Saturs
- Automatizācija informācijas tehnoloģiju kontekstā
- Vai automatizācija ir mašīnmācības nākotne?
- Bez kļūdām, bez stresa - jūsu soli pa solim, kā izveidot programmatūru, kas maina dzīvi, neiznīcinot savu dzīvi
- Gadījuma izpēte
- Mašīnmācība varētu aizstāt darbus
- Secinājums
Avots: Krulua / Dreamstime.com
Izņemšana:
Mašīnmācīšanās ir sistēmas spēja mainīt savu programmēšanu. Bet, kad sistēma to var izdarīt, vai cilvēki joprojām ir nepieciešami?
Mašīnmācība ir bijusi viens no lielākajiem sasniegumiem skaitļošanas vēsturē, un tagad tiek uzskatīts, ka tā spēj uzņemties nozīmīgu lomu lielo datu un analītikas jomā. Lielo datu analīze ir milzīgs izaicinājums no uzņēmumu viedokļa. Piemēram, tādas darbības kā liela apjoma dažādu formātu datu iegūšana, datu sagatavošana analītikai un lieku datu filtrēšana var patērēt daudz resursu. Datu zinātnieku un speciālistu nolīgšana ir dārgs piedāvājums, un tas nav katra uzņēmuma līdzeklis. Eksperti uzskata, ka mašīnmācība spēj automatizēt daudzus ar analītiku saistītus uzdevumus - gan ikdienas, gan sarežģītus. Mašīnmācības automatizēšana var atbrīvot daudz resursu, ko var izmantot sarežģītākos un novatoriskākos darbos. Liekas, ka mašīnmācība ir virzījusies šajā virzienā. (Lai uzzinātu vairāk par mašīnmācības izmantošanu, skatiet sadaļu Mašīnmācības solījumi un kļūmes.)
Automatizācija informācijas tehnoloģiju kontekstā
IT kontekstā automatizācija ir atšķirīgu sistēmu un programmatūras sasaiste, lai tās varētu veikt konkrētus darbus bez jebkādas cilvēka iejaukšanās. IT nozarē automatizētās sistēmas var veikt gan vienkāršus, gan sarežģītus darbus. Vienkārša darba piemērs varētu būt veidlapas integrēšana ar PDF un dokumenta ievietošana pareizajam saņēmējam, savukārt izbraukuma rezerves kopijas nodrošināšana varētu būt sarežģīta darba piemērs.
Lai veiktu savu darbu, automatizēta sistēma ir jāieprogrammē vai jāsniedz skaidri norādījumi. Katru reizi, kad automatizētai sistēmai ir jāmaina savu darbu joma, cilvēkam ir jāatjaunina programma vai instrukciju komplekts. Kaut arī automatizētās sistēmas ir efektīvas savā darbā, kļūdas var rasties dažādu iemeslu dēļ. Ja rodas kļūdas, ir jāidentificē un jālabo galvenais cēlonis. Acīmredzot, lai veiktu savus darbus, automatizētās sistēmas ir pilnībā atkarīgas no cilvēkiem. Jo sarežģītāks ir darba raksturs, jo lielāka ir kļūdu un problēmu iespējamība.
Parasti automātiskās sistēmās tiek iedalīti regulāri un atkārtojami darbi. Kopējs automatizācijas piemērs IT nozarē ir tīmekļa lietotāju saskarņu testēšanas automatizēšana. Testa gadījumi tiek ievadīti automatizācijas skriptos, un attiecīgi tiek pārbaudītas arī lietotāja saskarnes. (Plašāku informāciju par mašīnmācības praktisko pielietojumu skatiet mašīnmācīšanās un Hadoop sadaļā Krāpšanās atklāšana nākamās paaudzes sadaļā.)
Arguments par labu automatizācijai ir bijis tāds, ka tas veic ikdienas un atkārtojamus uzdevumus un atbrīvo darbiniekus no sarežģītākiem un radošākiem uzdevumiem. Tomēr tiek arī apgalvots, ka automatizācija ir pārvietojusi daudzus darbus vai lomas, kuras agrāk veica cilvēki. Tagad, mašīnmācībai atrodot ceļu dažādās nozarēs, automatizācija varētu pievienot jaunu dimensiju.
Vai automatizācija ir mašīnmācības nākotne?
Mašīnmācības pati būtība ir sistēmu spēja nepārtraukti mācīties no datiem un attīstīties bez cilvēku iejaukšanās. Mašīnmācība ir spējīga izturēties tāpat kā cilvēka smadzenes. Piemēram, ieteikumu programma e-komercijas vietnē var novērtēt lietotāja unikālās izvēles un gaumi un piedāvāt ieteikumus par produktiem un pakalpojumiem, kas vislabāk atbilst lietotāja izvēlei. Ņemot vērā šo spēju, mašīnmācīšanās tiek uzskatīta par ideālu sarežģītu uzdevumu automatizēšanai, kas saistīti ar lielajiem datiem un analītiku. Tas jau ir pārvarējis tradicionālo automatizācijas sistēmu galveno ierobežojumu, kuras nevar darboties bez regulāras cilvēku iejaukšanās. Ir vairāki gadījumu pētījumi, lai parādītu, ka mašīnmācība ir spējīga izpildīt sarežģītus datu analīzes uzdevumus, kā tas tiks apskatīts vēlāk šajā rakstā.
Kā jau tika norādīts, lielo datu analīze ir izaicinošs piedāvājums uzņēmumiem, un to var daļēji deleģēt mašīnmācīšanās sistēmām. No biznesa viedokļa tas var dot daudz ieguvumu, piemēram, datu zinātnes resursu atbrīvošana radošākiem un kritiskākiem uzdevumiem, lielāks darbu pabeigšanas apjoms, mazāk laika uzdevumu veikšanai un izmaksu efektivitāte.
Bez kļūdām, bez stresa - jūsu soli pa solim, kā izveidot programmatūru, kas maina dzīvi, neiznīcinot savu dzīvi
Jūs nevarat uzlabot savas programmēšanas prasmes, kad nevienam nerūp programmatūras kvalitāte.
Gadījuma izpēte
2015. gadā MIT pētnieki sāka strādāt pie datu zinātnes rīka, kas no liela apjoma neapstrādātu datu apjoma spēj izveidot paredzamus datu modeļus, izmantojot metodi, ko sauc par dziļo funkciju sintēzes algoritmu. Algoritms, pēc zinātnieku domām, var apvienot labākās mašīnmācīšanās iespējas. Pēc zinātnieku domām, viņi jau ir pārbaudījuši algoritmu trīs dažādās datu kopās un plāno paplašināt testēšanas jomu, iekļaujot tajā vairāk datu kopu. Aprakstot, kā viņi to dara, pētnieki Džeimss Makss Kanters un Kalians Veeramachaneni dokumentā, kas tiks prezentēts starptautiskā datu zinātnes un analītikas konferencē, sacīja: “Izmantojot automātiskās iestatīšanas procesu, mēs optimizējam visu ceļu bez cilvēku iesaistīšanas, ļaujot tam vispārināt uz dažādām datu kopām. ”
Ļaujiet mums izpētīt, cik sarežģīts ir bijis uzdevums: algoritmam ir spēja, kas pazīstama kā automātiskās iestatīšanas spēja, ar kuras palīdzību tas iegūst vai iegūst ieskatu vai vērtības no neapstrādātiem datiem, piemēram, vecuma vai dzimuma, un pēc tam tas var izveidot jutīgus datu modeļus. Algoritms izmanto sarežģītas matemātiskas funkcijas un varbūtības teoriju, kas pazīstama kā Gausa kopula. Tātad ir viegli saprast, cik sarežģīts ir algoritms. Tehnika arī ieguvusi balvas konkursos.
Mašīnmācība varētu aizstāt darbus
Visā pasaulē tiek diskutēts par to, ka mašīnmācība varētu aizstāt daudzus darbus, jo tā veic uzdevumus ar cilvēka smadzeņu efektivitāti. Patiesībā pastāv zināmas bažas, ka mašīnmācība aizstās datu zinātniekus - un, šķiet, ka šādām aizdomām ir pamats.
Biežiem lietotājiem, kuriem nav datu analīzes iemaņu, bet kuriem ikdienas analīzē joprojām ir nepieciešama analīze dažādās pakāpēs, nav iespējams, ka būtu datori, kas spēj analizēt milzīgus datu apjomus un piedāvāt analītiku. Bet dabiskās valodas apstrādes (NLP) tehnoloģijas var pārvarēt šo ierobežojumu, iemācot datoriem pieņemt un apstrādāt cilvēku dabisko, runāto valodu. Tādā veidā parastajam lietotājam nav vajadzīgas sarežģītas analītiskās iespējas vai prasmes.
IBM uzskata, ka datu zinātnieku vajadzību var samazināt vai novērst ar sava produkta Watson dabiskās valodas analīzes platformu. Pēc Watson Analytics un biznesa inteliģences viceprezidenta Marka Atsčullera teiktā: “Ar tādu kognitīvo sistēmu kā Watson jūs vienkārši uzdodat savu jautājumu - vai, ja jums nav jautājuma, jūs vienkārši augšupielādējat savus datus, un Watson to var apskatīt un secināt. ko jūs varētu vēlēties zināt. ”
Secinājums
Automatizācija ir nākamais loģiskais solis mašīnu apguvei, un mēs jau esam pieredzējuši ietekmi ikdienas dzīvē - e-komercijas vietnēs, draugu ieteikumos, LinkedIn tīkla ieteikumos un Airbnb meklēšanas klasifikācijās. Ņemot vērā sniegtos piemērus, nav šaubu par automatizēto mašīnmācīšanās sistēmu radītā darba kvalitāti. Domājot par mašīnmācību, kas rada milzīgu bezdarbu, neatkarīgi no visām tās īpašībām un priekšrocībām var šķist nedaudz pārmērīga reakcija. Mašīnas jau daudzus gadu desmitus daudzās mūsu dzīves jomās ir aizstājušas cilvēkus, tomēr cilvēki ir attīstījušies un pielāgoti, lai paliktu nozīmīgi nozarē. Atkarībā no perspektīvas mašīnmācīšanās, ņemot vērā visu tās graujošo, ir tikai vēl viens šāds vilnis, kuram cilvēki piemērosies.