Машинное обучение что это такое

Этим термином обозначают метод анализа информации, который делает возможным самостоятельное обучение машины, аналитической системы либо робота через решение ряда подобных задач.

С учётом громоздкости вышеуказанного определения можно его несколько упростить. Машинное обучение по сути представляет собой выискивание закономерностей в имеющемся информационном массиве с выбором лучшего варианта безо всякого участия человека.

Принцип такого обучения демонстрирует один из роликов Гугла, где аналитическая система получила задачу дойти из заданной точки в другую точку с использованием 2-ногой и 4-ногой моделей. Однако системе не продемонстрировали, как вообще можно ходить на 2-х и передвигаться на 4-х конечностях. Тем не менее, ей удалось, перебрав массив информации, совершив ряд ошибок и предпринимая всё новые попытки, найти лучшие способы перемещения для 2-х и 4-х конечностей.

Если говорить о фантастическом пока будущем, выделяют 3 этапа внедрения машинного обучения:

1. В отношении технологий употребляется обязательное прилагательное «инновационные». В данном случае это означает, что они становятся доступными исключительно для больших корпораций и правительств. К примеру, Гугл и Амазон, Эпл и IBM впервые начали внедрение искусственного интеллекта. Вообще каждая система, пытающаяся предсказывать спрос со стороны покупателей, используя для этого массив информации, имеет прямое отношение к машинному обучению.
2. Технологии используют люди, имеющие специальные познания в области IT и доступ к новым разработкам. Возникают новые сервисы, в основе которых лежит искусственный интеллект.
3. Технологии становятся доступными для всех.

Множество экспертов уверены, что сейчас искусственный интеллект пребывает на границе 2-й и 3-й стадий. Т. е. люди, хорошо знакомые с IT, уже используют инновации, но большинство пока опасается.

Область использования

Выше было рассмотрено значение термина «искусственный интеллект». Рассмотрим, в каких целях его используют в быту и в бизнесе.

Если спросить кого-то, кто увлекается робототехникой, для чего применяется машинное обучение, можно услышать многочисленные фантастические рассказы. К примеру, роботы скоро будут сами учиться выполнению заданий, поставленных людьми. К примеру, добыче полезных ископаемых, бурению скважин, исследованию океанских глубин, тушению пожаров. Для программистов отпадёт необходимость расписывание сложных и массивных программ, рискуя сделать ошибку в записи. Роботы посредством машинного обучения будут самостоятельно учиться правильному поведению в определённой ситуации, используя информационный анализ.

Это всё звучит прекрасно, однако пока это только фантастика. Хотя в будущем (возможно даже, что не особо и отдалённом) будет реальностью.

Каковы же сегодняшние возможности машинного обучения и искусственного интеллекта? Сейчас технология применяется преимущественно для маркетинга. К примеру, в Яндексе машинное обучение используется, чтобы демонстрировать посетителям релевантную рекламу. Например, после поиска в интернете интересующего Вас товара Вам после этого в течение нескольких часов либо даже дней демонстрируют подобные предложения.

Аналогичный принцип используется при формировании умных лент в социальных сетях. Фейсбук и ВКонтакте имеют свои аналитические машины, которые изучают интересы каждого пользователя этих сетей, а именно — какие он посты просматривает наиболее часто, на что чаще кликает, какие группы в этих сетях посещает и т. п. Чем более длительной и интенсивной будет активность конкретного пользователя в данных сетях, тем больше «персонализируется» его новостная лента. В этом есть плюсы и минусы. Машина ограждает пользователя от той информации, которая, по её мнению, не может быть для него интересной. Однако этим она ограничивает его кругозор.

Машинное обучение применяют в системах безопасности. В качестве примера можно назвать систему распознавания лиц в метрополитене. Видеокамеры осуществляют сканирование лиц тех, кто входит в метро и выходит из него. Аналитическая машина сравнивает полученные таким образом снимки с теми лицами, что есть в базе находящихся в розыске. При высокой степени схожести она подаёт сигнал и полицейские останавливают человека для проверки.

Разновидности машинного обучения

Каждый метод машинного обучения представляет собой массив заданий, цель которых — проверить гипотезы, найти лучшие решения при помощи ИИ. Существуют 3 направления:

1. Обучение с участием учителя. В данной ситуации в систему анализа загружают информационный массив, касающийся одной определённой задачи. Ему задают направление, которое является целью анализа. Обычно требуется предсказание чего-то либо проверка конкретной гипотезы. К примеру, мы располагаем сведениями насчёт доходов онлайн-магазина за 6 месяцев. Известно количество реализованных товаров, сумма потраченных средств на привлечение покупателей, число кликов, ROI, средняя сумма в чеке, число отказов и ряд прочих параметров. Машина должна провести анализ всего этого массива информации и создать прогноз насчёт доходов на ближайший месяц либо год. .
2. Без участия учителя. Такое обучение предполагает, что ни программа, ни люди не знают верные ответы наперёд, есть лишь некоторый массив информации. Машина обрабатывает эти данные, самостоятельно выискивая в них связи. Часто это приводит к не самым очевидным решениям.
3. Глубокое обучение. В этом случае анализируются «Большие данные». Т. е. 1 компьютер либо 1 программа попросту не способны обработать такой объём данных. Обязательным становится применение нейронных сетей. При этом очень большой информационный массив разделяют на меньшие фрагменты, которые потом обрабатывают другие компьютеры. К примеру, 1-й процессор осуществляет сбор данных, касающихся задачи, передавая их другим, а они занимаются анализом собранной информации и передачей результатов ещё одной группе процессоров, которые уже непосредственно находят решения.