Maŝina lernado estis unu el la plej grandaj progresoj en la historio de komputado kaj nun vidiĝas kiel kapabla ludi gravan rolon en la kampo de grandaj datumoj kaj analizoj. Analizo de grandaj datumoj estas grandega defio laŭ entreprena perspektivo. Ekzemple, agadoj kiel kompreni la grandan nombron da malsamaj datenaj formatoj, analizi datuman preparadon kaj filtri redundajn datumojn povas esti rimedaj. Varbi specialistojn pri datumaj sciencistoj estas multekosta propono kaj ne rimedo por fino por ĉiu kompanio. Fakuloj opinias, ke maŝina lernado povas aŭtomatigi multajn taskojn asociitajn kun analizoj - kaj rutinaj kaj kompleksaj. Aŭtomata maŝinlernado povas liberigi signifajn rimedojn, kiuj povus esti uzataj por pli kompleksa kaj pionira laboro. Maŝinlernado ŝajnas moviĝi en ĉi tiu direkto la tutan tempon.
Aŭtomatigo en la kunteksto de informa teknologio
En IT, aŭtomatigo estas la ligo de malsamaj sistemoj kaj programoj, ebligante al ili plenumi specifajn taskojn sen ia homa interveno. En IT, aŭtomataj sistemoj povas plenumi kaj simplajn kaj kompleksajn laborojn. Ekzemplo de simpla laboro povus esti integri formularojn kun PDF-oj kaj sendi dokumentojn al la ĝusta ricevanto, dum provizi ekster-retajn sekurkopiojn povus esti ekzemplo de kompleksa laboro.
Por plenumi vian laboron ĝuste, vi devas programi aŭ doni klarajn instrukciojn al la aŭtomata sistemo. Ĉiufoje, kiam aŭtomata sistemo bezonas modifi la amplekson de sia laboro, la programo aŭ instrukcia aro devas esti ĝisdatigitaj de iu. Kvankam la aŭtomata sistemo efikas en sia laboro, eraroj povas okazi pro diversaj kialoj. Kiam eraroj okazas, la ĉefa kaŭzo devas esti identigita kaj korektita. Klare, por plenumi sian taskon, aŭtomata sistemo tute dependas de homoj. Ju pli kompleksa estas la naturo de la verko, des pli alta estas la probablo de eraroj kaj problemoj.
Ofta ekzemplo de aŭtomatigo en la IT-industrio estas la aŭtomatigo de testado de interretaj uzantaj interfacoj. Testkazoj estas enmetitaj en la aŭtomatan skripton kaj la uzantinterfaco estas testita laŭe. (Por pli pri la praktika apliko de maŝinlernado, vidu Maŝinlernado kaj Hadoop en Nova Generacia Fraŭd-Detekto.)
La argumento favora al aŭtomatigo estas, ke ĝi plenumas rutinajn kaj ripeteblajn taskojn kaj liberigas dungitojn fari pli kompleksajn kaj kreivajn taskojn. Tamen, ankaŭ argumentas, ke aŭtomatigo ekskludis grandan nombron da taskoj aŭ roloj antaŭe faritaj de homoj. Nun, kun maŝina lernado eniranta diversajn industriojn, aŭtomatigo povas aldoni novan dimension.
La estonteco de aŭtomata aŭtomata lernado?
La esenco de maŝina lernado estas la kapablo de sistemo kontinue lerni de datumoj kaj evolui sen homa interveno. Maŝinlernado kapablas agi kiel homa cerbo. Ekzemple, rekomendaj motoroj en retkomercaj retejoj povas taksi la unikajn preferojn kaj gustojn de uzanto kaj doni rekomendojn pri la plej taŭgaj produktoj kaj servoj por elekti. Konsiderante ĉi tiun kapablon, maŝina lernado estas vidata kiel ideala por aŭtomatigi kompleksajn taskojn asociitajn kun grandaj datumoj kaj analizoj. Ĝi superis la gravajn limojn de tradiciaj aŭtomataj sistemoj, kiuj ne permesas homan intervenon regule. Estas multnombraj kazaj studoj, kiuj montras la kapablon de maŝina lernado plenumi kompleksajn taskojn pri datuma analitiko, pri kiuj ni diskutos poste en ĉi tiu artikolo.
Kiel jam notite, granda datuma analitiko estas malfacila propono por entreprenoj, kiuj povas esti parte delegitaj al maŝinaj lernaj sistemoj. De komerca perspektivo, ĉi tio povas alporti multajn avantaĝojn, kiel liberigi datumajn sciencajn rimedojn por pli kreivaj kaj misiaj kritikaj taskoj, pli altaj laborŝarĝoj, malpli da tempo por plenumi taskojn kaj kostefikecon.
Kazesploro
En 2015, esploristoj de MIT komencis labori pri ilo pri datuma scienco, kiu povas krei prognozajn datumajn modelojn de grandaj kvantoj da krudaj datumoj per tekniko nomata profundaj trajtoj-sintezaj algoritmoj. La sciencistoj asertas, ke la algoritmo povas kombini la plej bonajn ecojn de maŝina lernado. Laŭ la sciencistoj, ili testis ĝin per tri malsamaj datenserioj kaj vastigas la testadon por inkluzivi pli. En artikolo prezentota ĉe la Internacia Konferenco pri Datuma Scienco kaj Analitiko, esploristoj James Max Kanter kaj Kalyan Veeramachaneni diris, "Uzante aŭtomatan agordan procezon, ni optimumigas la tutan vojon sen homa implikiĝo, permesante al ĝi ĝeneraligi al diversaj datenserioj".
Ni rigardu la kompleksecon de la tasko: la algoritmo havas tion, kion oni nomas aŭto-ĝustiga kapablo, kun la helpo de kiuj oni povas akiri aŭ ĉerpi komprenojn aŭ valorojn el krudaj datumoj (kiel aĝo aŭ sekso), post kiuj prognozaj datumoj. modeloj povas esti kreitaj. La algoritmo uzas kompleksajn matematikajn funkciojn kaj probablan teorion nomatan Gaussian Kopulo. Estas do facile kompreni la nivelon de komplikeco, kiun la algoritmo povas trakti. Ĉi tiu tekniko ankaŭ gajnis premiojn en konkursoj.
Maŝinlernado povus anstataŭigi hejmtaskon
Oni diskutas tra la mondo, ke maŝina lernado povus anstataŭigi multajn laborojn, ĉar ĝi plenumas taskojn kun la efikeco de la homa cerbo. Fakte estas ia maltrankvilo, ke maŝina lernado anstataŭos datumajn sciencistojn, kaj ŝajnas esti bazo por tia zorgo.
Por la averaĝa uzanto, kiu ne havas kapablojn por analizi datumojn, sed havas diversajn gradojn da analizaj bezonoj en sia ĉiutaga vivo, ne estas fareble uzi komputilojn, kiuj povas analizi grandegajn volumojn de datumoj kaj provizi analizajn datumojn. Tamen teknikoj pri Naturlingva Pretigo (NLP) povas superi ĉi tiun limigon instruante komputilojn akcepti kaj prilabori naturan homan lingvon. Tiel la averaĝa uzanto ne bezonas altnivelajn analizajn funkciojn aŭ kapablojn.
IBM kredas, ke la bezono de datumaj sciencistoj povas esti minimumigita aŭ forigita per sia produkto, la Watson Natural Language Analytics Platform. Laŭ Marc Atschuller, vicprezidanto pri analitiko kaj komerca inteligenteco ĉe Watson, "Kun kogna sistemo kiel Watson, vi simple faras vian demandon - aŭ se vi ne havas demandon, vi simple alŝutas viajn datumojn kaj Watson povas rigardi ĝin kaj konkludu tion, kion vi eble volas scii. ”
Konkludo
Aŭtomatigo estas la sekva logika paŝo en maŝina lernado kaj ni jam spertas la efikojn en nia ĉiutaga vivo - retkomercaj retejoj, sugestoj pri amikoj de Facebook, sugestoj pri retaj LinkedIn kaj serĉoj de Airbnb. Konsiderante la ekzemplojn donitajn, estas sendube, ke tio povas esti atribuita al la kvalito de la produktaĵo produktita de aŭtomataj maŝinlernaj sistemoj. Por ĉiuj ĝiaj kvalitoj kaj avantaĝoj, la ideo pri maŝina lernado kaŭzanta grandegan senlaborecon ŝajnas iomete tro reaga. Maŝinoj anstataŭas homojn en multaj partoj de niaj vivoj de jardekoj, sed homoj evoluis kaj adaptiĝis por resti gravaj en la industrio. Laŭ la vidpunkto, maŝinlernado por ĝia tuta interrompo estas nur alia ondo al kiu homoj adaptiĝos.
Afiŝotempo: Aug-03-2021