalšie relevantné neuróny, ktoré fungujú paralelne. Hlboké učenie využíva neurálnu sieť a je „hlboké“, pretože využíva veľmi veľké objemy dát a súčasne sa zapája do viacerých vrstiev v neurálnej sieti. 

Strojové učenie je amalgámom viacerých modelov učenia, techník a technológií, ktoré môžu zahŕňať štatistiky. Samotná štatistika sa zameriava na používanie údajov na vytváranie prognóz a vytváranie modelov pre analýzu.

SAP Insights Newsletter

placeholder
Prihlásiť sa na odber dnes

Získajte kľúčové postrehy prihlásením sa na odber nášho newslettera.

Ďalšie čítanie

Na začiatok