Люди постійно винаходять кращі способи отримати роботу. Промислова революція була тоді, коли ми винайшли способи більш ефективного виробництва. Революція мікрокомп’ютерів зробила обчислення більш ефективними. Інтернет-революція покращила ефективність та масштаби спілкування та пошуку інформації. Ми в середині революції машинного навчання.
Але що робить революція машинного навчання більш ефективною? Що це масштабує?
Прогнозування масштабів машинного навчання.
Люди дуже добре прогнозують – це здатність робити спостереження чи твердження щодо певної події, як правило, на основі досвіду чи знань. Лікарі прогнозують – коли ставлять діагноз. Людський водій передбачає – коли вона помічає, як через дорогу підстрибує м’яч. Батьки прогнозують – коли вони не чують занадто багато шуму з кімнат своїх маленьких дітей.
З досягненнями в галузі машинного інтелекту стає все дешевшим та простіше змусити комп’ютери прогнозувати. Комп’ютери можуть отримувати мільйони структурованих і неструктурованих точок даних, а потім вони можуть прогнозувати, виходячи з того, що комп’ютери „дізнаються”, аналізуючи ці точки даних.
Для того, щоб використовувати машинне навчання для вирішення проблеми, ми повинні навчитися ставити свою проблему як проблему передбачення
Є набори проблем, які цілком природно піддаються вирішенню за допомогою машинного навчання. Однією з таких проблем є прогнозування захворювання на основі історичних даних тестів та подальшого діагнозу. Або виявлення шахрайства у фінансових системах. Але ми можемо використовувати машинне навчання для вирішення проблем, які спочатку не виглядають як проблема прогнозування.
Клішований приклад одного з таких випадків – автономна їзда (попередження: попереду надмірне спрощення). Можна подумати, що автономне водіння можна вирішити, додавши в алгоритм керування достатньою логікою, якщо не тоді.
Щоб зробити це проблемою прогнозування, такі компанії, як Tesla, годують мільйони годин (або миль) даних про водіння автомобілів, якими керують люди, до алгоритмів машинного навчання. Тепер машини можуть розглядати різні ситуації, в яких опинилися ці люди, і можуть передбачити, що зробить людина в тій чи іншій ситуації. Потім цю можливість передбачення можна застосувати до алгоритму автономного керування.
Ось гіпотетичний приклад (можливо) – у великих містах, де слід розмістити правоохоронні органи? Скажімо, достатньо даних зібрано з камер, датчиків, часу доби, історичних злочинів. Машина могла дізнатися, що коли в районі, де є багато барів, є відвідувачі, які відвідують пізні ночі, є більший шанс на злочин. Машина могла навчитися прогнозувати потенційні гарячі точки в режимі реального часу та відповідно розгортати ресурси правоохоронних органів.
Якщо ми зможемо переосмислити наші проблеми як проблеми прогнозування, можливості програм машинного навчання безмежні.
Як батько, одне з найскладніших рішень для мене – з’ясувати, як керувати своїми дітьми з точки зору вибору освіти. У чому вони будуть добре від природи? На роботі одна з проблем – як вибрати людей, які, мабуть, найкраще відповідають культурі нашої компанії. Проблеми, пов’язані з навчанням, освітою, набором та просуванням по службі, можна переформулювати як проблеми прогнозування. У цьому просторі вже є багато точок даних, які можна використовувати для машинного навчання. Але ми можемо почати експериментувати з іншими точками даних, такими як сканування нашого мозку! Найвищою технологією машинного навчання (хоча на даний час вона вигадана) для цього є сортувальний капелюх.
Артур К. Кларк сказав: “будь-яка досить просунута технологія нічим не відрізняється від магії”. Отже, хоча здається, що сортувальний капелюх отримує можливості, які він має від магії, він потенційно є передовою технологією, яка може сканувати мозок студента, використовувати дані профілювання, які Хогвартс, безумовно, має про студента, а також використовувати машинний інтелект, який він придбав, сортуючи тисячі студентів по різних будинках у минулому – він використовує все це, щоб передбачити, де у студента найбільші шанси на успіх.
Давайте зробимо крок назад, подивимось на наші сучасні виклики, а потім спробуємо сприймати їх як проблеми прогнозування.
(кредит для сортування зображення капелюха: Джером К. Мур)
Спочатку ця публікація була опублікована за адресою https://www.linkedin.com/pulse/utilizing-machine-learning-requires-restating-your-problem-gadodia/.
Vaibhav Gadodia люб’язно дозволив нам перекласти і опублікувати цю статтю.
Temy.co - Software Development Partner 