Zawartość
- Automatyzacja w technologii informatycznej
- Czy automatyzacja to przyszłość uczenia maszynowego?
- Bez błędów, bez stresu - Twój przewodnik krok po kroku do tworzenia oprogramowania zmieniającego życie bez niszczenia życia
- Studium przypadku
- Uczenie maszynowe może zastąpić zadania
- Wniosek
Źródło: Krulua / Dreamstime.com
Na wynos:
Uczenie maszynowe to zdolność systemu do zmiany własnego programowania. Ale kiedy system może to zrobić, czy ludzie są nadal potrzebni?
Uczenie maszynowe było jednym z największych postępów w historii komputerów, a obecnie uważa się, że może odgrywać znaczącą rolę w dziedzinie dużych zbiorów danych i analiz. Analiza dużych zbiorów danych to ogromne wyzwanie z punktu widzenia przedsiębiorstw. Na przykład działania takie jak zrozumienie ogromnych ilości różnych formatów danych, przygotowanie danych do analizy i filtrowanie zbędnych danych może pochłaniać wiele zasobów. Zatrudnienie naukowców i specjalistów ds. Danych jest kosztowną propozycją i nie leży w zasięgu każdej firmy. Eksperci uważają, że uczenie maszynowe jest w stanie zautomatyzować wiele zadań związanych z analityką - zarówno rutynowych, jak i złożonych. Automatyzacja uczenia maszynowego może zwolnić wiele zasobów, które można wykorzystać w bardziej złożonych i innowacyjnych pracach. Wydaje się, że uczenie maszynowe zmierza w tym kierunku. (Aby dowiedzieć się więcej na temat korzystania z uczenia maszynowego, zobacz Obietnice i pułapki uczenia maszynowego).
Automatyzacja w technologii informatycznej
W przeciwieństwie do IT automatyzacja polega na łączeniu różnych systemów i oprogramowania, dzięki czemu są one w stanie wykonywać określone zadania bez interwencji człowieka. W branży IT zautomatyzowane systemy mogą wykonywać zarówno proste, jak i złożone zadania. Przykładem prostego zadania może być integracja formularza z plikiem PDF i przesłanie dokumentu do właściwego odbiorcy, a zapewnienie kopii zapasowej poza siedzibą może być przykładem złożonego zadania.
Aby wykonać swoje zadanie, należy zaprogramować zautomatyzowany system lub uzyskać wyraźne instrukcje. Za każdym razem, gdy wymagany jest zautomatyzowany system do modyfikacji zakresu jego zadań, program lub zestaw instrukcji musi być aktualizowany przez człowieka. Chociaż zautomatyzowane systemy są wydajne w swoich zadaniach, mogą wystąpić błędy z różnych przyczyn. Kiedy wystąpią błędy, podstawowa przyczyna musi zostać zidentyfikowana i skorygowana. Oczywiście, aby wykonywać swoje zadania, zautomatyzowane systemy są całkowicie zależne od ludzi. Im bardziej złożony charakter zadania, tym większe prawdopodobieństwo błędów i problemów.
Zwykle rutynowe i powtarzalne zadania są przypisywane do systemów automatycznych. Częstym przykładem automatyzacji w branży IT jest automatyzacja testowania internetowych interfejsów użytkownika. Przypadki testowe są wprowadzane do skryptów automatyzacji, a interfejsy użytkownika są odpowiednio testowane. (Aby dowiedzieć się więcej na temat praktycznych zastosowań uczenia maszynowego, zobacz Machine Learning & Hadoop w Wykrywanie oszustw nowej generacji).
Argumentem przemawiającym za automatyzacją jest to, że wykonuje ona rutynowe i powtarzalne zadania i uwalnia pracowników do wykonywania bardziej złożonych i kreatywnych zadań. Twierdzi się jednak również, że automatyzacja wyparła wiele zadań lub ról wcześniej wykonywanych przez ludzi. Teraz, gdy uczenie maszynowe trafia do różnych branż, automatyzacja może całkowicie nadać nowy wymiar.
Czy automatyzacja to przyszłość uczenia maszynowego?
Istotą uczenia maszynowego jest zdolność systemów do ciągłego uczenia się na podstawie danych i ewolucji bez ingerencji człowieka. Uczenie maszynowe może zachowywać się jak ludzki mózg. Na przykład silnik rekomendacji w witrynie e-commerce może oceniać unikalne preferencje i upodobania użytkownika oraz oferować rekomendacje dotyczące produktów i usług, które najlepiej pasują do jego wyborów. Biorąc pod uwagę tę zdolność, uczenie maszynowe jest uważane za idealne do automatyzacji złożonych zadań związanych z dużymi zbiorami danych i analizami. Pokonał już główne ograniczenie tradycyjnych systemów automatyki, które nie mogą działać bez regularnej interwencji człowieka. Istnieje wiele studiów przypadków pokazujących, że uczenie maszynowe jest w stanie wykonać skomplikowane zadania analizy danych, co zostanie omówione w dalszej części tego artykułu.
Jak już wspomniano, analiza dużych zbiorów danych jest trudną propozycją dla firm i może być częściowo przekazana do systemów uczenia maszynowego. Z punktu widzenia firmy może to przynieść wiele korzyści, takich jak zwolnienie zasobów nauki danych w celu bardziej kreatywnych i krytycznych zadań, większy nakład pracy, mniej czasu potrzebnego na wykonanie zadań i oszczędność kosztów.
Bez błędów, bez stresu - Twój przewodnik krok po kroku do tworzenia oprogramowania zmieniającego życie bez niszczenia życia
Nie możesz poprawić swoich umiejętności programistycznych, gdy nikt nie dba o jakość oprogramowania.
Studium przypadku
W 2015 r. Badacze MIT rozpoczęli prace nad narzędziem do analizy danych, które jest w stanie tworzyć predykcyjne modele danych z ogromnych ilości surowych danych przy użyciu techniki zwanej algorytmem głębokiej syntezy cech. Algorytm, jak twierdzą naukowcy, może łączyć najlepsze cechy uczenia maszynowego. Zdaniem naukowców przetestowali już algorytm na trzech różnych zestawach danych i zamierzają rozszerzyć zakres testowania na więcej zestawów danych. Badacze James Max Kanter i Kalyan Veeramachaneni, opisując, w jaki sposób to robią, stwierdzili w artykule, który zostanie zaprezentowany na międzynarodowej konferencji poświęconej analizie i analizie danych: „Korzystając z procesu auto-tuningu, optymalizujemy całą ścieżkę bez udziału człowieka, umożliwiając jej uogólnienie do różnych zestawów danych. ”
Przeanalizujmy, jak skomplikowane było to zadanie: algorytm ma funkcję automatycznego dostrajania, za pomocą której uzyskuje lub wyodrębnia spostrzeżenia lub wartości z surowych danych, takich jak wiek lub płeć, a następnie potrafi tworzyć predykcyjne modele danych. Algorytm wykorzystuje złożone funkcje matematyczne i teorię prawdopodobieństwa znaną jako kopuła Gaussa. Łatwo jest więc zrozumieć stopień złożoności, jaki algorytm jest w stanie obsłużyć. Technika zdobyła także nagrody w konkursach.
Uczenie maszynowe może zastąpić zadania
Na całym świecie dyskutuje się, że uczenie maszynowe może zastąpić wiele zadań, ponieważ wykonuje zadania z wydajnością ludzkiego mózgu. W rzeczywistości istnieje obawa, że uczenie maszynowe zastąpi naukowców zajmujących się danymi - i wydaje się, że istnieją podstawy do takich obaw.
Dla zwykłych użytkowników, którzy nie mają umiejętności analizy danych, ale wciąż potrzebują różnych danych w różnym stopniu, codzienne życie nie jest możliwe, aby komputery były w stanie analizować ogromne ilości danych i oferować analizy. Ale technologie przetwarzania języka naturalnego (NLP) mogą pokonać to ograniczenie, ucząc komputery akceptowania i przetwarzania naturalnego, mówionego języka ludzi. W ten sposób zwykły użytkownik nie potrzebuje zaawansowanych umiejętności ani umiejętności analitycznych.
IBM uważa, że zapotrzebowanie na naukowców danych można zminimalizować lub wyeliminować dzięki jego platformie analitycznej języka naturalnego Watson. Według wiceprezesa Watson Analytics i Business Intelligence, Marc Atschuller: „Dzięki systemowi kognitywnemu, takim jak Watson, po prostu zadajesz swoje pytanie - lub jeśli nie masz pytania, po prostu przesyłasz swoje dane, a Watson może je obejrzeć i wywnioskować co możesz chcieć wiedzieć. ”
Wniosek
Automatyzacja to kolejny logiczny krok w uczeniu maszynowym i już odczuwamy efekty w naszym codziennym życiu - w witrynach e-commerce, sugestiach znajomych, rekomendacjach sieci LinkedIn i rankingach wyszukiwania Airbnb. Biorąc pod uwagę podane przykłady, nie można wątpić w jakość produkcji wytwarzanej przez zautomatyzowane systemy uczenia maszynowego. Mimo wszystkich jego zalet i zalet myśl o uczeniu maszynowym powodującym ogromne bezrobocie może wydawać się przesadną reakcją. Maszyny zastępują ludzi w wielu obszarach naszego życia od kilku dziesięcioleci, a jednak ludzie ewoluowali i dostosowywali się, aby pozostać istotnymi w branży. W zależności od perspektywy uczenie maszynowe, pomimo całej swojej destrukcji, jest kolejną falą, do której ludzie się przystosują.