Czym jest samouczenie się maszyn?

Uczenie maszynowe stało się w ostatnich latach powszechnie używanym terminem, ponieważ koncepcja ta przeszła ewolucję od science fiction do kluczowego sposobu przetwarzania danych przez przedsiębiorstwa i inne organizacje. Wraz z gwałtownym wzrostem tempa powstawania danych narzędzia uczenia maszynowego mają kluczowe znaczenie dla organizacji, które chcą poznać wzorce, wyodrębnić trendy i wyznaczyć najbardziej opłacalną ścieżkę rozwoju.

Jak powszechne jest uczenie maszynowe? Każda osoba, która kliknęła rekomendację w witrynie e-commerce lub na platformie streamingowej, otrzymała powiadomienie o potencjalnym niewłaściwym użyciu karty kredytowej lub korzystała z oprogramowania do transkrypcji, miała do czynienia z uczeniem maszynowym. Uczenie maszynowe jest stosowane w finansach, opiece zdrowotnej, marketingu, handlu detalicznym i wielu innych branżach do wyodrębniania cennych informacji z danych i do automatyzacji procesów.

Czym jest samouczenie się maszyn?

Uczenie maszynowe (ML) to podzbiór sztucznej inteligencji, który skupia się na budowaniu systemów, które się uczą i robią to coraz lepiej, w miarę przetwarzania kolejnych danych. Sztuczna inteligencja to szersze pojęcie, które oznacza systemy lub maszyny naśladujące ludzką inteligencję. Samouczenie się maszyn i sztuczną inteligencję często omawia się razem, a terminów tych niekiedy używa się zamiennie, choć nie znaczą one tego samego.

Ogólnie rzecz biorąc, uczenie maszynowe to zawsze sztuczna inteligencja, ale nie zawsze sztuczna inteligencja to uczenie maszynowe.

Kluczowe wnioski

• Uczenie maszynowe jest podzbiorem sztucznej inteligencji.
• Cztery najpopularniejsze typy uczenia maszynowego to uczenie maszynowe nadzorowane, uczenie maszynowe nienadzorowane, uczenie maszynowe półnadzorowane i uczenie maszynowe wzmocnione.
• Popularne typy algorytmów uczenia maszynowego obejmują sieci neuronowe, drzewa decyzyjne, klastrowanie i lasy decyzyjne.
• Typowe zastosowania uczenia maszynowego w przedsiębiorstwach obejmują identyfikację i klasyfikację obiektów, wykrywanie anomalii, przetwarzanie dokumentów i analizę predykcyjną.

O co chodzi w samouczeniu się maszyn

Uczenie maszynowe to technika, która pozwala na wykrycie nieznanych wcześniej zależności w danych poprzez przeszukiwanie potencjalnie bardzo dużych zestawów danych w celu znalezienia wzorców i trendów wykraczających poza prostą analizę statystyczną. Uczenie maszynowe korzysta z zaawansowanych algorytmów trenowanych pod kątem identyfikacji wzorców w danych i tworzenia modeli. Modele te mogą posłużyć do przewidywania i kategoryzacji danych.

Należy pamiętać, że algorytm ≠ model. Algorytm to zestaw reguł i procedur używanych do rozwiązania określonego problemu lub wykonania określonego zadania, podczas gdy model to dane wyjściowe lub wynik zastosowania algorytmu na zbiorze danych.

Przed treningiem ma się algorytm. Po treningu ma się model.

Na przykład uczenie maszynowe jest szeroko stosowane w opiece zdrowotnej do zadań z zakresu analizy obrazowania medycznego, analityki predykcyjnej i diagnozowania chorób. Modele uczenia maszynowego idealnie nadają się do analizy obrazów medycznych, na przykład obrazów z rezonansu magnetycznego, zdjęć rentgenowskich i skanów z tomografii komputerowej, w celu identyfikacji wzorców i wykrywania nieprawidłowości, które mogą być niewidoczne gołym okiem lub które przepracowany diagnosta mógłby przeoczyć. Systemy uczenia maszynowego mogą również analizować objawy, informacje genetyczne i inne dane pacjenta, aby sugerować testy pod kątem na przykład raka, cukrzycy i chorób serca.

Kluczowe cechy uczenia maszynowego to:

• automatyczne wykrywanie wzorców
• przewidywanie prawdopodobnych wyników
• formułowanie użytecznych informacji
• analiza ogromnych zbiorów danych.

Typy uczenia maszynowego

Można wyróżnić cztery główne typy uczenia maszynowego. Każda z nich ma swoje mocne i słabe strony, co sprawia, że należy wybrać typ odpowiedni dla danego zadania.

• Najbardziej powszechnym typem jest uczenie maszynowe nadzorowane. W tym przypadku oznaczone dane uczą algorytm, jakie wnioski powinien wyciągnąć. Tak jak dziecko uczy się rozpoznawać owoce poprzez zapamiętywanie ich na podstawie książki z obrazkami, tak w uczeniu nadzorowanym algorytm jest trenowany przez zestaw danych, który jest już oznaczony. Przykładem uczenia maszynowego nadzorowanego jest filtr spamu, w ramach którego algorytm jest trenowany na oznaczonym zbiorze danych, w którym każda wiadomość e-mail jest oznaczona albo nieoznaczona jako spam. Model uczy się na podstawie w ten sposób oznaczonych przykładów, a następnie na podstawie zidentyfikowanych wzorców przewiduje, czy nowe przychodzące wiadomości e-mail są prawdopodobnie spamem, czy też nie. Ten typ uczenia nadzorowanego wymaga od specjalisty zapewnienia poprawnych odpowiedzi poprzez odpowiednie oznaczenie danych, aby algorytm mógł się uczyć i dokonywać dokładnych prognoz w przyszłości.
  
  Należy pamiętać, że celem nie jest tutaj trenowanie przy użyciu idealnych danych. Celem jest odtworzenie rzeczywistych warunków, w jakich system będzie działać — niektóre przypadki spamu będą oczywiste, ale inne mogą być trudniejsze do wykrycia lub balansować na granicy wykrycia. Zbyt oczyszczone dane prowadzą do nadmiernego dopasowania, co oznacza, że model będzie identyfikować tylko inne idealne próbki.
• Uczenie maszynowe nienadzorowane wykorzystuje bardziej niezależne podejście. Komputer uczy się identyfikować złożone procesy i wzorce bez polegania na wcześniej oznaczonych danych. Uczenie maszynowe nienadzorowane obejmuje nie tylko trening na podstawie danych, które nie mają oznaczeń; nie ma również określonych, zdefiniowanych danych wyjściowych, na przykład klasyfikacji na „spam” i „nie spam”.
  
  Uczenie maszynowe nienadzorowane ma tendencję do wykrywania grup podobnych danych, tworząc klastry. Wytrenowany model może identyfikować podobne wzorce i umieszczać dane w odpowiedniej grupie. Powszechnym zastosowaniem uczenia maszynowego nienadzorowanego są aparaty rekomendacji, które są używane w aplikacjach konsumenckich do przekazywania sugestii typu „klienci, którzy kupili to, kupili również tamto”. Po znalezieniu odmiennych wzorców algorytm może uznać je za anomalie, co jest przydatne w wykrywaniu oszustw.
• Uczenie maszynowe półnadzorowane rozwiązuje problem braku wystarczającej ilości oznaczonych danych, aby w pełni wytrenować model. Na przykład można mieć duże zbiory danych treningowych, ale nie ma potrzeby poświęcania czasu i kosztów na oznaczanie etykietami całego zbioru. Łącząc podejście nadzorowane z nienadzorowanym, często można uzyskać w pełni wytrenowany model. Proces treningu rozpoczyna się na przykład od treningu nadzorowanego, przy użyciu oznaczonych danych w celu uzyskania wstępnych wyników i ustalenia wytycznych dla algorytmu. Po wyczerpaniu oznaczonych danych, częściowo wytrenowany model otrzymuje do przetwarzania nieoznaczone zbiory danych. Na bazie dotychczasowego treningu analizuje nieoznakowane dane w celu dodania ich do oznakowanego zbioru danych. Jeśli model może znaleźć odpowiednie oznaczenie dla próbki z dużą pewnością, próbka ta jest dodawana do oznaczonych danych. Trening rozpoczyna się od nowa, ale teraz z większym zestawem oznaczonych próbek. Poprzez kolejne iteracje więcej próbek jest oznaczanych tzw. pseudooznaczeniami, a model może być dalej doskonalony.

  Uczenie maszynowe wzmocnione, na przykład uczenie maszynowe nienadzorowane, wykorzystuje nieoznaczone zbiory danych i pozwala algorytmom na ocenę danych. Uczenie wzmocnione różni się jednak tym, że działa w kierunku ustalonego celu, zamiast badać dane, aby dowiedzieć się, jakie wzorce mogą istnieć. Mając na uwadze cel, algorytm działa na zasadzie prób i błędów. Każdy krok otrzymuje pozytywne, negatywne lub neutralne informacje zwrotne, które algorytm wykorzystuje do doskonalenia ogólnego procesu podejmowania decyzji. Algorytmy uczenia maszynowego wzmocnionego mogą działać na poziomie makro w kierunku celu projektu, nawet jeśli oznacza to radzenie sobie z krótkoterminowymi negatywnymi konsekwencjami. W ten sposób trening ze wzmocnieniem obsługuje bardziej złożone i dynamiczne sytuacje niż inne metody, ponieważ pozwala kontekstowi celu projektu wpływać na ryzyko wyboru. Dobrym przykładem jest uczenie komputera gry w szachy. Ogólnym celem jest wygranie gry, ale może to wymagać poświęcenia pionów w trakcie rozgrywki.

Którą metoda jest najlepsza? Wybór metody zazwyczaj zależy od struktury i ilości danych, budżetu, godzin, które można przeznaczyć na trening modelu, a także celu, do którego ma zostać zastosowany finalny model. Warto pamiętać, że niektóre błędy są tu akceptowalne. Nietrafiona sugestia bluzki do spódnicy jakoś ujdzie. Przeoczenie guza — już niekoniecznie.

Zasady działania uczenia maszynowego

Jak sama nazwa wskazuje, uczenie maszynowe polega na tworzeniu komputerowych modeli statystycznych, które są doskonalone pod kątem określonego celu poprzez ocenę danych treningowych, a nie poprzez klasyczne podejście, w którym programiści opracowują statyczny algorytm, który próbuje rozwiązać problem. Gdy zbiory danych są przetwarzane przez model uczenia maszynowego, uzyskane dane wyjściowe są oceniane pod kątem dokładności, umożliwiając danologom dostosowanie modelu za pomocą szeregu ustalonych zmiennych, zwanych hiperparametrami, oraz algorytmicznie dostosowanych zmiennych, zwanych parametrami treningu.

Algorytm dostosowuje się, gdy ocenia dane treningowe, procesy ekspozycji i obliczeń dotyczących nowych danych trenują więc algorytm, aby stał się jeszcze lepszy. Algorytm jest obliczeniową częścią projektu, podczas gdy termin „model” oznacza wytrenowany algorytm, który może być użyty w rzeczywistych zastosowaniach.

Zakres, zasoby i cele projektów uczenia maszynowego określą najbardziej odpowiednią ścieżkę treningową, przy czym większość tych ścieżek obejmuje szereg etapów.

1. Zbieranie i kompilowanie danych

Trening modeli uczenia maszynowego wymaga dużej ilości danych bardzo dobrej jakości. Znalezienie ich bywa trudne, a ich ewentualne oznaczenie może wymagać znacznych nakładów. Po zidentyfikowaniu potencjalnych źródeł danych, należy je ocenić pod kątem ogólnej jakości i zgodności z istniejącymi zasobami integracji / repozytorium danych projektu. Źródła te stanowią podstawę treningu w projekcie uczenia maszynowego.

2. Wybór odpowiedniego algorytmu w celu uzyskania pożądanego modelu

W zależności od tego, czy w projekcie planowane jest wykorzystanie uczenia nadzorowanego, nienadzorowanego czy półnadzorowanego, danolodzy mogą wybrać najbardziej odpowiednie algorytmy. Na przykład prostszy projekt z oznaczonym zbiorem danych może wykorzystywać drzewo decyzyjne, podczas gdy klastrowanie, czyli dzielenie próbek danych na grupy podobnych obiektów, wymaga więcej zasobów obliczeniowych, ponieważ algorytm działa w sposób nienadzorowany, aby określić najlepszą ścieżkę do celu.

3. Zawężenie i przygotowanie danych do analizy

Istnieje prawdopodobieństwo, że dane przychodzące nie będą gotowe do użycia. Proces przygotowania danych ma na celu oczyszczenie zbiorów danych, aby zapewnić, że wszystkie rekordy mogą być łatwo pozyskane podczas treningu. Przygotowanie obejmuje szereg zadań przekształceniowych, takich jak ustalanie formatów daty i czasu, ewentualne łączenie lub oddzielanie kolumn oraz ustawianie innych parametrów formatu, na przykład dopuszczalnych cyfr znaczących w danych pozyskiwanych w czasie rzeczywistym. Inne kluczowe zadania obejmują oczyszczanie zduplikowanych rekordów, zwane także d deduplikacją danych, oraz określanie i ewentualne usuwanie wartości odstających.

4. Uczenie modelu w ramach treningu

Po wybraniu odpowiedniego modelu finalnego zaczyna się trening modelu. Podczas treningu do algorytmu jest przesyłany wyselekcjonowany zbiór danych (oznaczony lub nieoznaczony). W początkowych przebiegach rezultaty mogą nie być najlepsze, ale danolodzy dostosują je w razie potrzeby, aby poprawić wyniki i zwiększyć dokładność. Następnie algorytmowi ponownie przesyła się dane, zwykle w większych ilościach, aby precyzyjniej go dostroić. Im więcej danych przetwarza algorytm, tym lepsze rezultaty powinien uzyskiwać model finalny.

5. Ocena wyników i dokładności modelu

Po wytrenowaniu modelu do wystarczającej dokładności przychodzi czas na przekazanie mu nowych danych, aby przetestować jego działanie. Często dane używane do testowania są podzbiorem danych treningowych odłożonych do wykorzystania po wstępnym treningu.

6. Dostrajanie i ulepszanie parametrów modelu

Na tym etapie model jest już najprawdopodobniej bliski wdrożenia. Przebiegi ze zbiorami danych testowych powinny dawać bardzo dokładne wyniki. Ulepszenia polegają na dodatkowym treningu z wykorzystaniem konkretnych danych, często unikatowych dla działalności przedsiębiorstwa, w celu uzupełnienia ogólnych danych użytych w pierwotnym treningu.

7. Uruchomienie produkcyjne modelu

Dzięki optymalizacji wyników model jest już gotowy do przetwarzania nowych danych w zwykłych zastosowaniach produkcyjnych. Po uruchomieniu modelu zespoły projektowe będą zbierać dane na temat tego, jak się sprawdza w rzeczywistych scenariuszach. Można to zrobić monitorując kluczowe wskaźniki wydajności, takie jak dokładność (ogólna poprawność przewidywań modelu) i czułość (procent poprawnie przewidzianych pozytywnych przypadków). Ponadto należy rozważyć, w jaki sposób przewidywania modelu wpływają na rezultaty biznesowe w terenie, czyli czy model przynosi korzyści, na przykład w postaci zwiększonej sprzedaży bluzek lub lepszej diagnostyki?

Dzięki regularnym audytom i ocenom działania modelu można zidentyfikować problemy lub zniekształcenia, które mogły pojawić się po jego wdrożeniu produkcyjnym, a także zapewnić, że model działa efektywnie i spełnia pożądane cele.

Algorytmy uczenia maszynowego

Algorytmy to obliczeniowa część projektu uczenia maszynowego. Wytrenowane algorytmy tworzą modele, które generują prawdopodobieństwo statystyczne dla odpowiedzi na pytanie lub osiągnięcia określonego celu. Celem tym może być znalezienie określonych cech na obrazach, na przykład „identyfikacja wszystkich kotów”, lub wykrycie w danych anomalii, które mogą wskazywać na oszustwo, spam lub problem z konserwacją maszyny. Jeszcze inne algorytmy mogą próbować przewidywać, na przykład jakie elementy garderoby mogą spodobać się kupującemu na podstawie tego, co aktualnie znajduje się w jego koszyku.

Poniżej przedstawiono kilka najpopularniejszych algorytmów stosowanych w uczeniu maszynowym:

• Sieci neuronowe. Mózg człowieka działa poprzez tworzenie sieci węzłów, które wykonują tak różne funkcje, jak przetwarzanie obrazów z naszych oczu, przechowywanie wspomnień i kontrolowanie naszych mięśni. Komputerowe sieci neuronowe są wzorowane na architekturze mózgu człowieka, tworząc warstwy węzłów, które ważą relacje między analizowanymi danymi a danymi w sąsiednich węzłach. Działając w sieci, węzły te mogą określać cechy danych, na przykład elementy obrazu.
• Regresja liniowa. Algorytmy regresji liniowej pobierają punkty danych i budują równanie matematyczne prostej, która najlepiej opisuje zależność między zmiennymi. Prosta ta jest czasami nazywana „linią najlepszego dopasowania”. Regresja liniowa polega na dostosowaniu zmiennych w równaniu w celu zminimalizowania błędów w prognozach. Przykład regresji liniowej można zaobserwować w opiece pediatrycznej, gdzie różne punkty danych mogą przewidywać wzrost i wagę dziecka na podstawie danych historycznych. Wskaźnik BMI to również przykład regresji liniowej, która próbuje skorelować wzrost i wagę z ogólną zawartością tkanki tłuszczowej w organizmie. Jako że algorytm wykorzystuje linię prostą do swoich przewidywań, poziom błędów może być wysoki. Na przykład wskaźnik BMI wynoszący 30 wskazuje na otyłość. Jest to często prawdą dla ogółu społeczeństwa, ale zdecydowanie nie dla osób uprawiających sporty siłowe, na przykład wspomagających w futbolu amerykańskim.
• Regresja logistyczna. Algorytm ten jest najczęściej stosowany w przypadku problemów z dwoma możliwymi wynikami. Regresja logistyczna jest podobna do regresji liniowej, ale różni się w określaniu zakresu wartości. Przykładem regresji logistycznej jest analiza prawdopodobieństwa przekształcenia klienta potencjalnego w klienta płacącego za usługę. Regresja logistyczna jest często stosowana w diagnozach medycznych, na przykład stężenie glukozy w osoczu w określonym zakresie jest uznawane za silny wskaźnik cukrzycy. Regresja logistyczna może być również używana do przewidywania, czy wiadomość e-mail jest spamem, lub czy transakcja kartą kredytową jest oszustwem.
• Klastrowanie. Klastrowanie jest formą treningu nienadzorowanego, w którym algorytm otrzymuje nieoznaczone zbiory danych i identyfikuje w nich różne grupy (klastry). Oceniając dane treningowe, algorytm wyszukuje wzorce i pokrywające się szczegóły między danymi, a potem na tej podstawie tworzy grupy. Załóżmy, że algorytm analizuje wartość odżywczą szerokiej gamy owoców. Może się okazać, że jedną grupę stanowią owoce cytrusowe, drugą — jagody, a trzecią — melony. Pozwala to na łatwiejsze zrozumienie tego, co sprawia, że każdy klaster jest unikatowy. Klastrowanie jest szczególnie przydatne we wszelkiego rodzaju projektach związanych z kategoryzacją, na przykład segmentacją rynku.
• Drzewa decyzyjne. Ten algorytm wykorzystuje trening nadzorowany i podstawowe instrukcje warunkowe (jeśli..., to...) do tworzenia prognoz. W zależności od złożoności projektu drzewa decyzyjne mogą być idealne jako algorytmy, które nie wymagają dużych zasobów i które dają proste wyniki. Jeśli na przykład uczelnia chce określić, którzy studenci mogą przeskoczyć pierwszy rok nauki języka angielskiego, może użyć drzewa decyzyjnego, które najpierw pyta, czy student uczęszczał przez cztery lata na zajęcia z języka angielskiego w szkole średniej, a jeśli tak, to czy miał co najmniej ocenę dobrą na tych zajęciach. Inna ścieżka może po prostu zapytać, czy uczeń uzyskał wynik lepszy niż określony próg na egzaminie SAT z czytania i pisania.
• Lasy decyzyjne. Drzewa decyzyjne same w sobie mają ograniczenia wynikające z ich sztywnych przepływów pracy i wymogu udzielenia odpowiedzi na wszystkie pytania ewaluacyjne. W naszym przykładzie drzewa decyzyjnego powyżej, uczelnia może wymagać, aby oba warunki były prawdziwe, mimo że spełnienie tylko jednego może być wystarczające. Mogą też istnieć inne czynniki, które należy uwzględnić, na przykład to, jak dobrze uczeń poradził sobie z napisaniem eseju rekrutacyjnego. Gdyby uczelnia wymagała wszystkich trzech elementów, pojawiłby się problem nadmiernego dopasowania do drzewa decyzyjnego. Studenci, którzy osiągnęli dobre wyniki we wszystkich trzech kategoriach, z dużym prawdopodobieństwem poradziliby sobie bez udziału w kursie podstawowym z angielskiego. Inni studenci, którzy również poradziliby sobie bez tego kursu, nadal będą jednak zobowiązani do jego ukończenia. Lasy decyzyjne łączą zbiory drzew decyzyjnych, które łącznie ważą rezultaty, aby przedstawić szerszą perspektywę. Dzięki lasom decyzyjnym projekty mogą nadal wykorzystywać podstawową mechanikę drzew decyzyjnych, jednocześnie uwzględniając zniuansowane relacje między odpowiednimi punktami danych. Nasza uczelnia może więc podzielić te trzy elementy na osobne drzewa decyzyjne, a następnie użyć wag, aby zdecydować, kto może nie chodzić na podstawowy kurs angielskiego, na podstawie ustalenia, że dobre wyniki z angielskiego w szkole średniej są najbardziej znaczącym wskaźnikiem, a esej — najmniej znaczącym.

Wyjście poza sieci neuronowe

Uczenie maszynowe wykorzystuje szeroki wachlarz algorytmów. Algorytmy omówione powyżej są najbardziej popularne, ale poniżej przedstawiamy pięć mniej popularnych, ale wciąż przydatnych algorytmów.

Korzyści z uczenia maszynowego

Uczenie maszynowe pozwala wyodrębniać z danych informacje, których nie dałoby się znaleźć w żaden inny sposób. Kilka najczęstszych korzyści płynących z integracji uczenia maszynowego z procesami to m.in:

• Usprawnianie procesu podejmowania decyzji i analiza predykcyjna. Decyzje oparte na danych zaczynają się od analizy danych. Jest to oczywiste stwierdzenie, ale gdy proces analizy jest wykonywany ręcznie, wówczas wymaga czasu i zasobów i może nie przynieść wystarczająco cennych informacji, aby uzasadnić poniesione koszty. Uczenie maszynowe może analizować bardzo duże ilości danych w celu identyfikacji trendów i wzorców, dzięki czemu użytkownicy mogą skupiać się na zapytaniach i możliwych do wykorzystania operacyjnego wynikach, zamiast optymalizować ręczne przetwarzanie danych. W zależności od narzędzia analitycznego uczenie maszynowe może generować prognozy i identyfikować trudne do znalezienia informacje w danych, umożliwiając bardziej szczegółową analizę i zapewniając organizacji większe korzyści.
• Zwiększanie wydajności i automatyzacja zadań. Uczenie maszynowe leży u podstaw wielu technologii zwiększających wydajność pracowników. Wiele niewymagających myślenia, powtarzalnych zadań, w tym sprawdzanie pisowni, a także digitalizacja i klasyfikacja dokumentów, jest obecnie wykonywanych przez komputery dzięki uczeniu maszynowemu.
  
  Uczenie maszynowe doskonale sprawdza się również w błyskawicznej analizie danych, która jest niezwykle trudna dla ludzi. Czy dana transakcja jest oszukańcza? Czy ta wiadomość e-mail to atak phishingowy? Systemy uczenia maszynowego mogą często dokładnie odpowiedzieć na te pytania w ciągu kilku sekund i automatycznie podjąć odpowiednie działania. Łącząc technologie uczenia maszynowego, można na podstawie danych tworzyć prognozy wraz z wyjaśnieniami czynników, które wpłynęły na te prognozy, pomagając członkom ścisłego kierownictwa w wytyczaniu najlepszych ścieżek rozwoju prowadzonej działalności.
• Personalizacja i rozwój innowacji w usługach. Uczenie maszynowe otwiera nowe możliwości obsługi klientów dzięki personalizacji. Na podstawie historii zakupów, historii przeglądania, danych demograficznych i dodatkowych informacji można zbudować indywidualny profil klienta, który następnie można porównać z podobnymi profilami w celu przewidywania zainteresowań klientów. Pozwala to na sugerowanie ofert, automatyczne generowanie rabatów i innych typów spersonalizowanych działań, aby zachęcać klientów do powrotu.
  
  Jak już wspomniano, drzewa decyzyjne mogą pomóc w klasyfikacji klientów Być może jeden klient lubi modę vintage i modę z drugiej ręki, a inny wybiera najnowsze kreacje prosto od projektantów. Grupowanie klientów (klastrowanie) na podstawie podobieństw pozwala przewidzieć, które produkty mogą ich zainteresować oraz jak bardzo są skłonni reagować na promocje. Następnie uczenie maszynowe może przewidzieć najlepsze oferty dla każdego klienta, uwzględniając klastry, do których należą.

Wyzwania w uczeniu maszynowym

Projekty uczenia maszynowego są tylko tak efektywne, jak system i zasoby, na bazie których powstały. Wskazuje to na potrzebę inwestowania w odpowiednie planowanie i przygotowanie.

Poniżej przedstawiono kilka najczęstszych wyzwań związanych z projektami uczenia maszynowego:

• Jakość danych. Powiedzenie „jak sobie pościelesz, tak się wyśpisz" ma zastosowanie do uczenia maszynowego, ponieważ jeśli w fazie treningowej lub produkcyjnej model otrzyma niskiej jakości dane, jego wyniki również będą niskiej jakości. Dobrej jakości dane mogą pomóc w uzyskaniu dokładniejszych wyników dostarczanych w sposób terminowy i efektywny; dane niskiej jakości mogą powodować niedokładności i zniekształcenia wyników. Należy pamiętać, że „jakość” może oznaczać różne rzeczy w różnych projektach. W przypadku treningu systemów rozpoznawania obrazu, dane powinny reprezentować to, co model będzie widzieć w rzeczywistym świecie. Obejmuje to obiekty znajdujące się w cieniu, lekko nieostre i nie patrzące bezpośrednio w obiektyw aparatu. Im bardziej dane treningowe przypominają to, co system będzie widzieć w środowisku produkcyjnym, tym lepiej.
  
  W tym celu należy weryfikować źródła danych, przekształcać zbiory danych w celu uzyskania spójnych i zgodnych formatów, uruchamiać procedury czyszczenia i deduplikacji, szkolić użytkowników w zakresie procesów i protokołów oraz integrować narzędzia do oceny jakości i adekwatności.
• Obciążenie. Dane mogą być oczyszczone, ale czy nie są obciążone? Załóżmy, że chcemy wytrenować system uczenia maszynowego do wykrywania psów na zdjęciach i mamy do dyspozycji obszerny zbiór danych zawierający wyłącznie zdjęcia labradorów i pudli. Wytrenowany model świetnie radzi sobie z wykrywaniem tych psów, można powiedzieć, że jest tą cechą obciążony. Kiedy jednak pokaże się mu zdjęcie buldoga, stwierdzi, że nie może znaleźć żadnego psa. Oczywiście, że nie znajdzie, ponieważ nie został odpowiednio do tego wytrenowany.
  
  Przygotowanie odpowiedniego zbioru danych treningowych jest jednym z najtrudniejszych i najdroższych aspektów budowania narzędzi uczenia maszynowego, aby działały zgodnie z oczekiwaniami. Trudność w znalezieniu określonego typu danych może często generować niezamierzone źródło obciążenia. Na przykład mastif tybetański jest rasą rzadką, ale psy te wyglądają podobnie do pomarańczowo-brązowego nowofundlanda. Jeśli zatem dane treningowe dotyczące mastifa tybetańskiego są niewystarczające, nie będzie zbyt zaskakujące, jeśli model uczenia maszynowego określi go jako nowofundlanda.
• Bezpieczeństwo danych. Mimo wielu zapewnianych korzyści, uczenie maszynowe może powodować szereg problemów związanych z bezpieczeństwem. Dane używane w ramach uczenia maszynowego mogą zawierać informacje wrażliwe lub zastrzeżone, które nie są przeznaczone do użytku publicznego. Ponadto dane mogą stać się celem cyberataku mającego na celu zatrucie modelu i wprowadzenie do wyników błędnych informacji. Etapy przygotowania danych mogą zarówno ujawniać, jak i eliminować takie podatności, zwłaszcza gdy zbiory danych importowanych podlegają procesom eksportu lub importu między systemami. Aby złagodzić problemy związane z bezpieczeństwem, należy wdrożyć szereg zasad, procedur i kontroli bezpieczeństwa, w tym przeprowadzić praktyczne szkolenia personelu.
• Prywatność danych. Zapewnienie, że dane wrażliwe nie zostaną ujawnione, wymaga ciągłych działań. Anonimizacja danych jest nową praktyką, ale nie zawsze może być dostępna lub wystarczająca. Załóżmy, że dane przedsiębiorstwo chce zaoferować usługę, która pozwoli jego klientom biznesowym dowiedzieć się więcej o odbiorcach końcowych na podstawie zebranych danych. Tego typu dane musiałyby być chronione i używane zgodnie z wymogami prawnymi, a przedsiębiorstwo musiałoby dokładnie rozważyć nowe wektory ataków, które mogłyby mieć na celu naruszenie bezpieczeństwa danych za pośrednictwem systemu uczenia maszynowego.

Przykłady zastosowania samouczenia się maszyn

Uczenie maszynowe może przynieść istotne korzyści dla niemal każdej branży i każdego działu w przedsiębiorstwie. Jeśli dane są dostępne i można je analizować, uczenie maszynowe pozwala zwiększyć efektywność oraz odkrywać nowe sposoby zaangażowania odbiorców. Poniżej przedstawiono typowe zastosowania uczenia maszynowego w różnych branżach:

• Sprzedaż detaliczna. Sprzedawcom detalicznym uczenie maszynowe może pomóc w prowadzeniu działalności operacyjnej, sprzedażowej itp. Na poziomie operacyjnym uczenie maszynowe może analizować dane łańcucha dostaw, aby pomóc w optymalizacji zarządzania zapasami i wczesnej identyfikacji możliwych opóźnień. Aby pomóc zwiększyć sprzedaż, uczenie maszynowe może badać historię wyszukiwania i przeglądania klientów wraz z ich danymi demograficznymi w celu zbudowania profilu, który działa jako podstawa do dalszego zaangażowania klientów.
• Serwisy streamingowe. Podobnie jak sprzedawcy detaliczni, serwisy oferujące streaming audio i wideo mogą tworzyć profile klientów na podstawie ich zaangażowania i historii przeglądania oraz danych demograficznych. Profil taki może następnie być przesyłany do aparatów rekomendacji, które pomagają w odkrywaniu i dalszym angażowaniu użytkowników.
• Branża finansowa. Jednym z najważniejszych, a zarazem najprostszych zastosowań uczenia maszynowego jest wykrywanie oszustw finansowych. Dzięki uczeniu maszynowemu algorytmy mogą identyfikować ogólne zachowanie na rachunku, a następnie flagować anomalie w celu zbadania potencjalnych nadużyć.
• Opieka zdrowotna. W branży opieki zdrowotnej uczenie maszynowe może być wykorzystywane w niemal każdym jej aspekcie. Profile pacjentów na bazie elektronicznej dokumentacji medycznej mogą z wyprzedzeniem identyfikować możliwe problemy na podstawie wzorców porównywanych z podobnymi danymi demograficznymi. Dane z urządzeń Internetu Rzeczy, na przykład inteligentnego dozownika leków, mogą szybko sygnalizować błędy, a dane operacyjne dotyczące ruchu pacjentów lub wykorzystania łóżek szpitalnych mogą informować o niedoborach personelu.

Szybsze i bezpieczniejsze uczenie maszynowe dzięki Oracle

Machine Learning in Oracle Database oferuje szereg funkcji i narzędzi przyspieszających proces uczenia maszynowego. Dzięki możliwości przechowywania danych bezpośrednio w bazie danych, danolodzy mogą uprościć swój przepływ pracy i zwiększyć bezpieczeństwo, jednocześnie korzystając z ponad trzydziestu wbudowanych, wydajnych algorytmów; obsługi popularnych języków, w tym R, SQL i Python; zautomatyzowanych funkcji uczenia maszynowego; oraz interfejsów umożliwiających trenowanie modeli bez konieczności pisania kodu.

W przypadku organizacji dysponujących dużymi zbiorami danych uczenie maszynowe w bazie danych w ramach rozwiązania HeatWave MySQL eliminuje potrzebę przenoszenia danych do oddzielnego systemu na potrzeby treningu, co może pomóc zwiększyć bezpieczeństwo, obniżyć koszty i zaoszczędzić czas. HeatWave AutoML automatyzuje cykl uczenia maszynowego, w tym wybór algorytmu, inteligentne próbkowanie danych do szkolenia, wybór funkcji i dostrajanie, często oszczędzając jeszcze więcej czasu i nakładów.

Zaletą uczenia maszynowego jest możliwość szybkiej i dokładnej analizy i interpretacji dużych ilości danych. Wytrenowane modele uczenia maszynowego mogą w ciągu kilku sekund lub minut zidentyfikować wzorce, trendy i informacje, których wykrycie zajęłoby ludziom tygodnie lub które nigdy nie zostałyby wykryte. W rezultacie można podejmować trafniejsze decyzje, lepiej rozwiązywać problemy i tworzyć prognozy oparte na danych. Ponadto modele uczenia maszynowego mogą automatyzować rutynowe procesy, oszczędzając czas i zasoby. Uczenie maszynowe wykorzystuje swój potencjał do zrewolucjonizowania miejsca pracy i stymulowania rozwoju innowacji.

Uczenie maszynowe — często zadawane pytania

Czym różni się sztuczna inteligencja i uczenia maszynowego ?

Sztuczna inteligencja to nazwa nadana szerokiej dziedzinie informatyki, która skupia się na budowaniu i doskonaleniu systemów mających na celu myślenie jak ludzie. Uczenie maszynowe to podzbiór tej dziedziny, który skupia się w szczególności na obliczeniowym aspekcie procesu uczenia się. Oba terminy są często używane zamiennie, a opisywane przez nie technologie stoją przed podobnymi wyzwaniami, ale mimo tego nie są to synonimy.

Jakie są cztery główne typy uczenia maszynowego ?

Cztery typy uczenia maszynowego są następujące:

• Uczenie maszynowe nadzorowane. Uczenie nadzorowane wykorzystuje oznaczone zbiory danych do trenowania algorytmu w kierunku określonego celu.
• Uczenie maszynowe nienadzorowane. Uczenie nienadzorowane wykorzystuje nieoznaczone zbiory danych, które zapewniają algorytmowi przestrzeń do eksploracji i identyfikacji wzorców.
• Uczenie maszynowe półnadzorowane. Uczenie półnadzorowane wykorzystuje oznaczone zbiory danych do początkowego treningu w celu ustalenia szerokich parametrów projektu. Następnie algorytm wykorzystuje ten trening do oceny nieoznaczonych próbek, aby sprawdzić, czy może je oznaczyć z wysokim prawdopodobieństwem. Proces ten może być powtarzany z coraz większym zbiorem oznaczonych próbek w każdej iteracji.
• Uczenie maszynowe wzmocnione. Uczenie wzmocnione działa podobnie do uczenia nienadzorowanego, ponieważ wykorzystuje nieoznaczone zbiory danych. Skupia się jednak na uczeniu się najlepszej ścieżki do osiągnięcia określonego celu poprzez pozytywne, negatywne i neutralne informacje zwrotne, a nie poprzez wyszukiwanie wzorców.

Czy trudno jest nauczyć się korzystania z uczenia maszynowego?

Jak w przypadku każdego technicznego rzemiosła, poznanie tajników uczenia maszynowego wymaga czasu i zaangażowania. Dobrym punktem wyjścia do uczenia maszynowego jest znajomość języków programowania (Python lub R) oraz statystyki. Wiele elementów związanych z oceną danych wyjściowych uczenia maszynowego wymaga znajomości różnych pojęć statystycznych, w tym regresji, klasyfikacji, dopasowania i parametrów.

Co jest przykładem uczenia maszynowego?

Jednym z najczęstszych przykładów zastosowań uczenia maszynowego jest aparat sugestii. W branży e-commerce jest to sugerowanie produktów, które mogą się również spodobać kupującemu. W serwisach streamingowych jest to podpowiadanie następnych pozycji wartych obejrzenia. W obu tych przypadkach algorytm pobiera historię użytkownika i na tej podstawie tworzy prognozy dotyczące tego, co użytkownik może uznać za interesujące, przy czym im więcej punktów danych doda użytkownik, tym lepsze będą prognozy algorytmu.