Ce este învățarea automată?

Ce este învățarea automată?

Învățarea automată, numită uneori Învățare automată, este o terminologie veche care datează din 1960. Este contracția termenului de mașină, referindu-se la interfețele computerelor, și a cuvântului învățare, care definește capacitatea de a descoperi și recunoaște modele de structurare într-un set de date. Apariția termenului Machine Learning și abrevierea sa ML tinde să disocieze noile modele de procesele de automatizare mai frecvente în secolul XX.

Diferența dintre ML și automatizare se bazează pe necesitatea în automatizare de a face o enumerare exhaustivă a regulilor de luare a deciziilor. ML-urile nu au nevoie de el deoarece toate deciziile sunt extrase din seturile de date și uneori din unele directive prezentate în amonte. Acest lucru permite modelului ML să răspundă la probleme noi în care modelele mai vechi sunt fie limitate, fie incapabile să răspundă. Acesta este mai ales cazul în situații cu complexitate ridicată sau când problema necesită adaptabilitatea algoritmilor. Într-adevăr, un proces ML se poate adapta, spre deosebire de un program standard, pentru a răspunde la variațiile de context. Acest lucru nu este fezabil pentru un sistem automatizat fără contribuția unui expert extern.

În sectorul Machine Learning, obiectivul principal este de a proiecta sisteme care să permită computerelor să înțeleagă structurile și să asimileze cunoștințe din date. Pentru a face acest lucru, învățarea automată cuprinde un set vast de instrumente matematice. Mediul Machine Learning cuprinde mai multe domenii ale științei, bazându-se pe cunoștințe în special în statistică, dar și în teoria informației, teoria jocurilor, optimizare… În sfârșit, ca domeniu al informaticii, o parte importantă este adresată utilizării algoritmului. și noțiunea de informatică.

Pentru ce se folosește învățarea automată?

Modelele de învățare automată sunt variate, dar toate se reunesc în jurul utilizării datelor pentru a răspunde la o anumită sarcină. În general, obiectivul este de a face o analiză aprofundată care să evidențieze cunoștințe noi dintr-un set de date și un obiectiv vizat anterior. Pentru a face acest lucru, modelele ML creează relații, definesc scheme și construiesc mostre reprezentative de eveniment real măsurabil.

Din punct de vedere industrial, ML urmează o tendință de automatizare a proceselor create de om care au devenit costisitoare, din care dorim să scoatem indivizi. În domeniul specific ML sunt vizate procesele de analiză a informațiilor. Această analiză virtuală permite, printre altele, o mai bună înțelegere a datelor și poate ajuta la luarea deciziilor făcând predicții mai mult sau mai puțin fiabile folosind contextul reprezentat de date.

Amintiți-vă că intrăm în perioada de date mari pentru Man și industria sa. Această perioadă este definită de apariția unui ecosistem îmbogățit cu date, cu volume considerabile. Pentru a putea analiza datele în ciuda creșterii acestora în ecosistemul digital, sunt necesare instrumente pentru automatizarea metodelor de analiză, cum ar fi ceea ce oferă ML. Faptul că ML face posibilă automatizarea analizelor acestor seturi de date mărturisește în opinia mea puterea sa în provocările secolului.

Care sunt performanțele remarcabile ale Machine Learning?

Apariția și utilizarea ML în viața de zi cu zi perturbă mai multe sectoare și utilizările asociate devin din ce în ce mai esențiale pentru dezvoltarea mai multor sectoare. În viața de zi cu zi, algoritmii de învățare automată sunt adesea evidențiați prin capacitatea lor de a reproduce comportamente umane precum limbajul, recunoașterea vizuală, creația, traducerea, conversația și luarea deciziilor analitice. Comportament care este puternic înrădăcinat ca inerent condiției umane și animale. Fiecare progres în acest sector ridică, fără îndoială, întrebări filozofice și umane despre starea noastră și poate stârni teamă.

ML este adesea definit ca o ramură a AI (Inteligenta Artificială). Dar în cazul ML, exercițiul este adesea extins la alte obiective decât simpla reproducere artificială a inteligenței animalelor. Este, de asemenea, o chestiune de perfecţionare a anumitor raţionamente şi sprijinirea altora în luarea deciziilor. Actorul uman extern este complementar și esențial.

Este important să ne amintim că ML este un instrument printre multe altele și că nu se limitează la imitarea proceselor umane. Însuși punctul forte al ML este capacitatea modelelor sale de a extrage informații noi din volume mari de date. Mai mult, cu cât este mai fină o sarcină sau o întrebare, cu atât utilizarea datelor reale și bogate îmbunătățește performanța. Cu toate acestea, analiza este îngreunată de timpul necesar pentru sarcinile intermediare de manipulare și înțelegere a datelor, mai ales când cantitatea de date este gigantică. Aici ML este un instrument excelent, deoarece vă permite să automatizați majoritatea sarcinilor secundare de analiză a datelor la un cost mai mic de către un actor virtual.

Prin starea sa de mașină, modelul ML poate funcționa mai mult, uneori într-un mod mai optimizat și mai fin decât cel uman. Puterea modelelor ML este și de a avea resursele necesare pentru a minimiza erorile de raționament prin paralelizarea analizelor în mai mulți experți virtuali, ceea ce nu putem face acest lucru pur și simplu cu experți umani.

Cu toate acestea, modelele ML nu ar trebui concepute direct ca concurenți pentru oameni, ci mai degrabă ca instrumente practice de sprijinire a deciziilor. Mașina nu poate face o judecată în afara analizei faptelor, omul rămâne singurul capabil să aleagă în funcție de informațiile date. De exemplu, filtrul de spam prin e-mail și motoarele de căutare sunt două cazuri principale de utilizare ale ML deja prezente în viața de zi cu zi ca asistent care dă frâu liber alegerilor umane.

Aceasta ne dă o idee despre sarcinile pe care oamenii le pot face (sortarea e-mailurilor) și pe care dorim să le delegăm mașinilor și sarcinile pe care oamenii nu le pot face deoarece sunt limitate de capacitatea lor (propuneți cel mai relevant conținut din vastul internet).

Machine Learning, o familie mare de algoritmi.

Ca în orice domeniu al informaticii, există multe modalități de a realiza aceleași lucruri în ML. Se întâmplă chiar și destul de regulat ca două abordări să fie aceleași pentru a răspunde unei probleme.

Faptul că există mai multe modalități de a face Machine Learning, atât pentru a răspunde diferit, cât și subtil la probleme care variază ușor în condițiile inițiale, dar și pentru a optimiza aceste rezultate, face ca disciplina să fie bogată și greu de înțeles în întregime.

Există mai multe subramuri ale ML în urma abordărilor de învățare propuse. Dar asta nu ar trebui să te descurajeze, fiecare familie din ML are propriul univers și nu este necesar să stăpânești totul. Într-o postare pe blog, trecem peste diferitele abordări și modul în care acestea diferă pentru a îndeplini sarcini specifice. În cele din urmă, un element major în ML se referă la celebra teoremă cu numele evocator „There is no free lunch”, care reamintește tuturor pasionaților de ML că nu există o soluție miracolă în ML. Fiecare abordare răspunde la probleme specifice într-un mod mai mult sau mai puțin relevant.

Photo Maxime Macé

Maxime Macé

Simple passionné de thématiques diverses et variées. J’apprécie enrichir mes connaissances dans les disciplines techniques comme l’informatique, les sciences et l’ingénierie, mais aussi dans les domaines merveilleux de la philosophie, l’art et la littérature.

Prenons contact

Vous souhaitez me contacter suite à la lecture de cet article ? Merci de renseigner votre adresse électronique et je vous recontacterai dans les plus brefs délais.

CV Ingénieur développeur informatique

CV Étudiant PhD Artificial Intelligence

Portfolio Artist designer