Kod

Czym jest uczenie maszynowe i gdzie jest przydatne?

Oryginał po rosyjsku: blog.skillbox.by
Czym jest uczenie maszynowe (ML)?

Spis treści:

Victoria Kolesneva

Copywriterka Skillbox CIS

Na straży stylu informacyjnego i przydatnych artykułów. Doświadczenie w copywritingu – 16 lat. Zajmuje się treściami SEO i SMM. Wykorzystuje sztuczną inteligencję do pisania tekstu, trenuje sieci neuronowe za pomocą podpowiedzi i interakcji z marką.

Strażnik stylu informacyjnego i przydatnych artykułów. 16 lat doświadczenia w copywritingu. Zajmuje się treściami SEO i SMM. Wykorzystuje sztuczną inteligencję do pisania tekstu, trenuje sieci neuronowe za pomocą podpowiedzi i interakcji z marką.

Jak to działa

Uczenie maszynowe to proces, w którym komputery uczą się rozpoznawać wzorce i formułować przewidywania. Sztuczna inteligencja analizuje dane i gromadzi doświadczenia, podobnie jak ludzie się uczą. Od rekomendacji filmowych na Netfliksie po rozpoznawanie twarzy na smartfonie – za tym wszystkim stoi uczenie maszynowe.

Wyobraź sobie, że szkolisz psa. Uczysz go różnych komend. Na przykład: „siad”, „leżeć”, „chodź do mnie”. Chwalisz swojego pupila i dajesz mu smakołyk, gdy poprawnie wykona polecenie. Stopniowo pies uczy się, zapamiętuje i zaczyna rozumieć, że konkretne polecenie oznacza określone działanie.

Uczenie maszynowe działa na podobnej zasadzie. Tylko zamiast psa mamy program komputerowy, który uczy się z danych. Na przykład pokazujesz mu zdjęcia różnych obiektów, a on uczy się je odróżniać. Im więcej danych mu przekazujesz, tym lepiej się uczy i tym dokładniejszy staje się wynik.

Uczenie maszynowe jest ściśle powiązane ze sztuczną inteligencją. AI to szerokie pojęcie, obejmujące różne technologie, takie jak widzenie komputerowe czy przetwarzanie języka naturalnego, które pozwalają komputerom „myśleć” i działać jak ludzie. Uczenie maszynowe to tylko jedno z narzędzi do tworzenia sztucznej inteligencji.

Za rok zostaniesz inżynierem ML: zdobędziesz wykształcenie matematyczne, opanujesz Pythona, nauczysz się pracować z danymi i stworzysz swoje pierwsze modele uczenia maszynowego na kursie Machine Learning od podstaw do poziomu Junior.

Dowiedz się więcej

Jak powstał

W 1959 roku amerykański badacz i pracownik IBM, Arthur Samuel, stworzył program, który uczył się grać w warcaby. Potrafił uczyć się na swoich błędach i stopniowo stawał się coraz lepszy. Było to pierwsze poważne osiągnięcie w dziedzinie uczenia maszynowego.

Pod koniec lat 80. na Uniwersytecie Carnegie Mellon powstała maszyna szachowa ChipTest. Obliczała ona do 50 000 ruchów na sekundę. ChipTest stał się prototypem superkomputera Deep Blue, który w 1996 roku rozegrał partię szachów z wielkim arcymistrzem Garrim Kasparowem i wygrał.

Deep Blue, w przeciwieństwie do ludzi, nie potrafił „czuć” sytuacji w grze. Mógł jednak analizować o wiele więcej ruchów i obliczać, który z nich będzie opłacalny.

Deep Blue zapoczątkował nowy etap w rozwoju uczenia maszynowego. W 2011 rokuGoogle utworzył specjalny dział poświęcony sztucznej inteligencji — Google Brain. Trzy lata później Amazon i Microsoft uruchomiły swoje platformy uczenia maszynowego. Facebook zaprezentował algorytm DeepFace, który rozpoznawał ludzkie twarze.

Nowe technologie, takie jak GAN — generatywne sieci adwersarskie i transformatory — otworzyły nowe możliwości tworzenia sztucznej inteligencji generującej tekst, obrazy i wideo.

💡 GAN to technologia uczenia maszynowego, która składa się z dwóch komponentów: generatora i dyskryminatora. Generator tworzy nowe dane, na przykład obrazy imitujące prawdziwe. Dyskryminator natomiast próbuje określić, które dane są prawdziwe, a które sztucznie stworzone. Komponenty konkurują ze sobą i ulepszają się. Generator lepiej tworzy realistyczne dane, a dyskryminator lepiej je rozróżnia.

 

To jak dwóch artystów rywalizujących ze sobą. Jeden artysta tworzy obrazy. Drugi próbuje określić, które obrazy zostały stworzone przez człowieka, a które przez sztuczną inteligencję. Dzięki rywalizacji obaj artyści stają się lepsi.

Jak się uczy

  • Nauczanie nadzorowaneWyobraź sobie, że uczysz psa wykonywania poleceń. Najpierw mówisz „siad” i pomagasz mu usiąść, a następnie chwalisz go i dajesz smakołyk. Stopniowo pies rozumie, że słowo „siad” oznacza konkretną czynność i samodzielnie wykonuje polecenie. W uczeniu nadzorowanym algorytm otrzymuje zbiór danych, w którym każdy rekord zawiera przykłady z poprawnymi odpowiedziami – etykiety. Algorytm uczy się na podstawie tych danych, aby móc samodzielnie klasyfikować nowe przykłady;

💡 Etykietysą jak naklejki. Wskazują, które dane należą do której kategorii. Wyobraź sobie, że masz pudełko owoców i ktoś przykleja etykiety „jabłko”, „banan” i „pomarańcza” na każdym owocu. Etykiety te pomagają algorytmowi zrozumieć, jak rozróżniać i klasyfikować nowe dane w przyszłości.

  • Uczenie nienadzorowane. Algorytm otrzymuje zbiór danych, ale bez etykiet. Algorytm musi sam odkrywać wzorce i dzielić dane na grupy. Te grupy nazywane są klastrami;

💡 Dane — zbiór informacji służący do trenowania modelu.

💡 Model — opis matematyczny opisujący związek między danymi a oczekiwanym wynikiem. Przypomina mapę lub diagram, który pomaga zrozumieć, jak dane odnoszą się do wyniku.

  • Uczenie się przez wzmacnianie.To uczenie się oparte na próbach i błędach. Algorytm otrzymuje nagrodę za prawidłowe działania i kary za nieprawidłowe. Na przykład gra komputerowa, w której sterujesz postacią, uczy się pokonywać poziomy. Uczenie maszynowe uczy się, otrzymując nagrodę za osiągnięcie celu i kary za zderzenia z przeszkodami.

💡 Algorytm— zestaw instrukcji, które mówią modelowi, jak uczyć się z danych i tworzyć przewidywania.

Poniższe algorytmy i metody są najczęściej używane w uczeniu maszynowym:

  • Regresja liniowa.Przewiduje wartości zmiennej ciągłej. Na przykład, przewidywanie cen nieruchomości na podstawie obszaru;

Wyobraź sobie, że chcesz przewidzieć wzrost osoby na podstawie jej wagi. Masz już dane dotyczące wzrostu i wagi kilku osób. Regresja liniowa konstruuje linię, która najlepiej opisuje zależność między wzrostem a wagą. Następnie wykorzystuje ją do przewidywania wzrostu innych osób.

  • Drzewa decyzyjne.Grupowanie danych. Algorytm drzewa decyzyjnego tworzy serię pytań w celu sklasyfikowania obiektu. Na przykład, aby oddzielić wiadomości e-mail od spamu i zwykłych wiadomości e-mail.
  • Sieci neuronowe.Rozpoznawanie obrazów, przetwarzanie języka naturalnego i przewidywanie stale zmieniających się danych. Na przykład pogody.
  • Klastrowanie.Grupuje obiekty w klastry na podstawie podobieństwa. Na przykład, aby grupować klientów sklepu internetowego według preferencji zakupowych.

Gdzie jest używane

Duże globalne firmy korzystają z uczenia maszynowego. Amazon używa go do rekomendowania produktów, Google do ulepszania wyników wyszukiwania, a Tesla do autopilota w samochodach. Rozważmy jego zastosowanie w różnych obszarach:

Opieka zdrowotna

  • Wykonuje wczesną diagnostykę chorób. Algorytmy uczenia maszynowego analizują obrazy MRI, CT i rentgenowskie w celu wykrywania oznak choroby we wczesnych stadiach. Pomaga to lekarzom przepisywać leki w odpowiednim czasie i zwiększa szanse na wyzdrowienie;
  • Opracowywanie nowych leków.Uczenie maszynowe przyspiesza poszukiwania nowych leków poprzez analizę ogromnych ilości danych na temat związków chemicznych i ich interakcji z organizmem.

Finanse

  • Wykrywanie oszustw.Algorytmy analizują transakcje finansowe i identyfikują podejrzane działania. Chroni to konta bankowe przed nieautoryzowanym dostępem. Na przykład w 2023 roku Mastercard uruchomił specjalny system oparty na uczeniu maszynowym, który wykrywa oszustów;
  • Ocenia ryzyko kredytowe.Algorytmy uczenia maszynowego analizują dane o kredytobiorcach. Oceniają ich wypłacalność i ryzyko niewypłacalności kredytu.

Marketing

  • Personalizuje reklamy.Algorytmy uczenia maszynowego analizują zakupy, zainteresowania i zachowania użytkowników w internecie. W ten sposób usługi oferują reklamy dopasowane do zainteresowań odwiedzających;
  • Automatyzuje kampanie marketingowe.Uczenie maszynowe optymalizuje newslettery, dostosowuje reklamy i tworzy treści. Na przykład sieć neuronowa analizuje zachowania użytkowników i zgaduje, które tematy i formaty są interesujące dla odbiorców. Dzięki temu newslettery są personalizowane.

Uczenie maszynowe pomaga również w tworzeniu treści opartych na pomysłach, przetwarzaniu dużych ilości danych, wyszukiwaniu trendów i pisaniu tekstów.

Branża motoryzacyjna

  • Prowadzi samochód. Algorytmy uczenia maszynowego uczą się prowadzić samochód. Autopilot analizuje sytuację na drodze, sygnalizację świetlną i zachowania użytkowników dróg; Algorytmy uczenia maszynowego analizują zachowania użytkowników dróg. Algorytmy uczenia maszynowego analizują dane dotyczące działania samochodu. Ta usługa przewiduje awarie i ostrzega kierowcę o konieczności naprawy.

Inne obszary

  • Pomaga w agronomii. Algorytmy uczenia maszynowego pomagają rolnikom optymalizować podlewanie, nawożenie i zbiory. To zwiększa plony i obniża koszty;
  • Zapewnia bezpieczeństwo. Uczenie maszynowe jest wykorzystywane do rozpoznawania twarzy i kontroli dostępu.

Zalety i wady

Uczenie maszynowe, jak każda technologia, nie jest idealne. Jednak programiści już pracują nad problemami, które utrudniają pracę użytkownikom. Na przykład w Yandex sztuczna inteligencja jest trenowana z wykorzystaniem wysokiej jakości i zweryfikowanych informacji. W tym celu zatrudniani są trenerzy sztucznej inteligencji, którzy sprawdzają informacje pod kątem szkoleń.

Zalety uczenia maszynowego

  • Przetwarzanie dużych wolumenów danych. Za pomocą uczenia maszynowego możliwe jest „odczytanie” dużej ilości informacji. Człowiek nie jest w stanie opanować tak dużej ilości danych i znaleźć ukrytych wzorców;
  • Automatyzacja rutynowych zadań. Na przykład, uczenie maszynowe automatycznie sortuje wiadomości e-mail w skrzynce odbiorczej na spam i ważne wiadomości;
  • Poprawa dokładności prognoz. Uczenie maszynowe przewiduje, które produkty będą cieszyły się popytem, ​​a które drogi będą zatłoczone w godzinach szczytu. Przybliżona prognoza pozwala podejmować właściwe decyzje.

Wady uczenia maszynowego

  • Problemy z jakością danych. Uczenie maszynowe działa tylko w przypadku danych wysokiej jakości. Jeśli dane są błędne, prognozy również będą błędne.
  • Kwestie etyki i prywatności.Ważne jest, aby korzystać z uczenia maszynowego etycznie i odpowiedzialnie, aby nie naruszać praw człowieka.

Algorytmy mogą być stronnicze, jeśli są trenowane na danych zawierających stereotypy dotyczące wydarzeń i ludzi. Na przykład artykuł w tabloidzie, który poniża osobę medialną, nie jest najlepszą informacją do trenowania algorytmów.

Przyszłość uczenia maszynowego. Przydatne materiały od redaktorów Skillbox.by

Wokół sztucznej inteligencji krąży wiele mitów. Na przykład, że sieci neuronowe przejmą pracę specjalistów IT i zastąpią pracę ludzi. Internet jest pełen bezpodstawnych założeń, dlatego podzielimy się faktami na temat teraźniejszości i przyszłości uczenia maszynowego:

  • Zmiany na dużą skalę.Modele uczenia maszynowego stają się coraz bardziej złożone – wymagają dużych ilości danych do trenowania. Na przykład model językowy GPT-3, który nauczył się pisać artykuły do ​​gazet, zawiera 175 miliardów parametrów. Dla porównania, to więcej niż liczba słów w Wikipedii. A teraz istnieje bardziej zaawansowany GPT-4;

Dlatego firmy aktywnie inwestują w wydajne komputery i technologie, które „karmią” modele ogromnymi ilościami informacji.

  • Dostępność.Wiele firm udostępnia swoje wytrenowane modele, które można wykorzystać w różnych projektach. Na przykład każdy może połączyć ChatGPT ze swoim kontem w mediach społecznościowych, a sieć neuronowa będzie się za niego komunikować;
  • Uczenie maszynowe na wszystkich urządzeniach. Zamiast przesyłać wszystkie dane na serwery, twórcy uczenia maszynowego zaczęli integrować modele bezpośrednio z naszymi urządzeniami. Na przykład urządzenia Apple wkrótce będą miały wbudowaną sztuczną inteligencję, zwaną Apple Intelligence. Ta sztuczna inteligencja będzie mogła odpowiadać na wiadomości, generować emoji i podsumowywać przychodzące e-maile;
  • Nowe funkcje. Twórcy oprogramowania szukają teraz sposobów na integrację uczenia maszynowego z robotami i tworzenie prawdziwych androidów. Na przykład firma Figure stworzyła robota z androidem, który ma wbudowaną sieć neuronową. Potrafi on komunikować się i wykonywać polecenia. Na przykład, przynoszenie przedmiotów osobie.

Dla tych, którzy chcą rozwijać sztuczną inteligencję i uczyć się uczenia maszynowego, przygotowaliśmy listę przydatnych materiałów.

Źródła: 

  • «Elements of Statistical Learning: Data Mining, Inference, and Prediction. Second Edition» Jerome Harold Friedman, Robert Tibshirani i Trevor Hastie — dla początkujących w tym temacie;
  • „Rozpoznawanie wzorców i uczenie maszynowe” Christopher Bishop — dla tych, którzy chcą zrozumieć istotę tematu.

Blogi: 

  • Blog Colah — blog dla tych, którzy przeczytali już kilka książek na ten temat; 
  • learnopencv — osobisty blog programisty poświęcony technicznej części MO wraz z poradnikami.

Gry: 

  • Kaggle i DrivenData — małe gry rywalizacyjne do ćwiczenia kodowania i pracy z uczeniem maszynowym.

Zdobądź mistrzostwo w zawodzie „inżyniera uczenia maszynowego” dzięki Skillbox

Specjalista ds. uczenia maszynowego, naukowiec ds. danych lub inżynier ML analizuje duże ilości danych, opracowuje modele uczenia maszynowego, sieci neuronowe i tworzy obszerne modele językowe podobne do GPT. Na takich specjalistów jest zapotrzebowanie wszędzie: w biznesie, medycynie, przemyśle i innych sektorach.

Uzyskaj dostęp