Uczenie maszynowe, czyli gdzie programista nie może, tam AI pośle

08.02.2018 AUTOR: Radek Borzym

Uczenie maszynowe pozwala na zaoszczędzenie czasu. Wiele zadań byłoby wręcz niemożliwych do wykonania bez wykorzystania wiedzy z tej dziedziny. Dzięki niej możliwe jest automatyczne tworzenie modeli analitycznych. Sztuczna inteligencja samodzielnie analizuje bazy danych posiadające często miliony rekordów wynajdując zależności, których odkrycie zajęłoby człowiekowi lata.

Wraz z pojawieniem się zjawiska Big Data coraz trudniej jest pojedynczym ludziom, albo nawet całym zespołom dokonywać poprawnej analizy ogromu zebranych danych. Na szczęście nie jest to już koniecznością. Istnieje możliwość wykorzystania algorytmów uczenia maszynowego, które większość pracy wykonają za nas. Opracowane przez AI modele powstaną szybciej, taniej i cieszyć się będą większą dokładnością niż te, które wyszły spod ludzkiej ręki.

Uczenie maszynowe a adaptacja

Ważną cechą uczenia maszynowego jest zdolność do adaptacji poprzez iterację. Wraz z napływem nowych danych programy korzystające z uczenia maszynowego są w stanie samodzielnie skorygować wcześniejsze wnioski. Sprawia to, że modele są cały czas aktualizowane.

Metoda ta wykorzystywana jest obecnie przez wyszukiwarkę Google oraz wspomaga opracowywanie AI, która posłuży do wprowadzenia na drogi samonaprowadzających się pojazdów.

W jaki sposób powstają samouczące się algorytmy? Istnieją dwie główne metody, pierwsza polega na nadzorowaniu nauki przez programistów, a w drugiej algorytm rozwija się samodzielnie.

 

W ponad dwóch trzecich wypadków wykorzystywana jest pierwsza metoda. Polega ona na tym, że algorytm otrzymuje poprawne wyniki obliczeń wraz z serią danych i musi opracować odpowiedni model, który sprawi, że możliwe będzie otrzymanie pożądanych wyników korzystając z otrzymanych danych. Metodę tę stosuje się najczęściej kiedy możliwe jest przewidywanie przyszłych wydarzeń na podstawie danych historycznych.

Samodzielnie rozwijający się algorytm musi obyć się bez wyznaczonego celu, do którego ma dojść. Sztuczna inteligencja musi samodzielnie zrozumieć dane, którymi jest karmiona. Dzięki temu tworzy modele próbujące opisać rzeczywistość. Metoda ta stosowana jest w zaledwie co trzecim przypadku, ale to właśnie dzięki niej powstają najbardziej kreatywne rozwiązania.

Istnieje pewne zamieszanie co do różnić pomiędzy data mining, a nauką maszynową. Data mining polega zaledwie na wyszukiwaniu nieznanych wcześniej modeli i wzorców zachowań, zaś nauka maszynowa pozwala nie tylko na odkrywanie nowych wzorców, ale także na ich automatycznie powielanie. AI w tym wypadku bazując na zdobytej wcześniej wiedzy samodzielnie podejmuje decyzje, dzięki czemu zastosowania tej metody są dużo szersze niż zastosowania data miningu.

Artykuł powstał dzięki:

Coders Lab

Łącząc doświadczenie edukacyjne ze znajomością rynku pracy IT, Coders Lab umożliwia szybkie i efektywne zdobycie pożądanych kompetencji związanych z nowymi technologiami. Skupia się się na przekazywaniu praktycznych umiejętności, które w pierwszej kolejności są przydatne u pracodawców.

Wszystkie kursy odbywają się na bazie autorskich materiałów, takich samych niezależnie od miejsca kursu. Dzięki dbałości o jakość kursów oraz uczestnictwie w programie Career Lab, 82% z absolwentów znajduje zatrudnienie w nowym zawodzie w ciągu 3 miesięcy od zakończenia kursu.


Do góry!

Polecane artykuły

22.09.2020

Comarch e-Sale, jako e-commerce na dobry ...