Obsah
- Automatizace v kontextu informačních technologií
- Je automatizace budoucností strojového učení?
- Žádné chyby, žádný stres - Váš průvodce krok za krokem k vytváření softwaru pro změnu života, aniž by došlo ke zničení vašeho života
- Případová studie
- Strojové učení může nahradit úlohy
- Závěr
Zdroj: Krulua / Dreamstime.com
Odnést:
Strojové učení je schopnost systému změnit své vlastní programování. Ale když to dokáže systém, jsou lidé stále potřební?
Strojové učení je jedním z největších pokroků v historii výpočetní techniky a nyní se předpokládá, že dokáže převzít významné role v oblasti velkých dat a analytiky. Analýza velkých dat je z pohledu podniků obrovskou výzvou. Například činnosti, jako je vnímání obrovských objemů různých datových formátů, příprava dat pro analytiku a filtrování redundantních dat, mohou spotřebovat mnoho zdrojů. Najímání datových vědců a specialistů je nákladný návrh a ne v rámci možností každé společnosti. Odborníci se domnívají, že strojové učení je schopné automatizovat mnoho úkolů souvisejících s analytikou - rutinní i složité. Automatizace strojového učení může uvolnit spoustu prostředků, které lze použít ve složitějších a inovativních úlohách. Zdá se, že strojové učení směřuje tímto směrem. (Další informace o používání strojového učení naleznete v tématu Sliby a úskalí strojového učení.)
Automatizace v kontextu informačních technologií
V oblasti IT je automatizace propojením různorodých systémů a softwaru, takže jsou schopni vykonávat konkrétní práce bez jakéhokoli lidského zásahu. V IT průmyslu mohou automatizované systémy provádět jednoduché i složité úlohy. Příkladem jednoduché úlohy může být integrace formuláře s PDF a odeslání dokumentu správnému příjemci, zatímco poskytnutí zálohy mimo pracoviště může být příkladem složité úlohy.
Aby mohl automatizovaný systém vykonávat svou práci, musí být naprogramován nebo mít výslovné pokyny. Pokaždé, když je vyžadován automatizovaný systém k úpravě rozsahu jeho úkolů, musí být program nebo soubor pokynů člověkem aktualizován. Zatímco automatizované systémy jsou při své práci efektivní, mohou nastat chyby z různých důvodů. Pokud dojde k chybám, je třeba identifikovat a opravit příčinu. Je zřejmé, že automatizované systémy, které vykonávají svou práci, jsou zcela závislé na lidských bytostech. Čím složitější je povaha práce, tím vyšší je pravděpodobnost chyb a problémů.
Rutinní a opakovatelné úlohy jsou obvykle přiřazovány automatizovaným systémům. Běžným příkladem automatizace v IT průmyslu je automatizace testování webových uživatelských rozhraní. Testovací případy jsou vkládány do automatizačních skriptů a uživatelská rozhraní jsou příslušně testována. (Více informací o praktickém využití strojového učení najdete v části Strojové učení a Hadoop v části Detekce podvodů nové generace.)
Argumentem ve prospěch automatizace bylo to, že plní rutinní a opakovatelné úkoly a umožňuje zaměstnancům provádět složitější a kreativní úkoly. Tvrdí se však také, že automatizace vytlačila mnoho úloh nebo rolí, které dříve vykonávali lidé. Nyní, když se strojové učení našlo cestu do různých průmyslových odvětví, mohla automatizace přidat novou dimenzi úplně.
Je automatizace budoucností strojového učení?
Samou podstatou strojového učení je schopnost systémů nepřetržitě se učit z dat a vyvíjet se bez zásahu člověka. Strojové učení se dokáže chovat jako lidský mozek. Například motor doporučení na webové stránce elektronického obchodu může posoudit jedinečné preference a chutě uživatele a nabídnout doporučení pro produkty a služby, které nejlépe odpovídají jeho volbám. Vzhledem k této schopnosti je strojové učení považováno za ideální pro automatizaci složitých úkolů souvisejících s velkými daty a analytikou. Již překonalo hlavní omezení tradičních automatizačních systémů, které nemohou fungovat bez pravidelného lidského zásahu. Existuje několik případových studií, které ukazují, že strojové učení je schopno dokončit sofistikované úkoly analýzy dat, jak bude popsáno dále v tomto článku.
Jak již bylo uvedeno, analýza velkých dat je pro společnosti náročným návrhem a může být částečně delegována na systémy strojového učení. Z pohledu podniku to může přinést spoustu výhod, jako je uvolnění zdrojů datových věd pro kreativní a kritická zadání, větší objem dokončení práce, méně času na dokončení úkolů a nákladová efektivita.
Žádné chyby, žádný stres - Váš průvodce krok za krokem k vytváření softwaru pro změnu života, aniž by došlo ke zničení vašeho života
Nemůžete zlepšit své programovací schopnosti, když se nikdo nestará o kvalitu softwaru.
Případová studie
V roce 2015 začali výzkumní pracovníci MIT pracovat na nástroji pro vědu o datech, který je schopen vytvářet prediktivní datové modely z obrovských objemů nezpracovaných dat pomocí techniky zvané algoritmus Deep Feature Synthesis. Vědci tvrdí, že algoritmus může kombinovat nejlepší vlastnosti strojového učení. Podle vědců již algoritmus testovali na třech různých sadách dat a rozšíří rozsah testování na více sad dat. Vědci James Max Kanter a Kalyan Veeramachaneni popsali, jak to dělají, a uvedli v příspěvku, který bude představen na mezinárodní konferenci o vědě a analýze dat: „Pomocí procesu automatického ladění optimalizujeme celou cestu bez zapojení člověka, což jí umožňuje zobecnit na různé datové sady. “
Podívejme se, jak složitý byl tento úkol: algoritmus má schopnost, která je známá jako schopnost automatického ladění, s pomocí které odvozuje nebo získává poznatky nebo hodnoty ze surových dat, jako je věk nebo pohlaví, a poté může vytvářet prediktivní datové modely. Algoritmus používá složité matematické funkce a teorii pravděpodobnosti známou jako Gaussova kopula. Je tedy snadné pochopit rozsah složitosti, s níž je algoritmus schopen pracovat. Tato technika také získala ceny v soutěžích.
Strojové učení může nahradit úlohy
Na celém světě se diskutuje o tom, že strojové učení může nahradit mnoho pracovních míst, protože plní úkoly s účinností lidského mozku. Ve skutečnosti existuje určitá obava, že strojové učení nahradí vědce s údaji - a zdá se, že takové obavy jsou základem.
Pro běžné uživatele, kteří nemají dovednosti v oblasti analýzy dat, ale stále potřebují analytiku ve svém každodenním životě v různé míře, není možné mít počítače, které jsou schopné analyzovat obrovské objemy dat a nabízejí analytiku. Technologie zpracování přirozeného jazyka (NLP) však mohou toto omezení překonat tím, že učí počítače přijímat a zpracovávat přirozený mluvený jazyk lidí. Společný uživatel tak nepotřebuje sofistikované analytické schopnosti ani dovednosti.
IBM věří, že potřeba datových vědců může být minimalizována nebo eliminována díky její produktové platformě pro analýzu přirozeného jazyka Watson. Podle jejího viceprezidenta pro Watson Analytics a Business Intelligence, Marc Atschuller, „S kognitivním systémem, jako je Watson, jen přinesete svou otázku - nebo pokud nemáte otázku, stačí nahrát svá data a Watson se na to může dívat a odvodit co byste mohli chtít vědět. “
Závěr
Automatizace je dalším logickým krokem pro strojové učení a již jsme zaznamenali účinky v našem každodenním životě - na webových stránkách elektronického obchodování, doporučení přátel, doporučení pro síťování LinkedIn a žebříčku vyhledávání Airbnb. S ohledem na uvedené příklady nelze pochybovat o kvalitě výstupu vytvořeného automatizovanými systémy strojového učení. Zdá se, že myšlenka strojového učení způsobující obrovskou nezaměstnanost se pro všechny jeho vlastnosti a výhody jeví jako přehnaná reakce. Stroje nahradily lidské bytosti v mnoha oblastech našeho života již několik desetiletí, a přesto se lidé vyvinuli a přizpůsobili tak, aby zůstali relevantní v tomto odvětví. V závislosti na perspektivě je strojové učení pro všechny jeho rušivé účinky jen další vlnou, na kterou se lidé přizpůsobí.