Поделиться
Машинное обучение
Машинное обучение, МО (обучение машин) – одно из самостоятельных центральных направлений искусственного интеллекта (ИИ). Оно 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;
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; она 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 управлению 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.
Короткая ссылка
