Спецпроекты

Машинное обучение

IBS

Машинное обучение (МО), обучение машин – одно из самостоятельных центральных направлений ИИ. Обобщает результаты и идеи, связанные с нейросетевыми вычислениями, эволюционными и генетическими алгоритмами, нечеткими множествами и др. Прикладное машинное обучение совмещает в себе математические методы и эмпирические приемы. Различают три основных вида алгоритмов обучения машин (machine learning algorithm) – а) контролируемое обучение, обучение с учителем (supervised learning), при котором наборы данных (data set) маркируются, размечаются таким образом, чтобы можно было выявлять паттерны для использования при разметке новых наборов данных; б) неконтролируемое обучение, обучение без учителя (unsupervised learning), при котором наборы данных не размечаются, а сортируются с учетом их сходств или различий; и в) стимулированное обучение, обучение с подкреплением (reinforcement learning), при котором наборы данных не размечаются, но после выполнения некоторого действия или нескольких действий система ИИ получает соответствующую обратную связь.

Для ускорения и упрощения машинного обучения существуют специальные библиотеки (machine learning library, MLlib), содержащие методы для построения систем машинного обучения, а также написанные на ЯВУ программы для быстрой реализации алгоритмов машинного обучения, для классификации изображений, для моделирования и др.

Разрабатываются также эффективные новые технологии МО, в том числе:

– масштабированное машинное обучение, технология ММО (scalable machine learning, SML) – гибкая масштабируемая технология для анализа громадных объемов данных интернета; сочетает в себе принципы статистики, системотехники, машинного обучения (machine learning) и добычи данных (data mining) и призвана стать основой интернет-приложений следующего поколения;

– операционализация машинного обучения, система, технология и программная платформа MLOps (machine learning operationalization) – представляет собой быстрый и безопасный путь к внедрению методов и средств искусственного интеллекта (ИИ) благодаря автоматизации развертывания, гармоничной интеграции и управления машинным обучением в бизнесе и в производстве, причем с минимизацией рисков и сложности возможных проблем;

– одномоментное машинное обучение (распознавание, классификация объектов) (one-shot machine learning) – для систем компьютерного зрения, чтобы они, подобно людям, могли использовать предыдущие знания о видах и категориях объектов для распознавания и классификации новых объектов/изображений;

– обучаемость (машинное обучение) без подготовки (zero-shot machine learning, ZSL; zero-data learning) – решение задачи без предоставления материалов для обучения решению этой задачи: например, распознавание незнакомых объектов «с первого взгляда, с одного взгляда» по ассоциации со знакомыми объектами, подобно тому, как это делает человек.

Методы МО очень активно развиваются: так, недавно появилось распределенное МО, позволяющее существенно сократить время обучения.

Почему это важно для бизнеса?

Машинное обучение – основа создания приложений с ИИ. Современные программные средства позволяют внедрять технологии МО даже небольшим компаниям. По прогнозам агентства Gartner, к 2020 г. технологии ИИ и МО будут присутствовать практически во всех новых программных продуктах и сервисах. Еще более впечатляющие прогнозы даются на ближайшее десятилетие. Очевидно, что при разработке новых продуктов и сервисов этот ближнесрочный прогноз необходимо учитывать, при этом основная проблема – поиски и подготовка специалистов по МО и ИИ.

Стратегия месяца

Уже появляются российские эквиваленты западных решений для банков

Сергей Пегасов

CIO Промсвязьбанка

Профиль месяца

Нужно ли локализовывать иностранное ПО

Александр Шохин

президент Российского союза промышленников и предпринимателей