Mašinsko učenje bilo je jedno od najvećih dostignuća u istoriji računarstva, a sada se smatra da može igrati važnu ulogu na polju velikih podataka i analitike. Analitika velikih podataka veliki je izazov iz perspektive preduzeća. Na primjer, aktivnosti poput razumijevanja velikog broja različitih formata podataka, analize pripreme podataka i filtriranja suvišnih podataka mogu biti intenzivne za resurse. Zapošljavanje stručnjaka za podatkovne nauke skup je prijedlog, a ne sredstvo za postizanje cilja svake kompanije. Stručnjaci vjeruju da strojno učenje može automatizirati mnoge zadatke povezane s analitikom - rutinske i složene. Automatsko mašinsko učenje može osloboditi značajne resurse koji bi se mogli koristiti za složeniji i inovativniji rad. Čini se da se mašinsko učenje stalno kreće u tom smjeru.
Automatizacija u kontekstu informacijske tehnologije
U IT -u, automatizacija je povezivanje različitih sistema i softvera, omogućavajući im izvršavanje posebnih zadataka bez ikakve ljudske intervencije. U IT -u automatizirani sustavi mogu obavljati jednostavne i složene poslove. Primjer jednostavnog posla može biti integriranje obrazaca s PDF-ovima i slanje dokumenata ispravnom primatelju, dok bi pružanje sigurnosnih kopija izvan web lokacije moglo biti primjer složenog posla.
Da biste pravilno obavljali svoj posao, morate programirati ili dati jasna uputstva automatiziranom sistemu. Svaki put kada je automatizirani sistem potreban za promjenu opsega posla, neko mora ažurirati program ili skup instrukcija. Iako je automatizirani sistem učinkovit u svom poslu, greške se mogu pojaviti iz različitih razloga. Kada se pojave greške, potrebno je identificirati i ispraviti osnovni uzrok. Jasno je da za obavljanje svog posla automatizirani sustav u potpunosti ovisi o ljudima. Što je priroda posla složenija, veća je vjerovatnoća grešaka i problema.
Uobičajeni primjer automatizacije u IT industriji je automatizacija testiranja web korisničkih sučelja. Test slučajevi se unose u skriptu za automatizaciju i korisničko sučelje se testira u skladu s tim. (Za više informacija o praktičnoj primjeni strojnog učenja pogledajte Strojno učenje i Hadoop u Detekciji prijevara sljedeće generacije.)
Argument u korist automatizacije je da ona obavlja rutinske i ponovljive zadatke i oslobađa zaposlenike za obavljanje složenijih i kreativnijih zadataka. Međutim, također se tvrdi da je automatizacija isključila veliki broj zadataka ili uloga koje su ranije obavljali ljudi. Sada, s ulaskom strojnog učenja u različite industrije, automatizacija može dodati novu dimenziju.
Budućnost automatizovanog mašinskog učenja?
Suština strojnog učenja je sposobnost sistema da kontinuirano uči iz podataka i razvija se bez ljudske intervencije. Strojno učenje može djelovati poput ljudskog mozga. Na primjer, mehanizmi za preporuke na web stranicama za e-trgovinu mogu procijeniti jedinstvene preferencije i ukuse korisnika i dati preporuke o najprikladnijim proizvodima i uslugama za odabir. S obzirom na ovu mogućnost, strojno učenje smatra se idealnim za automatizaciju složenih zadataka povezanih s velikim podacima i analitikom. Prevazišao je velika ograničenja tradicionalnih automatiziranih sistema koji ne dopuštaju redovnu ljudsku intervenciju. Postoji više studija slučaja koje pokazuju sposobnost mašinskog učenja za izvođenje složenih zadataka analize podataka, o čemu će biti riječi kasnije u ovom radu.
Kao što je već napomenuto, analiza velikih podataka izazov je za poduzeća, koji se može djelomično prenijeti na sisteme strojnog učenja. Iz poslovne perspektive, to može donijeti mnoge prednosti, poput oslobađanja resursa znanosti o podacima za kreativnije zadatke i zadatke od veće važnosti, veće radno opterećenje, manje vremena za izvršavanje zadataka i isplativost.
Studija slučaja
2015. istraživači MIT -a počeli su raditi na alatu za nauku o podacima koji može stvoriti prediktivne modele podataka od velikih količina sirovih podataka koristeći tehniku zvanu algoritmi za dubinsku sintezu karakteristika. Naučnici tvrde da algoritam može kombinovati najbolje karakteristike mašinskog učenja. Prema naučnicima, testirali su ga na tri različita skupa podataka i proširuju testiranje na još više. U dokumentu koji će biti predstavljen na Međunarodnoj konferenciji o nauci o podacima i analitici, istraživači James Max Kanter i Kalyan Veeramachaneni rekli su: „Koristeći automatizirani proces ugađanja, optimiziramo cijeli put bez ljudskog angažmana, omogućavajući mu generalizaciju na različite skupove podataka“.
Pogledajmo složenost zadatka: algoritam ima ono što je poznato kao mogućnost automatskog prilagođavanja, pomoću kojeg se mogu dobiti uvidi ili vrijednosti iz sirovih podataka (poput dobi ili spola), nakon čega se predviđaju podaci modeli se mogu kreirati. Algoritam koristi složene matematičke funkcije i teoriju vjerojatnosti koja se naziva Gaussova kopula. Stoga je lako razumjeti nivo složenosti koji algoritam može podnijeti. Ova tehnika je takođe osvajala nagrade na takmičenjima.
Strojno učenje moglo bi zamijeniti domaći zadatak
Širom svijeta se raspravlja o tome da bi mašinsko učenje moglo zamijeniti mnoge poslove jer obavlja zadatke uz efikasnost ljudskog mozga. Zapravo, postoji određena zabrinutost da će strojno učenje zamijeniti naučnike o podacima, a čini se da postoji osnova za takvu zabrinutost.
Za prosječnog korisnika koji nema vještine analize podataka, ali ima različite stupnjeve analitičkih potreba u svakodnevnom životu, nije moguće koristiti računala koja mogu analizirati velike količine podataka i pružiti podatke za analizu. Međutim, tehnike obrade prirodnog jezika (NLP) mogu prevazići ovo ograničenje poučavanjem računara da prihvataju i obrađuju prirodni ljudski jezik. Na ovaj način prosječnom korisniku nisu potrebne sofisticirane analitičke funkcije ili vještine.
IBM vjeruje da se potreba za naučnicima o podacima može minimizirati ili eliminirati putem njegovog proizvoda, platforme Watson Natural Language Analytics. Prema Marc Atschuller -u, potpredsjedniku za analitiku i poslovnu inteligenciju u Watsonu, „Sa kognitivnim sistemom poput Watsona, samo postavite svoje pitanje - ili ako nemate pitanje, samo prenesite svoje podatke i Watson ih može pogledati i zaključite šta biste možda htjeli znati. ”
Zaključak
Automatizacija je sljedeći logičan korak u strojnom učenju i već doživljavamo efekte u svakodnevnom životu-web stranice za e-trgovinu, prijedlozi prijatelja na Facebooku, prijedlozi LinkedIn mreže i ljestvice Airbnb pretraživanja. Uzimajući u obzir navedene primjere, nema sumnje da se to može pripisati kvaliteti rezultata koji proizvode automatizirani sustavi strojnog učenja. Uprkos svim svojim kvalitetima i prednostima, ideja o mašinskom učenju koja izaziva ogromnu nezaposlenost djeluje pomalo pretjerano. Mašine su desetljećima zamjenjivale ljude u mnogim dijelovima našeg života, ali ljudi su se razvili i prilagodili da ostanu relevantni u industriji. Prema gledištu, mašinsko učenje za sve njegove poremećaje samo je još jedan val na koji će se ljudi prilagoditi.
Vrijeme objave: avgust-03-2021