Независимо от того, прокручиваете ли вы Instagram, используете Google или просматриваете предложения на Amazon, вы взаимодействуете с машинным обучением (ML).
Машинное обучение, в частности дисциплина искусственного интеллекта, была впервые предложена Аланом Тьюрингом в 1950 году. Он предложил идею о том, что если бы машина могла убедить человека в том, что он разговаривает с другим человеком, машина достигла бы «искусственного интеллекта».
Машинное обучение заставляет компьютер выполнять абстрактную задачу. Машинное обучение использовалось для сортировки спама, предоставления рекомендаций о том, что смотреть, и установления цен на продукты в Интернете. Некоторые из этих концепций просты для человека, но более сложны для компьютера. Обойти это можно, создав программу, имитирующую мозг. ML состоит из узлов, которые похожи на нейроны в мозгу.
Допустим, вы пытаетесь создать алгоритм, который сообщает, есть ли на показанной фотографии собака. Все пиксели на фотографии будут начинаться с входного слоя. Во входном слое алгоритм проверяет что-то о конкретном пикселе. Это дает разные ответы, которые определяют, что искать дальше во 2-м слое. Этот процесс повторяется для всех скрытых слоев (в крайних случаях это могут быть тысячи или даже миллионы), пока не будет принято решение. В этом случае будет указано, есть ли на фотографии собака.
Этот тип машинного обучения имитирует человеческий мозг. Это плюс, потому что он работает хорошо, но это минус, потому что мы не до конца понимаем человеческий мозг. Поскольку мы не понимаем, как работает человеческий мозг, возникает вопрос, как мы можем воссоздать его на компьютере? Ответ: нет.
Программист запрограммирует двух роботов (в данном случае робот используется как общий термин, инкапсулирующий модель/алгоритм мл). Во-первых, строит больше роботов. Второй обучает роботов, созданных первым роботом.
Но… как мы можем создать робота, который строит роботов, которых мы не понимаем? Ответ заключается в том, что мы не понимаем это с первого раза. Сначала робот, который строит больше роботов (Строитель), создает их почти случайным образом. Но… если они построены случайным образом, как они получают точные ответы? Ответ заключается в том, что мы не понимаем это с первого раза. Сначала робот, который обучает роботов, построенных строителем (Учителем), берет это первое поколение в свой «класс». Проблема с Учителем заключается в том, что он не знает, как учить (не забывайте, что нам не понадобился бы учитель, если бы мы могли создать модель машинного обучения, которая уже знала бы ее достаточно хорошо, чтобы учить), вместо этого она знает, как учить. тест. Учителю дается тест с тысячами или миллионами вопросов, которые он задает своим ученикам. Если бы желаемым результатом был робот, который мог бы определить, есть ли на фотографии собака, Учителю дали бы тысячи фотографий, на некоторых из которых есть собаки, а на других — нет. Учителю также будет предоставлен список, на каких фотографиях есть собаки, а на каких нет. Затем он дает своим ученикам эти тесты и оценивает их. Сначала эти оценки не очень хорошие, на самом деле они довольно плохие. Но лучших из этого первого поколения студентов отправляют обратно в Строитель. Затем Строитель создает новое поколение роботов на основе характеристик предыдущего поколения. Учеников отправляют обратно к Учителю, лучшие возвращаются к Строителю, создаются новые роботы, и этот цикл продолжается.
Это не похоже на то, что это сработает. Почему создание нового поколения на основе поколения, которое было создано случайным образом, должно стать пригодной для использования моделью машинного обучения? Это потому, что мы не имеем дело с классом из 20 студентов, которые пять раз проходят тесты по 30 вопросам. Вместо этого мы имеем дело с миллионами студентов, которым задают миллионы вопросов, миллионы раз. Одним из преимуществ машинного обучения является его способность обрабатывать больше данных и выполнять задачи больше раз, чем любой человек.
Типы машинного обучения
Машинное обучение имеет разнообразный набор вариантов использования. Это обеспечивается различными типами машинного обучения. Два основных различия между моделями машинного обучения — контролируемые и неконтролируемые. Машинное обучение с учителем было описано в предыдущем примере. В этом случае компьютер знает ответы на заданные вопросы, по крайней мере, для обучающих данных. Например, пусть на тысяче предоставленных фотографий есть собака. Это лучше использовать для моделей, которые пытаются классифицировать данные в заранее определенную группу. Это может быть да или нет в примере поиска собаки на фотографии. Или содержит ли фотография собаку, кошку или кенгуру.
С другой стороны, неконтролируемое обучение не знает ответов на обучающие данные. Эти типы моделей используются для получения необработанных данных и поиска связей между различными фрагментами данных. Например, сортировка данных переписи и демонстрация того, что в домах с большим количеством людей меньше домашних животных, или какое-то другое произвольное соотношение данных, которое может быть неочевидным для людей.
Текущее использование машинного обучения
Сейчас мы живем в мире, который окружен машинным обучением. В мире, где данные собираются повсюду, создается идеальная среда для любого проекта машинного обучения. На самом деле у Google есть собственный продукт, который, я гарантирую, вы использовали, пользователи которого помогают улучшать данные, используемые моделями машинного обучения. Продукт известен как reCAPTCHA и предоставляет пользователям фотографии в качестве проверки, является ли кто-то роботом. Вопросы обычно спрашивают, существует ли что-то на фотографии, и если да, то где? Например, фотографии улицы, которая просит выбрать на пешеходном переходе. Затем эти данные можно использовать для улучшения самостоятельного вождения путем предоставления модели фотографий, о которых известно, что они содержат пешеходные переходы.
Машинное обучение также проникает в сферу медицины. В основном в этой статье говорилось об обнаружении изображений (независимо от того, есть ли что-то на фотографии), хотя у этого есть многообещающее будущее, особенно в дерматологии, есть и другие применения. Существует приложение под названием POTTER, которое предсказывает некоторые риски проведения той или иной операции конкретному пациенту. Это действительно то, где машинное обучение сияет. У пациента есть небольшие различия, которые человек может не уловить или назвать разумно отличными. Но с помощью машинного обучения он может учитывать мельчайшие отличия от миллионов случаев. Это может привести к осознанию того, что другой курс лечения может быть лучшим.
Машинное обучение уже здесь, оно в нашей жизни, и оно готово улучшить нашу жизнь. Независимо от того, уменьшает ли это количество дорожно-транспортных происшествий или помогает ли вам найти лучшее лечение в больнице, машинное обучение может помочь!
Если вам понравилась эта статья, подпишитесь на меня в Medium или Linkedin.
Спасибо, что нашли время, чтобы прочитать это!
