Машинаны үйренуге 7 қадам: автоматтандырылған болашаққа қалай дайындалу керек

Сурет: Sdecoret / Shutterstock

Өсіп келе жатқан цифрлық экономика басқарма мүшелері мен басшыларынан тез өзгеретін цифрлық ландшафт туралы нақты түсінік талап етеді. Жасанды интеллект (AI) әрине маңызды мүдделі тарап болып табылады. Автоматтандырылған болашаққа дайындалғысы келетін компаниялар АИ туралы егжей-тегжейлі білуі керек. Алайда, AI - бұл бірнеше пәндерді қамтитын қолшатыр термині, олардың әрқайсысы компанияға басқаша әсер етеді.

Егер жасанды интеллектке қарайтын болсақ, оны үш түрлі бағытқа бөлуге болады:

  1. Физикалық әлеммен айналысатын және адамдармен тікелей қарым-қатынас жасай алатын робототехника. Робот техникасының көмегімен біз өз жұмысымызды әртүрлі жолдармен жетілдіре аламыз. Оның ішінде Фордтың экзоскелеті немесе Boston Dynamics-тен көмек беретін роботтар бар.
  2. Адам әлемімен байланысты танымдық жүйелер. Чатботтар AI бөлігі ретінде танымдық жүйенің жақсы мысалы болып табылады. Чатботтар бұл мақсатқа жету үшін адамдар мен машиналардың қалай жұмыс істейтіндігінің айқын мысалы. Chatbot - бұл жеке адамдар мен ұйымдарға сөйлесуге мүмкіндік беретін байланыс интерфейсі.
  3. Ақпараттық әлеммен айналысатын машиналық оқыту. Машиналар оқу үшін деректерді пайдаланады, ал машиналық оқыту осы мәліметтерден мағынаны алуға бағытталған. Машиналарды оқыту статистикалық әдістерді қолданады, осылайша машиналар жетілдіріледі. Машиналық оқытудың бір түрі - бұл көп деңгейлі нейрондық желілерге мүмкіндік беретін тереңдетіп оқыту.

Жасанды интеллект робототехника, танымдық жүйелер мен машиналық оқытудың үздіксіз интеграциясынан тұрады.

1-сурет: Жасанды интеллект - Гоэл & Дэвистен бейімделген, 2019 ж

Машинаны үйренуге 7 қадам

Осы бағыттардың біріне тереңірек үңілейік: машиналық оқыту. Машиналарды оқытудың мақсаты - мәліметтерден мағынаны алу. Сондықтан, деректер машинаны оқудан шығарудың кілті болып табылады. Машинаны үйренудің жеті қадамы бар және әр қадам деректер туралы:

2-сурет: машинаны үйренуге 7 қадам

1. Деректер жинау

Машинамен оқыту үшін көптеген мәліметтер қажет (таңбаланған, бақыланатын оқуды білдіреді немесе таңбаланған, бұл бақыланбайтын оқытуды білдіреді). Мәліметтерді жинау немесе тексеру сонымен қатар менің жаңа D2 + A2 моделімдегі алғашқы қадам болып табылады.

2. Деректер дайындау

Шикі деректердің өзі пайдалы емес. Деректер дайындалып, қалыпқа келтірілуі, қайталануы және қателер мен бұрмаланулар жойылуы керек. Деректердің көрнекіленуі дұрыс мәліметтер жиналғанын немесе мәліметтер жоқ болғандығын анықтау үшін үлгілерді және берушілерді іздеуде қолданыла алады.

3. Үлгіні таңдаңыз

Үшінші қадам - ​​дұрыс үлгіні таңдау. Түрлі мақсаттарда қолдануға болатын көптеген модельдер бар. Модельді таңдау кезінде модельдің бизнес мақсатына сәйкес келетіндігіне көз жеткізу керек. Сондай-ақ, сіз модельге қаншалықты дайындықты қажет ететінін, оның дәлдігі және модельдің масштабталуы туралы білуіңіз керек. Неғұрлым күрделі модель әрдайым жақсы модель бола бермейді. Машиналарды оқыту алгоритмдеріне жиі қолданылатын сызықтық регрессия, логистикалық регрессия, шешім ағаштары, K орташа мәні, негізгі компонентті талдау (PCA), тірек векторлық машиналар (SVM), аңғалдықтар, кездейсоқ орман және нейрондық желілер жатады.

4. Оқыту

Модельді оқыту машиналық оқытудың негізгі бөлігін құрайды. Мақсат - сіздің жаттығуларыңыздың деректерін пайдалану және модельдің болжамдарын біртіндеп жақсарту. Әр салмақ пен алдын-ала жүктеу циклы жаттығу қадамы болып табылады. Бақыланатын машиналық оқыту модельді белгіленген үлгі деректерін қолдана отырып құрастырады, ал машинаны бақылаусыз оқыту деректері жоқ мәліметтерден қорытынды жасауға тырысады (белгілі немесе белгіленген нәтижелерге сілтеме жасамай).

5. Бағалау

Жаттығудан кейін модель модельді бағалайды. Бұл оның жұмысын тексеру үшін пайдаланылмаған бақылау жазбасына қарсы тестілеуді қажет етеді. Бұл модельдің нақты әлемде қалай жұмыс істейтінінің өкілі болуы мүмкін, бірақ ол міндетті емес. Нақты өмірдегі айнымалылардың саны неғұрлым көп болса, жаттығулар мен тестілеу деректері соғұрлым көп болуы керек.

6. Параметрлерді баптау

Моделіңізді бағалағаннан кейін, сіз АИ-ді жақсарту үшін бастапқы орнатылған параметрлерді сынап көруіңіз керек. Оқу циклдерінің санын көбейту дәл нәтижелерге әкелуі мүмкін. Алайда, сіз модель қаншалықты жақсы екенін анықтауыңыз керек, әйтпесе модельді одан әрі оңтайландырасыз. Бұл тәжірибелік процесс.

7. Болжау

Сіз деректерді жинауды, деректерді дайындауды, модельді таңдауды, модельді оқытуды және бағалауды, сонымен қатар параметрлерді оңтайландыруды аяқтағаннан кейін, болжауды қолдана отырып, сұрақтарға жауап беретін уақыт келді. Бұл кескінді танудан бастап семантикаға дейінгі болжамды аналитикаға дейінгі барлық болжау түрлері болуы мүмкін.

Қорытынды ойлар

Машинамен оқыту бағдарламалық жасақтамаға нәтижелерді дәл болжауға мүмкіндік береді. Бұл таяу жылдардағы барлық бизнес-процестер болмаса, көбісін жақсартады. Осылайша, машиналық оқыту ертеңгі күннің автоматтандырылған ұйымының ажырамас бөлігі болады. Үнемі жылдамырақ жабдықтың арқасында жақсы болжамдары бар қуатты модельдерді көруге болады.

Өкінішке орай, жалған мәліметтер мен деректерді зерттеушілердің арқасында, бейтарап модельдердің міндеті ешқашан алыс емес. Кәсіпорындар АИ-дан нақты пайда алу үшін, олардың үлгілері мен мәліметтерінің жағымсыз болуын, жақсы оқытылғанын және бағаланғандығын және дұрыс үйлестірілуін қамтамасыз етуі керек. Тек содан кейін компаниялар машиналық оқытудың пайдасын көре алады.

Егер мен сіздің назарыңызды осы сәтке аударған болсам, осы оқиғаның сізге қалай әсер еткені туралы түсініктеме қалдырыңыз немесе осы мазмұнды толығырақ алу үшін менің апталық парағыма жазылыңыз:

Доктор Марк ван Риженам - Датафлоктың негізін қалаушы және үлкен деректер, блокчейн және AI үшін әлемге танымал спикер. Ол стратег және үш басқару кітаптарының авторы: «Үлкенірек ойла», «Блокчейн» және «Ертеңгі күнді ұйымдастыру». Менің соңғы кітабымның тегін алдын-ала қарауымен мына жерден танысуға болады. Менімен LinkedIn-ге қосылыңыз немесе Twitter-де сәлем айтып, осы оқиғаны атап өтіңіз.

Егер сіз менімен консалтингтік жұмыс немесе лекция туралы сөйлескіңіз келсе, менімен https://vanrijmenam.nl мекен-жайы бойынша байланыса аласыз.