Зміст
- Автоматизація в галузі інформаційних технологій
- Чи є автоматизацією майбутнє машинного навчання?
- Ні помилок, ні стресу - покроковий посібник зі створення програмного забезпечення, що змінює життя, не руйнуючи ваше життя
- Приклад
- Машинне навчання може замінити роботу
- Висновок
Джерело: Krulua / Dreamstime.com
Винос:
Машинне навчання - це здатність системи змінювати власне програмування. Але коли система може це зробити, чи все-таки люди потрібні?
Машинне навчання було одним з найбільших досягнень в історії обчислень, і тепер, як вважається, він може брати на себе значну роль у галузі великих даних та аналітики. Аналіз великих даних - це величезна проблема з точки зору бізнесу. Наприклад, такі заходи, як осмислення величезних обсягів різноманітних форматів даних, підготовка даних для аналітики та фільтрація зайвих даних, можуть зайняти багато ресурсів. Наймання науковців та спеціалістів даних - це дорога пропозиція, і не в межах усіх коштів компанії. Фахівці вважають, що машинне навчання здатне автоматизувати багато завдань, пов'язаних з аналітикою - як рутинних, так і складних. Автоматизація машинного навчання може звільнити багато ресурсів, які можна використовувати в більш складних та інноваційних роботах. Схоже, машинне навчання йшло у цьому напрямку. (Щоб дізнатися більше про використання машинного навчання, див. Обіцянки та підводні камені машинного навчання.)
Автоматизація в галузі інформаційних технологій
Зважаючи на ІТ, автоматизація - це з'єднання різних систем та програмного забезпечення, щоб вони могли виконувати конкретні роботи без будь-якого втручання людини. В ІТ-індустрії автоматизовані системи можуть виконувати як прості, так і складні завдання. Прикладом простого завдання може бути інтеграція форми з PDF та передача документа правильному одержувачеві, а надання резервної копії за межами сайту може бути прикладом складного завдання.
Щоб виконати свою роботу, автоматизовану систему потрібно запрограмувати або дати чіткі вказівки. Щоразу, коли від автоматизованої системи потрібно змінювати сферу своїх завдань, людину потребують оновлення програми або набору інструкцій. Хоча автоматизовані системи ефективні на своїх робочих місцях, помилки можуть виникати через різні причини. При виникненні помилок слід визначити першопричину та виправити її. Очевидно, що для виконання своєї роботи автоматизовані системи повністю залежать від людини. Чим складніший характер роботи, тим вище ймовірність помилок та проблем.
Зазвичай рутинні та повторювані завдання призначаються автоматизованим системам. Поширеним прикладом автоматизації в ІТ-галузі є автоматизація тестування веб-інтерфейсів користувача. Тестові приклади подаються в сценарії автоматизації, і користувальницькі інтерфейси тестуються відповідно. (Докладніше про практичне використання машинного навчання див. У розділі Машинне навчання та Hadoop у розпізнаванні шахрайств нового покоління.)
Аргументом на користь автоматизації було те, що вона виконує рутинні та повторювані завдання та звільняє працівників робити більш складні та творчі завдання. Однак також стверджується, що автоматизація витіснила багато робочих місць або ролей, які раніше виконували людину. Тепер, коли машинне навчання знаходить свій шлях у різних галузях, автоматизація може взагалі додати нового виміру.
Чи є автоматизацією майбутнє машинного навчання?
Сама суть машинного навчання полягає у здатності систем постійно вчитися на основі даних та розвиватися без втручання людини. Машинне навчання здатне вести себе як людський мозок. Наприклад, система рекомендацій на веб-сайті електронної комерції може оцінити унікальні вподобання та смаки користувача та запропонувати рекомендації щодо продуктів та послуг, які найкраще відповідають вибору користувача. Враховуючи цю здатність, машинне навчання вважається ідеальним для автоматизації складних завдань, пов'язаних з великими даними та аналітикою. Він уже подолав основне обмеження традиційних систем автоматизації, які не можуть працювати без регулярного втручання людини. Існує кілька тематичних досліджень, які показують, що машинне навчання здатне виконувати складні завдання аналізу даних, про що буде сказано далі в цій статті.
Як уже вказувалося, аналіз великих даних є складним пропозицією для компаній, і його можна частково делегувати системам машинного навчання. З точки зору бізнесу, це може принести чимало переваг, таких як звільнення ресурсів наукових даних для більш креативних та критичних завдань, більший обсяг завершення роботи, менший час, необхідний для виконання завдань та економічність.
Ні помилок, ні стресу - покроковий посібник зі створення програмного забезпечення, що змінює життя, не руйнуючи ваше життя
Ви не можете покращити свої навички програмування, коли ніхто не піклується про якість програмного забезпечення.
Приклад
У 2015 році дослідники MIT почали працювати над інструментом науки про дані, який здатний створювати прогнозні моделі даних з величезних обсягів необроблених даних за допомогою методики, що називається алгоритмом глибокого синтезу функцій. Алгоритм, стверджують вчені, може поєднувати найкращі риси машинного навчання. За словами вчених, вони вже протестували алгоритм на трьох різних наборах даних і збираються розширити сферу тестування на більше наборів даних. Описуючи, як вони це роблять, дослідники Джеймс Макс Кантер та Кальян Веерамачанені заявляли у документі, який був представлений на міжнародній конференції з питань науки та аналітики: для різних наборів даних. "
Розглянемо, наскільки складною була задача: алгоритм має здатність, яку називають здатністю до автоматичної настройки, за допомогою якої він отримує або отримує уявлення або значення з необроблених даних, таких як вік чи стать, і після цього він може створювати прогнозні моделі даних. Алгоритм використовує складні математичні функції і теорію ймовірностей, відому як Гауссова копула. Отже, легко зрозуміти ступінь складності, з якою алгоритм здатний впоратися. Техніка також завоювала призові місця на змаганнях.
Машинне навчання може замінити роботу
У всьому світі обговорюється, що машинне навчання може замінити багато робочих місць, оскільки воно виконує завдання з ефективністю людського мозку. Насправді, існує певна стурбованість тим, що машинне навчання замінить вчених даних - і, здається, є підстава для таких побоювань.
Для звичайних користувачів, які не мають навичок аналізу даних, але все ще потребують аналітики в повсякденному житті в різній мірі, неможливо мати комп'ютери, які здатні аналізувати величезні обсяги даних та пропонувати аналітику. Але технології обробки природних мов (НЛП) можуть подолати це обмеження, навчаючи комп'ютери приймати та обробляти природну розмовну мову людини. Таким чином, звичайному користувачеві не потрібні складні аналітичні можливості чи навички.
IBM вважає, що потреба в науковцях може бути зведена до мінімуму або усунена за допомогою продуктової платформи аналітики природних мов Watson. За словами його віце-президента з Watson Analytics та Business Intelligence Марка Атшуллера, "З такою когнітивною системою, як Уотсон, ви просто ставите своє запитання - або якщо у вас немає питання, ви просто завантажуєте свої дані, і Уотсон може переглядати це і робити висновок що ви можете знати. "
Висновок
Автоматизація - це наступний логічний крок для машинного навчання, і ми вже відчували наслідки у своєму повсякденному житті - на веб-сайтах електронної комерції, пропозиціях друзів, рекомендаціях щодо мережевих зв’язків LinkedIn та рейтингу пошуку Airbnb. Враховуючи наведені приклади, не можна сумніватися в якості випуску продукції автоматизованих систем машинного навчання. Зважаючи на всі його якості та переваги, думка про машинне навчання, що спричиняє величезне безробіття, може здатися трохи надмірною реакцією. Машини заміщають людей у багатьох сферах нашого життя протягом декількох десятиліть, але все ж люди еволюціонували та адаптувались, щоб залишатися актуальними у цій галузі. Залежно від точки зору, машинне навчання, при всій його руйнівності, - це ще одна така хвиля, до якої люди пристосовуватимуться.