#trendy | usługa uczenie Maszynowe

Od dawien dawna naukowcy, wśród których Pascal i Leibniz, marzył o samochodach, które mogą zobaczyć, zrozumieć otaczający świat i interakcji z nim. Pisarze i reżyserzy, tacy jak Juliusz Verne, Mary Shelley, George Lucas i Steven Spielberg, tworzyli odważne formy takich inteligentnych urządzeń. W tym wydaniu możemy mówić o uczeniu maszynowym, który już udało się udowodnić, że gdzieś w głębi komputery i roboty nie za bardzo różnią się od ludzi.

Co to jest usługa uczenie maszynowe? W skrócie, jest to dyscyplina naukowa, stara się odpowiedzieć na następujące pytanie: "Jak możemy programować systemy automatyczne uczenie się i doskonalenie z nabyciem nowego doświadczenia?". Szkolenia w tym kontekście polega na uzyskaniu nowej wiedzy, a w rozpoznawania złożonych wzorców i podejmowaniu słusznych decyzji na podstawie dostępnych danych. Podstawowa trudność związana jest z tym, że zbiór wszystkich możliwych rozwiązań przy wszystkich otrzymywanych danych jest zbyt skomplikowane do opisania. Aby rozwiązać ten problem, w ramach uczenia maszynowego opracowywane są algorytmy, które czerpią wiedzę z konkretnych danych i doświadczenia na podstawie statystycznych i obliczeniowych zasad.

Historia uczenia maszynowego sama w sobie jest bardzo ciekawa i liczy już ponad 70 lat. W 1946 roku został opracowany pierwszy komputer ENIAC. Komputerem, czyli komputerem roboczym, w tamtych czasach nazywał się człowiek, wykonujący obliczenia na papierze, a ENIAC stał się znany jako obliczeniowej maszyny. Została ona ręcznie, czyli człowiekowi trzeba było łączyć ze sobą elementy maszyny, aby odbywały się obliczenia. Wtedy uważano, że nadanie takiej maszyny ludzkim podejściem do uczenia się i myślenia było całkiem logiczne i wykonalne zadanie.

W 1950 roku brytyjski matematyk Alan Turing zaproponował sposób pomiaru wydajności uczenia się maszyn. "Test Turinga" opiera się na następującym pomyśle: możemy określić, że urządzenie jest naprawdę uczy się, tylko jeśli w kontaktach z niej nie będziemy w stanie odróżnić go od innej osoby. Chociaż w tamtych czasach żaden z dostępnych systemów nie mógł przejść "test Turinga", ustawiona wysoka poprzeczka pobudziło wynalazców na tworzenie bardzo ciekawych maszyn.

Arthur Samuel

W 1952 roku Arthur Samuel z firmy IBM napisał grę komputerową "Warcaby", stawiając przed sobą zadanie nadać jej taki poziom umiejętności, aby mogła zmierzyć się z mistrzem świata. Programy uczenia maszynowego Samuel wielki sukces i świetnie pomogliśmy profesjonalnym graczom w warcaby poprawić swoje umiejętności w grze.

Kolejnym kamieniem milowym było pojawienie się systemu ELIZA, opracowanej na początku lat 60-tych Przez Вайценбаумом. ELIZA była symulator terapeuty i używał takich sztuczek, jak wyszukiwanie słów i zebrane odpowiedzi w reakcji na określone słowa kluczowe. Po raz pierwszy w obliczu ELIZA, niektórzy błędnie brali ją za żywego człowieka.

Złudzenie rzeczywistego komunikowania się czuł mocniej, jeśli człowiek ograniczał rozmowy rozmowami o sobie i swoim życiu. Mimo, że pracowała ELIZA daleko nie jest idealne, stała się wczesnym typem nowoczesnych elektronicznych pomocników, takich jak Siri i Cortana. Jeszcze jednym ważnym osiągnięciem można nazwać system MYCIN, opracowany na początku lat 70-tych na uniwersytecie Stanforda przez zespół pod kierownictwem Teda Шортлифа. Poprzez łańcuch pytań i odpowiedzi system pomagała opieka specjalisty, aby postawić właściwą diagnozę pacjenta i wybrać najbardziej odpowiedni sposób leczenia. MYCIN często określane jako pierwszej w świecie ekspertów systemem.

Na tle pojawienia się systemów ekspertowych powstawały i inne podejścia do problemu uczenia maszynowego. W 1957 roku amerykański нейрофизиолог Frank Rosenblatt opracował перцептрон — komputerowy model percepcji informacji mózgiem, zrealizowany później w e-samochodem "Mark-1" i stała się jedną z pierwszych na świecie modeli нейросетей. 23 czerwca 1960 roku byli razem na cornell. wykazano pierwszy нейрокомпьютер "Mark-1", który był w stanie rozpoznać niektóre litery alfabetu angielskiego.

Frank Rosenblatt

Aby "nauczyć" перцептрон klasyfikować obrazy, został opracowany specjalny iteracyjny metoda uczenia się metodą prób i błędów, przypomina proces uczenia się człowieka — metoda korekcji błędów. Ponadto, podczas rozpoznawania tej czy innej litery перцептрон mógł przeznaczyć charakterystyczne cechy liter, statystycznie częściej spotykane, niż nieznaczne różnice w indywidualnych przypadkach. Tym samym перцептрон był w stanie generalizować litery, pisane w różny sposób (pisma), w jeden spójny obraz.

Jednak nie wszyscy podzielali przekonanie, że podejście do nauki komputerów za pomocą нейросетей jest poprawna. Po tym, jak wybitny naukowiec Marvin Miński publicznie skrytykował tę koncepcję, badania były głównie skupiają się na tworzeniu maszyn, wstępnie zaprogramowanych pod realizację konkretnych zadań, co doprowadzając przemysłu na zastój, trwał ponad 10 lat.

Na początku lat dziewięćdziesiątych, uczenie maszynowe ponownie stał się bardzo popularnym tematem w wyniku przecięcia informatyki i statystyki. Taka synergia doprowadziła do powstania nowego sposobu myślenia w dziedzinie sztucznej inteligencji — вероятностного podejścia. To podejście różni się tym, że opierał się na ilości danych, a nie wypracowanych umiejętności, jak w opinii ekspertów,operacyjnych, появлявшихся wcześniej. Wiele dzisiejsze udane przypadki zastosowania uczenia maszynowego są konsekwencją idei powstałych w tym czasie.

Ważnym aspektem uczenia maszynowego jest taki fenomen, jak Big Data, lub duże dane. W latach dziewięćdziesiątych stało się oczywiste, że im więcej informacji statystycznej "karmić" systemie komputerowym, tym większe prawdopodobieństwo wytwarzania ma prawdziwe zrozumienie dostępnych jej danych.

Dzięki powstaniu Internetu i obniżaniu ceny urządzeń do przechowywania informacji naukowcy otrzymali do swojej dyspozycji olbrzymie ilości danych, o których pięćdziesiąt lat temu naukowcy i marzyć nie mogli. Przy czym ta ilość danych rośnie w postępie geometrycznym. Na przykład, biologia dziś dysponuje 1 эксабайтом danych o genomach, co równa się 10 bajtów w 18 stopniu. Oczekuje się, że w 2024 roku nowa generacja radioteleskopów będzie generować taka ilość informacji codziennie. Aby obsługiwać takie gigantyczne ilości danych, powstała nowa dyscyplina naukowa, zajmująca się dużymi danymi — ich szybkiego wyszukiwania, analizy i ранжированием.

Jednym z najbardziej głośnych sukcesów ostatnich lat można nazwać współpraca naukowca Geoffrey Hinton i założyciela firmy ImageNet Fei-Fei Czy, którym wspólnie udało się znacznie przyspieszenia w rozwoju tego zjawiska, jak głębokie szkolenia. Dzięki zastosowaniu wielowarstwowych нейросетей i milionów zdjęć, zebranych ImageNet, naukowcy byli w stanie osiągnąć tego, aby komputery nauczyli się przyjmować informacje nie na podstawie logiki, jak dorośli ludzie, a na podstawie danych od narządy zmysłów — czyli tak, jak to robi dziecko, wiedząc świat. Zdaniem naukowców, głębokie uczenie się powinno pozwolić odejść od nadzorowanego uczenia się i zapewnić maszyny zdolność uczyć się samodzielnie, bez żadnych wskazówek ze strony człowieka.

Najważniejszym przykładem potwierdzającym słuszność tego podejścia, stał się eksperyment, który przeprowadziła firma Google w 2012 roku, wkrótce po tym, jak w niej pracę Geoffrey Hinton. W eksperymencie użyto 1000 serwerów z około 16 tysięcy rdzeni. W trakcie badań sieć neuronową analizował 10 milionów screenów różnych przypadkowych filmów z YouTube, z których udało się z dużą dokładnością określić, zdjęcia kotów. Ten eksperyment, przeprowadzone w ramach projektu Google Brain, udowodnił, że podejście Hintona do silnika uczenia się jest wiernym i ma bardzo imponujący potencjał do komercjalizacji. Na przykład, w chwili obecnej usługa uczenie maszynowe za pomocą konsumpcji dużej ilości zdjęć pozwala z powodzeniem realizować projekt самоуправляемого samochodu Google.

Eksperyment Google z kotami

Najsilniej odczuć wpływ uczenia maszynowego można, gdy jest ono zintegrowane narzędzia innych metod sztucznej inteligencji w taki sposób, jak to jeszcze nigdy nie było robione. Na przykład, projekt DeepMind wszystkie tej samej firmy Google mógł zaprezentować wspaniałe wyniki, wyrównując głębokie nauki z techniką, która otrzymała nazwę wzmocniona szkolenia. Firma stworzyła system AlphaGo, która w marcu 2015 roku udało się pokonać mistrza świata w chińskiej grze planszowej go. W przeciwieństwie do komputera IBM Deep Blue, wygrana w szachy Harry ' ego Kasparowa w 1997 roku, AlphaGo nie программировалось za pomocą tzw. drzewa decyzji lub równań do analizy sytuacji na planszy. System głównie się uczyłam, obserwując, jak w nią grali profesjonaliści. Na podstawie wyników obserwacji AlphaGo bawić się sama ze sobą milion partii, analizując wyniki i budowanie samodzielną strategię.

Dzisiaj uczenie maszynowe aktywnie uczestniczy w naszym życiu i dotyczy każdego z nas, nawet jeśli bezpośrednio tego nie zauważasz. To i system rekomendacji produktów w sklepach internetowych i systemów filtrowania spamu w wiadomości e-mail. A czasami, dzwoniąc do działu obsługi klienta jakiejś firmy, trudno nam określić, rozmawia z nami żywy człowiek lub cyfrowy asystent, który rozpoznaje mowę i daje odpowiedzi na pytania, wiedząc o kontekście.

Oprócz oczywistych zalet, to zjawisko jest poważnym źródłem niepokoju. Rzecz nawet nie w tym, że studiujący bez udziału człowieka maszyny kiedyś będą chcieli nas zniszczyć. Negatywny wpływ sztucznej inteligencji i uczenia maszynowego możemy odczuwać na sobie w najbardziej najbliższych latach, gdy na giełdzie pracy są tysiące administratorów, pisarzy, tłumaczy, sprzedawców i przedstawicieli wielu innych zawodów. Po jakimś czasie do nich mogą skorzystać kierowcy, maszyniści pociągów, a może nawet dziennikarze. Według danych Światowego forum ekonomicznego, w ciągu najbliższych pięciu lat komputery i roboty zajmą pięć milionów miejsc pracy, które teraz należą do ludzi, a o tym, co z tym wszystkim zrobić, jak się wydaje, nie myśli nikt.