Nilalaman
- Pag-aautomat sa Teknolohiya ng Con ng Teknolohiya
- Ang Automation ba ang Hinaharap ng Pag-aaral ng Machine?
- Walang Mga bug, Walang Stress - Ang Iyong Hakbang sa Hakbang Patnubay sa Paglikha ng Software na Pagbabago ng Buhay nang Walang Pagsira sa Iyong Buhay
- Pag-aaral ng Kaso
- Ang Mga Learning sa Machine Learning Maaaring Baguhin ang Trabaho
- Konklusyon
Pinagmulan: Krulua / Dreamstime.com
Takeaway:
Ang pag-aaral ng makina ay ang kakayahan para sa isang system na baguhin ang sarili nitong programming. Ngunit kung magagawa ito ng isang sistema, kinakailangan pa ba ang mga tao?
Ang pag-aaral ng makina ay isa sa mga pinakamalaking pagsulong sa kasaysayan ng pag-compute, at ngayon pinaniniwalaan na may kakayahang kumuha ng mga makabuluhang tungkulin sa larangan ng malaking data at analytics. Ang malaking pagsusuri ng data ay isang malaking hamon mula sa pananaw ng mga negosyo. Halimbawa, ang mga aktibidad tulad ng paggawa ng kahulugan ng malaking dami ng iba't ibang mga format ng data, paghahanda ng data para sa analytics at pag-filter ng kalabisan ng data ay maaaring kumonsumo ng maraming mga mapagkukunan. Ang pag-upa ng mga siyentipiko at espesyalista ng data ay isang mamahaling panukala at hindi sa loob ng bawat paraan ng kumpanya. Naniniwala ang mga eksperto na ang pag-aaral ng makina ay may kakayahang i-automate ang maraming mga gawain na may kaugnayan sa analytics - parehong gawain at kumplikado. Ang pag-aaral ng machine ng automating ay maaaring makapagpalaya ng maraming mapagkukunan na maaaring magamit sa mas kumplikado at makabagong mga trabaho. Tila na ang pag-aaral ng makina ay pupunta sa direksyon na iyon. (Upang malaman ang higit pa tungkol sa paggamit ng pag-aaral ng makina, tingnan ang The Promises at Pitfalls ng Machine Learning.)
Pag-aautomat sa Teknolohiya ng Con ng Teknolohiya
Kaugnay ng IT, ang automation ay ang pag-uugnay ng magkakaibang mga sistema at software upang magawa nilang magawa ang mga tiyak na trabaho nang walang interbensyon ng tao. Sa industriya ng IT, ang mga awtomatikong sistema ay maaaring magsagawa ng parehong simple at kumplikadong mga trabaho. Ang isang halimbawa ng isang simpleng trabaho ay maaaring pagsasama ng isang form na may isang PDF at sa dokumento sa tamang tatanggap, habang ang pagbibigay ng isang backup ng site ay maaaring maging halimbawa ng isang kumplikadong trabaho.
Upang gawin ang trabaho nito, ang isang awtomatikong sistema ay kailangang ma-program o bibigyan ng tahasang mga tagubilin. Sa bawat oras na ang isang awtomatikong sistema ay kinakailangan upang baguhin ang saklaw ng mga trabaho nito, ang programa o ang hanay ng mga tagubilin ay kailangang ma-update ng isang tao. Habang ang mga awtomatikong sistema ay mahusay sa kanilang mga trabaho, ang mga pagkakamali ay maaaring mangyari dahil sa iba't ibang mga kadahilanan. Kapag naganap ang mga pagkakamali, ang ugat na sanhi ay kailangang makilala at maiwasto. Malinaw, upang gawin ang kanilang mga trabaho, ang mga awtomatikong sistema ay ganap na umaasa sa mga tao. Ang mas kumplikado sa likas na katangian ng trabaho, mas mataas ang posibilidad ng mga pagkakamali at mga isyu.
Karaniwan, ang mga nakagawiang gawain at paulit-ulit na trabaho ay itinalaga sa mga awtomatikong sistema. Ang isang karaniwang halimbawa ng automation sa industriya ng IT ay automating ang pagsubok ng mga interface ng gumagamit na batay sa web. Ang mga kaso ng pagsubok ay pinakain sa mga script ng automation at ang mga interface ng gumagamit ay nasubok nang naaayon. (Para sa higit pa sa mga praktikal na paggamit ng pag-aaral ng makina, tingnan ang Pag-aaral ng Machine at Hadoop sa Deteksyon ng Next-Generation Fraud.)
Ang pangangatwiran na pabor sa automation ay na ito ay nagsasagawa ng mga gawain at paulit-ulit na mga gawain at pinapalaya ang mga empleyado upang makagawa ng mas kumplikado at malikhaing mga gawain. Gayunpaman, pinagtalo rin na ang automation ay lumipat ng maraming mga trabaho o tungkulin na dating isinagawa ng mga tao. Ngayon, sa pag-aaral ng makina sa paghahanap ng paraan sa iba't ibang mga industriya, ang automation ay maaaring magdagdag ng isang bagong sukat sa kabuuan.
Ang Automation ba ang Hinaharap ng Pag-aaral ng Machine?
Ang tunay na kakanyahan ng pag-aaral ng makina ay ang kakayahan ng mga system na patuloy na matuto mula sa data at umusbong nang walang panghihimasok ng mga tao. Ang pag-aaral ng makina ay may kakayahang kumilos tulad ng utak ng tao. Halimbawa, ang isang engine ng rekomendasyon sa isang website ng e-commerce ay maaaring masuri ang mga natatanging kagustuhan at panlasa ng isang gumagamit at nag-aalok ng mga rekomendasyon sa mga produkto at serbisyo na akma sa mga pagpipilian ng gumagamit. Dahil sa kakayahang ito, ang pag-aaral ng makina ay itinuturing na perpekto para sa pag-automate ng mga kumplikadong gawain na may kaugnayan sa malaking data at analytics. Natapos na nito ang pangunahing limitasyon ng tradisyonal na mga sistema ng automation na hindi maaaring gumana nang walang regular na interbensyon ng tao. Mayroong maraming mga pag-aaral sa kaso upang ipakita na ang pag-aaral ng makina ay may kakayahang makumpleto ang mga sopistikadong gawain sa pagsusuri ng data, tulad ng tatalakayin sa ibang pagkakataon sa artikulong ito.
Tulad ng natukoy na, ang malaking pagsusuri ng data ay isang mapaghamong panukala para sa mga kumpanya at maaari itong bahagyang itinalaga sa mga sistema ng pag-aaral ng machine. Mula sa pananaw ng isang negosyo, maaari itong magdala ng maraming mga benepisyo tulad ng pagpapalaya sa mga mapagkukunan ng agham ng data para sa mas malikhain at kritikal na mga takdang aralin, mas mataas na dami ng pagkumpleto ng trabaho, mas kaunting oras na kinuha upang makumpleto ang mga gawain at pagiging epektibo sa gastos.
Walang Mga bug, Walang Stress - Ang Iyong Hakbang sa Hakbang Patnubay sa Paglikha ng Software na Pagbabago ng Buhay nang Walang Pagsira sa Iyong Buhay
Hindi mo maaaring mapabuti ang iyong mga kasanayan sa pag-programming kapag walang nagmamalasakit sa kalidad ng software.
Pag-aaral ng Kaso
Noong 2015 nagsimula ang mga mananaliksik ng MIT na gumana sa isang tool sa agham ng data na may kakayahang lumikha ng mga mahuhula na modelo ng data sa labas ng malaking dami ng mga hilaw na data gamit ang isang pamamaraan na tinatawag na Deep Feature Synthesis algorithm. Ang algorithm, inaangkin ng mga siyentipiko, ay maaaring pagsamahin ang pinakamahusay na mga tampok ng pag-aaral ng machine. Ayon sa mga siyentipiko, sinubukan na nila ang algorithm sa tatlong magkakaibang set ng data at pupunta upang mapalawak ang saklaw ng pagsubok sa mas maraming mga set ng data. Inilalarawan kung paano nila ito ginagawa, sinabi ng mga mananaliksik na sina James Max Kanter at Kalyan Veeramachaneni sa isang papel na maipakita sa isang internasyonal na data ng agham at analytics na kumperensya, "Gamit ang isang proseso ng auto-tuning, ina-optimize namin ang buong daanan nang walang pagkakasangkot ng tao, na nagbibigay-daan sa pangkalahatan sa iba't ibang mga database. "
Suriin natin kung gaano kumplikado ang gawain: ang algorithm ay may kakayahan na kilala bilang kakayahan ng auto-tuning, sa tulong kung saan ito nakukuha o kumukuha ng mga pananaw o halaga mula sa hilaw na data tulad ng edad o kasarian, at pagkatapos nito, ito maaaring lumikha ng mga mahuhulaang modelo ng data. Ang algorithm ay gumagamit ng mga komplikadong pag-andar sa matematika at isang teorya ng posibilidad na kilala bilang Gaussian Copula. Kaya, madaling maunawaan ang lawak ng pagiging kumplikado ng algorithm na mahawakan. Ang pamamaraan ay nanalo rin ng mga premyo sa mga kumpetisyon.
Ang Mga Learning sa Machine Learning Maaaring Baguhin ang Trabaho
Pinag-uusapan sa buong mundo na ang pag-aaral ng makina ay maaaring mapalitan ang maraming mga trabaho dahil ito ay gumaganap ng mga gawain sa kahusayan ng isang utak ng tao. Sa katunayan, may ilang pag-aalala na ang pag-aaral ng makina ay papalitan ng mga siyentipiko ng data - at tila may batayan para sa gayong pag-aalala.
Para sa mga karaniwang gumagamit na walang mga kasanayan sa pagsusuri ng data ngunit kailangan pa rin ng analytics sa kanilang pang-araw-araw na buhay sa iba't ibang antas, hindi posible na magkaroon ng mga computer na may kakayahang pag-aralan ang malaking dami ng data at nag-aalok ng mga analytics. Ngunit ang mga teknolohiyang natural na pagproseso ng wika (NLP) ay maaaring pagtagumpayan ang limitasyong ito sa pamamagitan ng pagtuturo sa mga computer upang tanggapin at iproseso ang natural, pasalitang wika ng mga tao. Sa ganoong paraan, ang karaniwang gumagamit ay hindi nangangailangan ng sopistikadong mga kakayahan o kasanayan sa analytics.
Naniniwala ang IBM na ang pangangailangan para sa mga siyentipiko ng data ay maaaring mabawasan o matanggal kasama ang produkto nitong Watson natural na wika ng platform ng analytics. Ayon sa bise presidente nito para sa Watson Analytics at Business Intelligence, Marc Atschuller, "Sa isang cognitive system tulad ng Watson dalhin mo lang ang iyong katanungan - o kung wala kang tanong ay mai-upload mo lang ang iyong data at maaaring tingnan ito ni Watson at mas mababa kung ano ang gusto mong malaman. "
Konklusyon
Ang automation ay ang susunod na lohikal na hakbang para sa pag-aaral ng makina at naranasan na natin ang mga epekto sa ating pang-araw-araw na buhay - sa mga website ng e-commerce, mga mungkahi ng kaibigan, mga rekomendasyon sa network ng LinkedIn at pagraranggo sa paghahanap ng Airbnb. Isinasaalang-alang ang mga halimbawang ibinigay, walang alinlangan ay maaaring ibigay sa kalidad ng output na ginawa ng mga awtomatikong sistema ng pagkatuto ng makina. Para sa lahat ng mga katangian at benepisyo nito, ang pag-iisip ng pag-aaral ng makina na nagdudulot ng malaking kawalan ng trabaho ay maaaring tila isang labis na labis na labis na labis na labis. Ang mga makina ay pinalitan ang mga tao sa maraming mga lugar sa ating buhay nang maraming mga dekada at gayon pa man, ang mga tao ay nagbago at inangkop upang manatiling may kaugnayan sa industriya. Depende sa pananaw, ang pag-aaral ng makina, para sa lahat ng pagkagambala nito, ay isa pang tulad ng alon na kung saan ang mga tao ay aangkop.