Maskinlæring (ML) er i enkleste ord programmeringen av maskiner (datamaskiner) slik at den kan utføre en forespurt oppgave ved å bruke og analysere data (informasjon) for å utføre oppgaven selvstendig, uten ytterligere spesifikk inngang fra en menneskelig utvikler.
Maskininnlæring 101
Begrepet maskinlæring ble laget i IBM-laboratoriene i 1959 av Arthur Samuel, en pioner innen kunstig intelligens (AI) og dataspill. Maskinlæring, som et resultat, er en gren av kunstig intelligens. Samuels premiss var å vende datamaskinens modell av tiden opp og ned og slutte å gi datamaskiner ting å lære.
I stedet ønsket han at datamaskiner skulle begynne å finne ut ting på egen hånd, uten at mennesker måtte skrive inn selv den minste informasjonen. Da trodde han, datamaskiner ville ikke bare utføre oppgaver, men kunne til slutt bestemme hvilke oppgaver som skal utføres og når. Hvorfor? Slik at datamaskiner kan redusere mengden arbeid mennesker trenger for å utføre i et gitt område.
Hvordan maskinlæring virker
Maskinlæring virker gjennom bruk av algoritmer og data. En algoritme er et sett med instruksjoner eller retningslinjer som forteller en datamaskin eller et program for å utføre en oppgave. Algoritmene som brukes i ML samler data, gjenkjenner mønstre og bruker analyse av dataene for å tilpasse egne programmer og funksjoner for å fullføre oppgaver.
ML algoritmer bruker regelsett, beslutningstrender, grafiske modeller, naturlig språkbehandling og nevrale nettverk (for å nevne noen få) for å automatisere behandlingsdata for å ta avgjørelser og utføre oppgaver. Selv om ML kan være et komplekst emne, gir Googles lærbare maskin en forenklet hands-on demonstrasjon av hvordan ML fungerer.
Den mest kraftfulle formen for maskinlæring som brukes i dag, kalt dyp læring, bygger en kompleks matematisk struktur kalt et neuralt nettverk, basert på store mengder data. Nevrale nettverk er sett av algoritmer i ML og AI modellert etter hvordan nerveceller i den menneskelige hjerne og nervesystemet behandler informasjon.
Artificial Intelligence vs Machine Learning vs Data Mining
For best å forstå forholdet mellom AI, ML og data mining, er det nyttig å tenke på et sett med forskjellige parasoller. AI er den største paraplyen. ML-paraplyen er en størrelse mindre og passer under AI-paraplyen. Data mining paraply er den minste og passer under ML paraply.
- AI er en gren av datalogi som har som mål å programmere datamaskiner til å utføre oppgaver på mer "intelligente" og "menneskelige" måter, ved hjelp av resonnement og beslutningstaking teknikker modellert etter menneskelig intelligens.
- ML er en kategori av databehandling innen AI som er fokusert på programmeringsmaskiner (datamaskiner) for å lære (samle nødvendige data eller eksempler) for å lage data-drevne, intelligente beslutninger på en mer automatisert måte.
- Data mining bruker statistikk, ML, AI og enorme databaser med informasjon for å finne mønstre, gi innsikt, opprette klassifikasjoner, identifisere problemer og levere detaljerte dataanalyser.
Hva maskinlæring kan gjøre (og allerede gjør)
Kapasiteten til datamaskiner til å analysere store mengder informasjon i brøkdeler av et sekund gjør ML nyttig i en rekke bransjer hvor tid og nøyaktighet er avgjørende.
- Medisin: ML-teknologien blir implementert i en rekke løsninger for det medisinske feltet, blant annet ved hjelp av lege med akuttmottak med raskere diagnose av pasienter med uvanlige symptomer. Leger kan legge inn en liste over pasientens symptomer i programmet og bruke ML. Programmet kan skure trillioner terabyte med informasjon fra medisinsk litteratur og Internett for å returnere en liste over potensielle diagnoser og anbefalt testing eller behandling i rekordtid.
- Utdanning: ML brukes til å skape pedagogiske verktøy som skredder seg til studentens læringsbehov, for eksempel virtuelle læringsassistenter og elektroniske lærebøker som er mer interaktive. Disse verktøyene bruker ML for å finne ut hvilke begreper og ferdigheter studenten forstår ved å bruke korte spørrekonkurranser og øvelser. Verktøyene gir deretter korte videoer, ekstra eksempler og bakgrunnsmateriale for å hjelpe studenten å lære de nødvendige ferdigheter eller konsepter.
- Automotive: ML er også en nøkkelkomponent i det fremvoksende feltet av selvkjørende biler (også kalt sjåførløse biler eller autonome biler). Programvaren som driver selvkjørende biler bruker ML under både virkelige veitest og simuleringer for å oppdage veiforhold (som isete veier) eller identifisere hindringer i veibanen og lære passende kjøreoppgaver for å navigere i slike situasjoner.
Du har sannsynligvis allerede møtt ML mange ganger uten å innse det. Noen av de mer vanlige bruksområdene til ML-teknologien inkluderer praktisk talegjenkjennelse (Samsungs Bixby, Apples Siri, og mange talk-to-text programmer som nå er standard på PCer), spamfiltrering for din e-post, bygge nyhetsfeeder, oppdage svindel, tilpasse shopping anbefalinger, og gir mer effektive websøkresultater.
ML er selv involvert i ditt Facebook-feed. Når du liker eller klikker på en venns innlegg ofte, algoritmer og ML bak kulissene "lær" fra dine handlinger over tid for å prioritere bestemte venner eller sider i Newsfeed.
Hva maskinlæring kan ikke gjøre
Det er imidlertid grenser for hva ML kan gjøre. For eksempel krever bruk av ML-teknologi i ulike bransjer en betydelig utvikling og programmering av mennesker for å spesialisere et program eller system for typer oppgaver som kreves av den bransjen.I vårt medisinske eksempel ovenfor ble ML-programmet som ble brukt i beredskapsavdelingen, utviklet spesielt for humanmedisin. Det er for øyeblikket ikke mulig å ta det nøyaktige programmet og implementere det direkte i et veterinærhospitalsenter. En slik overgang krever omfattende spesialisering og utvikling av menneskelige programmerere for å lage en versjon som er i stand til å gjøre denne oppgaven for veterinærmedisin eller dyrmedisin.
Det krever også utrolig store mengder data og eksempler for å lære den informasjonen den trenger for å ta avgjørelser og utføre oppgaver. ML-programmer er også veldig bokstavelige i fortolkningen av data og kamp med symbolikk og også noen typer relasjoner innenfor data resultater, for eksempel årsak og effekt.
Fortsatte fremskritt gjør imidlertid ML mer av en kjerneteknologi som skaper smartere datamaskiner hver dag.
