Машинско учење било је једно од највећих достигнућа у историји рачунарства и сада се сматра да може играти важну улогу на пољу великих података и аналитике. Аналитика великих података велики је изазов из перспективе предузећа. На пример, активности као што су разумевање великог броја различитих формата података, анализа припреме података и филтрирање сувишних података могу бити интензивни за ресурсе. Запошљавање стручњака за научнике о подацима скупо је, а не средство за постизање циља сваке компаније. Стручњаци верују да машинско учење може аутоматизовати многе задатке повезане са аналитиком - рутинске и сложене. Аутоматско машинско учење може ослободити значајне ресурсе који би се могли користити за сложенији и иновативнији рад. Чини се да се машинско учење све време креће у овом правцу.
Аутоматизација у контексту информационих технологија
У ИТ, аутоматизација је повезивање различитих система и софтвера, омогућавајући им да обављају одређене задатке без икакве људске интервенције. У ИТ -у аутоматизовани системи могу обављати и једноставне и сложене послове. Пример једноставног посла може бити интегрисање образаца са ПДФ-овима и слање докумената одговарајућем примаоцу, док пружање резервних копија ван локације може бити пример сложеног посла.
Да бисте правилно обављали свој посао, морате програмирати или дати јасна упутства аутоматизованом систему. Сваки пут када је аутоматизован систем потребан за измену опсега посла, неко мора да ажурира програм или скуп инструкција. Иако је аутоматизовани систем ефикасан у свом послу, грешке се могу појавити из различитих разлога. Када дође до грешака, потребно је идентификовати и отклонити основни узрок. Јасно је да за обављање свог посла аутоматизовани систем у потпуности зависи од људи. Што је природа посла сложенија, већа је вероватноћа грешака и проблема.
Уобичајен пример аутоматизације у ИТ индустрији је аутоматизација тестирања веб интерфејса корисничких интерфејса. Тестни случајеви се уносе у скрипту за аутоматизацију и на одговарајући начин се тестира корисничко сучеље. (За више информација о практичној примени машинског учења погледајте Машинско учење и Хадооп у Детекцији превара следеће генерације.)
Аргумент у корист аутоматизације је да она обавља рутинске и поновљиве задатке и ослобађа запослене да обављају сложеније и креативније задатке. Међутим, такође се тврди да је аутоматизација искључила велики број задатака или улога које су раније обављали људи. Сада, са машинским учењем које улази у различите индустрије, аутоматизација може додати нову димензију.
Будућност аутоматизованог машинског учења?
Суштина машинског учења је способност система да непрестано учи из података и развија се без људске интервенције. Машинско учење је способно да се понаша као људски мозак. На пример, механизми препорука на веб локацијама за е-трговину могу проценити јединствене преференције и укусе корисника и дати препоруке о најприкладнијим производима и услугама за избор. С обзиром на ову могућност, машинско учење се сматра идеалним за аутоматизацију сложених задатака повезаних са великим подацима и аналитиком. Превазишао је велика ограничења традиционалних аутоматизованих система који не дозвољавају редовну људску интервенцију. Постоји више студија случаја које показују способност машинског учења да извршава сложене задатке анализе података, о чему ће бити речи касније у овом раду.
Као што је већ напоменуто, анализа великих података представља изазов за предузећа, који се може делимично делегирати на системе машинског учења. Из пословне перспективе, ово може донети многе предности, као што је ослобађање ресурса науке о подацима за креативније задатке и задатке од веће важности, веће радно оптерећење, мање времена за извршавање задатака и исплативост.
Истраживање случаја
У 2015. истраживачи МИТ -а почели су да раде на алату за науку о подацима који може да креира предиктивне моделе података од великих количина сирових података користећи технику која се назива алгоритмима за дубинску синтезу функција. Научници тврде да алгоритам може комбиновати најбоље карактеристике машинског учења. Према научницима, тестирали су га на три различита скупа података и проширују тестирање на још више. У раду који ће бити представљен на Међународној конференцији о науци о подацима и аналитици, истраживачи Јамес Мак Кантер и Калиан Веерамацханени рекли су: „Користећи аутоматизовани процес подешавања, оптимизујемо читав пут без људског учешћа, омогућавајући му да се генерализује на различите скупове података“.
Погледајмо сложеност задатка: алгоритам има оно што је познато као могућност аутоматског прилагођавања, уз помоћ којег се могу добити или извући увиди или вредности из сирових података (попут старости или пола), након чега се предвиђају подаци модели се могу креирати. Алгоритам користи сложене математичке функције и теорију вероватноће која се зове Гаусова копула. Стога је лако разумети ниво сложености који алгоритам може да поднесе. Ова техника је такође освајала награде на такмичењима.
Машинско учење би могло да замени домаћи задатак
Широм света се расправља о томе да би машинско учење могло да замени многе послове јер обавља задатке уз ефикасност људског мозга. У ствари, постоји одређена забринутост да ће машинско учење заменити научнике о подацима, и чини се да постоји основа за такву забринутост.
За просечног корисника који нема вештину анализе података, али има различите степене аналитичких потреба у свакодневном животу, није изводљиво користити рачунаре који могу анализирати огромне количине података и пружити податке за анализу. Међутим, технике обраде природног језика (НЛП) могу превазићи ово ограничење поучавањем рачунара да прихватају и обрађују природни људски језик. На овај начин, просечном кориснику нису потребне софистициране аналитичке функције или вештине.
ИБМ верује да се потреба за научницима о подацима може минимизирати или елиминисати путем његовог производа, платформе Ватсон Натурал Лангуаге Аналитицс. Према Марц Атсцхуллер -у, потпредседнику за аналитику и пословну интелигенцију у Ватсон -у, „Са когнитивним системом попут Ватсона, само постављате своје питање - или ако немате питање, само отпремите своје податке и Ватсон их може погледати и закључите шта бисте можда желели да знате. ”
Закључак
Аутоматизација је следећи логичан корак у машинском учењу и већ доживљавамо ефекте у свакодневном животу-веб локације за е-трговину, Фацебоок предлози пријатеља, предлози ЛинкедИн мреже и Аирбнб рангирање у претраживању. Узимајући у обзир наведене примере, нема сумње да се то може приписати квалитету резултата који производе аутоматизовани системи машинског учења. Упркос свим својим квалитетима и предностима, идеја о машинском учењу која изазива огромну незапосленост делује помало претерано. Машине су деценијама замениле људе у многим деловима нашег живота, али људи су се развили и прилагодили да остану релевантни у индустрији. Према гледишту, машинско учење за све његове поремећаје само је још један талас на који ће се људи прилагодити.
Време објављивања: август-03-2021