Învățare profundă vs învățare automată

Întrebările ar trebui să includă cât de multe date sunt necesare, modul în care datele colectate vor fi împărțite în seturi de testare și de formare și dacă se poate utiliza un model ML preformat. Formarea, validarea, reglarea și implementarea AI generativă, modelele de bază și capacitățile de învățare automată cu IBM watsonx.ai, un studio de întreprindere de ultimă generație pentru creatorii de AI. Creați aplicații de inteligență artificială într-o fracțiune de timp și cu o fracțiune de date. O rețea bayesiană, rețea de credință sau model grafic aciclic direcționat este un model grafic probabilistic care reprezintă un set de variabile aleatoare și independența condiționată a acestora cu ajutorul unui graf aciclic direcționat (DAG). De exemplu, o rețea bayesiană ar putea reprezenta relațiile probabilistice dintre boli și simptome.

Se utilizează pentru analiza exploratorie a datelor pentru a găsi modele ascunse sau grupări în date. Aplicațiile pentru analiza clusterului includ analiza secvențelor genetice, cercetarea de piață și recunoașterea obiectelor. ML analizează și îmbunătățește fotografiile cu ajutorul clasificatorilor de imagini, detectează obiecte (sau fețe) în imagini și poate chiar utiliza rețele neuronale artificiale pentru a îmbunătăți sau extinde o fotografie prin prezicerea a ceea ce se află dincolo de granițele sale.

Acești algoritmi sunt, de asemenea, utilizați pentru a segmenta subiecte de text, pentru a recomanda articole și pentru a identifica datele aberante. Algoritmii antrenați pe seturi de date care exclud anumite populații sau care conțin erori pot duce la modele inexacte ale lumii care, în cel mai bun caz, eșuează și, în cel mai rău caz, sunt discriminatorii. Atunci când o întreprindere își bazează procesele de afaceri de bază pe modele tendențioase, aceasta poate suferi prejudicii de reglementare și de reputație.

În cazul învățării automate nesupravegheate, un program caută tipare în datele neetichetate. Învățarea automată nesupravegheată poate găsi tipare sau tendințe pe care oamenii nu le caută în mod explicit. De exemplu, un program de învățare automată nesupravegheată ar putea examina datele privind vânzările online și identifica diferite tipuri de clienți care fac achiziții. Explicarea modului în care funcționează un anumit model ML poate fi o provocare atunci când modelul este complex.

Învățarea nesupravegheată găsește modele ascunse sau structuri intrinseci în date. Se utilizează pentru a trage concluzii din seturi de date constând în date de intrare fără răspunsuri etichetate. Mașinile utilizează aceste date pentru a învăța și a îmbunătăți rezultatele și rezultatele care ne sunt furnizate. Aceste rezultate pot fi extrem de utile pentru a oferi informații valoroase și pentru a lua decizii de afaceri în cunoștință de cauză.

Învățarea automată bazată pe reguli este un termen general pentru orice metodă de învățare automată care identifică, învață sau dezvoltă “reguli” pentru a stoca, manipula sau aplica cunoștințe. Caracteristica definitorie a unui algoritm de învățare automată bazat pe reguli este identificarea și utilizarea unui set de reguli relaționale care reprezintă în mod colectiv cunoștințele captate de sistem. Învățarea supravegheată este o metodă de învățare automată care necesită o supraveghere similară cu relația elev-profesor. În învățarea supravegheată, o mașină este antrenată cu date bine etichetate, ceea ce înseamnă că unele date sunt deja etichetate cu ieșiri corecte. Astfel, ori de câte ori se introduc date noi în sistem, algoritmii de învățare supravegheată analizează aceste date de probă și prezic ieșirile corecte cu ajutorul acestor date etichetate. Mașinile cu vectori de suport (SVM), cunoscute și sub denumirea de rețele de vectori de suport, sunt un set de metode de învățare supravegheată înrudite, utilizate pentru clasificare și regresie.

Să luăm ca exemplu inițiativele de învățare automată din timpul epidemiei COVID-19. Instrumentele de inteligență artificială au ajutat la prezicerea modului în care virusul se va răspândi în timp și au modelat modul în care îl controlăm. De asemenea, a ajutat la diagnosticarea pacienților prin analizarea tomografiilor pulmonare și prin detectarea febrei cu ajutorul recunoașterii faciale, precum și la identificarea pacienților care prezintă un risc mai mare de a dezvolta boli respiratorii grave. Învățarea mecanică poate fi pusă la lucru pe cantități masive de date și poate fi mult mai precisă decât oamenii. Vă poate ajuta să economisiți timp și bani pentru sarcini și analize, cum ar fi rezolvarea punctelor de durere ale clienților pentru a îmbunătăți satisfacția acestora, automatizarea biletelor de asistență și extragerea de date din surse interne și de pe tot internetul.

Un neuron artificial care primește un semnal îl poate procesa și apoi poate da un semnal altor neuroni artificiali conectați la el. În implementările obișnuite ale RNA, semnalul la o conexiune între neuronii artificiali este un număr real, iar ieșirea fiecărui neuron artificial este calculată printr-o funcție neliniară a sumei intrărilor sale. Neuronii artificiali și marginile au de obicei o greutate care se ajustează pe măsură ce se desfășoară procesul de învățare. Greutatea crește sau scade intensitatea semnalului la o conexiune. Neuronii artificiali pot avea un prag, astfel încât semnalul să fie trimis numai dacă semnalul agregat trece de acel prag. Diferite straturi pot efectua diferite tipuri de transformări asupra intrărilor lor.

Din fericire, Zendesk oferă o soluție puternică de inteligență artificială cu o barieră de intrare redusă. Zendesk AI a fost construit cu gândul la experiența clientului și a fost antrenat pe miliarde de puncte de date de servicii pentru clienți pentru a se asigura că poate gestiona aproape orice situație de asistență. Inteligența artificială joacă un rol important în organizațiile moderne de asistență, de la activarea autoservirii clienților până la automatizarea fluxurilor de lucru.

Evaluări de modele

Învățarea automată începe cu date – numere, fotografii sau text, cum ar fi tranzacțiile bancare, fotografii de persoane sau chiar de produse de panificație, înregistrări de reparații, serii de date temporale de la senzori sau rapoarte de vânzări. Datele sunt adunate și pregătite pentru a fi utilizate ca date de instruire sau informațiile pe care va fi instruit modelul de învățare automată. Data mining poate fi considerat un superset de multe metode diferite pentru a extrage informații din date.

• Rezultatele în sine pot fi dificil de înțeles – în special cele produse de algoritmi complecși, cum ar fi rețelele neuronale de învățare profundă, inspirate din creierul uman.
• Prelucrarea limbajului natural este un domeniu al învățării automate în care mașinile învață să înțeleagă limbajul natural, așa cum este vorbit și scris de oameni, în locul datelor și numerelor utilizate în mod normal pentru programarea calculatoarelor.
• O tehnologie care permite unei mașini să stimuleze comportamentul uman pentru a ajuta la rezolvarea unor probleme complexe este cunoscută sub numele de inteligență artificială.
• Prin urmare, investițiile în securitate au devenit o prioritate din ce în ce mai mare pentru întreprinderi, care încearcă să elimine orice vulnerabilități și oportunități de supraveghere, piraterie și atacuri cibernetice.
• Printre tehnicile populare utilizate în învățarea nesupravegheată se numără cartografierea celui mai apropiat vecin, hărțile de auto-organizare, descompunerea valorii singulare și gruparea k-means.

Învățarea mecanică reprezintă nucleul principal al modelelor de afaceri ale unor companii, cum ar fi în cazul algoritmului de sugestii al Netflix sau al motorului de căutare al Google. Alte companii se implică profund în învățarea automată, deși nu este principala lor propunere de afaceri. Un program de 12 luni axat pe aplicarea instrumentelor moderne de știință a datelor, optimizare și învățare automată pentru a rezolva probleme de afaceri din lumea reală.

Interogările bazate pe voce utilizează procesarea limbajului natural (NLP) și analiza sentimentelor pentru recunoașterea vorbirii. Învățarea mecanică poate analiza imagini pentru diferite informații, cum ar fi învățarea de a identifica persoanele și de a le deosebi – , deși algoritmii de recunoaștere facială sunt controversați. Shulman a menționat că fondurile de investiții speculative folosesc în mod obișnuit învățarea automată pentru a analiza numărul de mașini în parcări, ceea ce le ajută să afle cum funcționează companiile și să facă pariuri bune. Prelucrarea limbajului natural este un domeniu al învățării automate în care mașinile învață să înțeleagă limbajul natural, așa cum este vorbit și scris de oameni, în locul datelor și numerelor utilizate în mod normal pentru programarea calculatoarelor. Acest lucru permite mașinilor să recunoască limba, să o înțeleagă și să răspundă la ea, precum și să creeze texte noi și să traducă între limbi.

Deoarece învățarea automată utilizează adesea o abordare iterativă pentru a învăța din date, învățarea poate fi ușor automatizată. Învățarea nesupravegheată este utilizată pentru date care nu au etichete istorice. Nu se spune sistemului “răspunsul corect”. Algoritmul trebuie să-și dea seama ce este afișat. De exemplu, poate identifica segmente de clienți cu atribute similare, care pot fi tratate în mod similar în campaniile de marketing. Sau poate găsi principalele atribute care separă segmentele de clienți unul de celălalt. Printre tehnicile populare se numără hărțile de auto-organizare, cartografierea celui mai apropiat vecin, gruparea k-means și descompunerea valorii singulare.

Dacă nu dispuneți de niciunul dintre aceste lucruri, ar putea fi mai logic să folosiți învățarea automată în locul învățării profunde. Învățarea profundă este, în general, mai complexă, așa că veți avea nevoie de cel puțin câteva mii de imagini pentru a obține rezultate fiabile. Învățarea automată oferă o varietate de tehnici și modele pe care le puteți alege în funcție de aplicația dumneavoastră, de dimensiunea datelor pe care le procesați și de tipul de problemă pe care doriți să o rezolvați. O aplicație de învățare profundă de succes necesită o cantitate foarte mare de date (mii de imagini) pentru a antrena modelul, precum și GPU, sau unități de procesare grafică, pentru a procesa rapid datele. De asemenea, este probabil ca învățarea automată să continue să avanseze și să se îmbunătățească, cercetătorii dezvoltând noi algoritmi și tehnici pentru a face învățarea automată mai puternică și mai eficientă. Este studiul prin care se urmărește ca mașinile să aibă un comportament și decizii mai asemănătoare cu cele umane, oferindu-le capacitatea de a învăța și de a-și dezvolta propriile programe.

Acesta este capabil să rezolve probleme complexe și să genereze informații importante prin identificarea modelelor din date. Fiecare algoritm produce un tip specific de model, cu caracteristici diferite. Unele probleme de învățare automată pot fi rezolvate cel mai bine prin utilizarea mai multor algoritmi în combinație. De exemplu, ați putea utiliza mai întâi un model de extragere a caracteristicilor pentru a crea un set optimizat de predictori, apoi un model de clasificare pentru a face o predicție pe baza rezultatelor. Folosiți tehnici de regresie dacă lucrați cu un interval de date sau dacă natura răspunsului dumneavoastră este un număr real, cum ar fi temperatura sau timpul până la defecțiune pentru un echipament. El a definit-o ca fiind “domeniul de studiu care conferă computerelor capacitatea de a învăța fără a fi programate în mod explicit”.

Învățarea prin întărire a dat rezultate extraordinare în cazul jocului AplhaGo de la Google, care l-a învins pe jucătorul de Go numărul unu din lume. 8 min citește – Prin utilizarea inteligenței artificiale în procesul de achiziție a talentelor, puteți reduce timpul de angajare, puteți îmbunătăți calitatea candidaților și puteți crește incluziunea și diversitatea. Învățarea automată este unul dintre cele mai populare subdomenii ale inteligenței artificiale. Conceptele de învățare automată sunt utilizate aproape peste tot în scopuri de învățare automată, cum ar fi asistența medicală, finanțele, infrastructura, marketingul, mașinile care se conduc singure, sistemele de recomandare, chatbots, site-urile sociale, jocurile, securitatea cibernetică și multe altele. Urmăriți o discuție cu doi experți în inteligență artificială despre progresele și limitele învățării automate. Prin rigoare intelectuală și învățare experiențială, acest program de MBA cu normă întreagă, de doi ani, dezvoltă lideri care fac o diferență în lume.

Învățare supravegheată

Astăzi, fie că vă dați seama sau nu, învățarea automată este peste tot – traducere automată, recunoaștere de imagini, tehnologie de căutare vocală, mașini care se conduc singure și nu numai. Ambele sunt algoritmi care utilizează date pentru a învăța, dar diferența esențială este modul în care le procesează și învață din ele. Învățarea automată supravegheată încearcă să explice comportamentul țintei în funcție de un set de atribute sau predictori independenți. O tehnologie care permite unei mașini să stimuleze comportamentul uman pentru a ajuta la rezolvarea unor probleme complexe este cunoscută sub numele de inteligență artificială. Învățarea mecanică este un subset al inteligenței artificiale și permite mașinilor să învețe din datele anterioare și să furnizeze rezultate precise.

Acești algoritmi folosesc învățarea automată și procesarea limbajului natural, iar roboții învață din înregistrările conversațiilor anterioare pentru a oferi răspunsuri adecvate. De asemenea, învățarea automată îndeplinește sarcini manuale care depășesc capacitatea noastră de a le executa la scară largă – de exemplu, procesarea cantităților uriașe de date generate astăzi de dispozitivele digitale. Capacitatea învățării automate de a extrage tipare și informații din seturi vaste de date a devenit un factor de diferențiere competitivă în domenii care variază de la finanțe și comerț cu amănuntul până la sănătate și descoperiri științifice. Multe dintre companiile de top din prezent, inclusiv Facebook, Google și Uber, fac din învățarea automată o parte esențială a operațiunilor lor. Scopul inițial al abordării RNA a fost acela de a rezolva problemele în același mod în care ar face-o un creier uman.

Cu toate acestea, puteți obține rezultate similare și puteți îmbunătăți experiențele clienților folosind modele precum învățarea supravegheată, învățarea nesupravegheată și învățarea prin întărire. Învățarea automatizată supravegheată construiește un model care face predicții pe baza dovezilor în prezența incertitudinii. Un algoritm de învățare supravegheată ia un set cunoscut de date de intrare și răspunsuri cunoscute la aceste date (ieșire) și antrenează un model pentru a genera predicții rezonabile pentru răspunsul la noi date. Utilizați învățarea supravegheată dacă aveți date cunoscute pentru rezultatul pe care încercați să îl preziceți.

Agenții pot oferi un feedback pozitiv pentru fiecare acțiune bună și un feedback negativ pentru acțiunile rele. Deoarece, în învățarea prin întărire, nu există date de instruire, agenții sunt restricționați să învețe doar cu ajutorul experienței lor. Învățarea arborelui de decizie utilizează un arbore de decizie ca model predictiv pentru a trece de la observații despre un element (reprezentat în ramuri) la concluzii despre valoarea țintă a elementului (reprezentată în frunze). Este una dintre abordările de modelare predictivă utilizate în statistică, în mineritul de date și în învățarea automată. Modelele arborescente în care variabila țintă poate lua un set discret de valori se numesc arbori de clasificare; în aceste structuri arborescente, frunzele reprezintă etichete de clasă, iar ramurile reprezintă conjuncții de caracteristici care conduc la aceste etichete de clasă. Arborii de decizie în care variabila țintă poate lua valori continue (de obicei numere reale) se numesc arbori de regresie.

O bancă care utilizează un sistem watsonx Assistant pentru serviciul clienți a constatat că chatbotul a răspuns la 96% din întrebările clienților în mod corect, rapid, consecvent și în mai multe limbi. Având în vedere omniprezența tot mai mare a învățării automate, este posibil ca toți cei din mediul de afaceri să se întâlnească cu acest tip de învățare și să aibă nevoie de cunoștințe de lucru în acest domeniu. Un sondaj Deloitte din 2020 a arătat că 67% dintre companii folosesc învățarea automată, iar 97% o folosesc sau intenționează să o folosească în următorul an. Dezvoltarea modelului corect de învățare automată pentru a rezolva o problemă poate fi complexă. Este nevoie de diligență, experimentare și creativitate, așa cum este detaliat într-un plan în șapte pași pentru construirea unui model ML, al cărui rezumat este prezentat în continuare. Învățarea mecanică este o cale către inteligența artificială, care, la rândul său, alimentează progresele în ML care, la rândul său, îmbunătățesc inteligența artificială și estompează progresiv granițele dintre inteligența mecanică și intelectul uman.

Majoritatea tehnicilor de reducere a dimensionalității pot fi considerate fie ca fiind de eliminare, fie de extragere a caracteristicilor. Una dintre metodele populare de reducere a dimensionalității este analiza componentelor principale (PCA). PCA presupune schimbarea datelor cu dimensiuni mai mari (de exemplu, 3D) într-un spațiu mai mic (de exemplu, 2D). Cu ajutorul învățării automate, puteți monitoriza mențiunile despre marca dvs. în social media și puteți identifica imediat dacă clienții necesită o atenție urgentă.

Există două categorii principale în învățarea nesupravegheată; acestea sunt gruparea – în cazul în care sarcina este de a găsi diferite grupuri în date. Următoarea este estimarea densității – care încearcă să consolideze distribuția datelor. Vizualizarea și proiecția pot fi, de asemenea, considerate ca fiind nesupravegheate, deoarece încearcă să ofere o mai bună înțelegere a datelor. Vizualizarea implică crearea de diagrame și grafice pe date, iar proiecția este implicată în reducerea dimensionalității datelor.

Acest lucru este deosebit de important, deoarece sistemele pot fi păcălite și subminate sau pur și simplu nu reușesc să îndeplinească anumite sarcini, chiar și cele pe care oamenii le pot îndeplini cu ușurință. De exemplu, ajustarea metadatelor din imagini poate deruta computerele – cu câteva ajustări, o mașină identifică o fotografie a unui câine ca fiind un struț. Programele de învățare automată pot fi antrenate să examineze imagini medicale sau alte informații și să caute anumiți markeri de boală, cum ar fi un instrument care poate prezice riscul de cancer pe baza unei mamografii. O mare parte din tehnologia din spatele mașinilor care se conduc singure se bazează pe învățarea automată, în special pe învățarea profundă.

Învățarea automată în smartphone-uri

Acest lucru se face cu o intervenție umană minimă, adică fără programare explicită. Procesul de învățare este automatizat și îmbunătățit pe baza experienței mașinilor pe parcursul procesului. Învățarea automată este o aplicație a inteligenței artificiale care utilizează tehnici statistice pentru a permite calculatoarelor să învețe și să ia decizii fără a fi programate în mod explicit. Aceasta se bazează pe ideea că calculatoarele pot să învețe din date, să identifice tipare și să formuleze judecăți cu puțin ajutor din partea oamenilor. Învățarea automată este un domeniu al inteligenței artificiale care permite sistemelor să învețe și să se îmbunătățească din experiență fără a fi programate în mod explicit. A devenit un subiect din ce în ce mai popular în ultimii ani datorită numeroaselor aplicații practice pe care le are într-o varietate de industrii.

Printre dezavantaje se numără potențialul de distorsionare a datelor, supraadaptarea datelor și lipsa de explicabilitate. Puteți accepta un anumit grad de eroare de formare din cauza zgomotului pentru a menține ipoteza cât mai simplă posibil. La IBM, combinăm puterea ML și AI în IBM watsonx, noul nostru studio pentru modele de fundație, AI generativă și ML.

Aceasta este utilizată pentru a depăși dezavantajele atât ale metodelor de învățare supravegheată, cât și ale celor nesupravegheate. Madry a subliniat un alt exemplu în care un algoritm de învățare automată care examina radiografii părea să fie mai performant decât medicii. Dar s-a dovedit că algoritmul corela rezultatele cu mașinile care au luat imaginea, nu neapărat cu imaginea în sine. Tuberculoza este mai frecventă în țările în curs de dezvoltare, care au tendința de a avea mașini mai vechi. Programul de învățare automată a învățat că, dacă radiografia a fost făcută cu un aparat mai vechi, pacientul avea mai multe șanse să aibă tuberculoză. Acesta și-a îndeplinit sarcina, dar nu în modul în care programatorii au intenționat sau ar fi găsit-o utilă.

Învățarea prin întărire este un domeniu al învățării automate care se ocupă de modul în care agenții software ar trebui să întreprindă acțiuni într-un mediu, astfel încât să maximizeze o anumită noțiune de recompensă cumulativă. În învățarea prin consolidare, mediul este reprezentat de obicei ca un proces decizional Markov (MDP). Mulți algoritmi de învățare prin întărire utilizează tehnici de programare dinamică.[55] Algoritmii de învățare prin întărire nu presupun cunoașterea unui model matematic exact al MDP și sunt utilizați atunci când modelele exacte nu sunt fezabile.

Învățare supravegheată este o clasă de probleme care utilizează un model pentru a învăța corespondența dintre variabilele de intrare și cele țintă. Aplicațiile care constau în date de instruire care descriu diferitele variabile de intrare și variabila țintă sunt cunoscute ca sarcini de învățare supravegheată. Acest lucru implică luarea unui set de date de eșantionare a mai multor băuturi pentru care se specifică culoarea și procentul de alcool.

Cu toate acestea, în timp, atenția s-a îndreptat către îndeplinirea unor sarcini specifice, ceea ce a dus la abateri de la biologie. Rețelele neuronale artificiale au fost utilizate pentru o varietate de sarcini, inclusiv viziunea computerizată, recunoașterea vorbirii, traducerea automată, filtrarea rețelelor sociale, jocurile de societate și jocurile video și diagnosticarea medicală. O RNA este un model bazat pe o colecție de unități sau noduri conectate numite “neuroni artificiali”, care modelează în mod vag neuronii dintr-un creier biologic. Fiecare conexiune, la fel ca sinapsele dintr-un creier biologic, poate transmite informații, un “semnal”, de la un neuron artificial la altul.

ML poate identifica markerii genetici și genele care vor răspunde sau nu la un anumit tratament sau medicament și care pot provoca efecte secundare semnificative la anumite persoane. Aceste analize avansate pot duce la recomandări personalizate de medicație sau tratament bazate pe date. La Slack, ML alimentează procesarea video, transcrierea și subtitrarea în direct, care poate fi ușor de căutat după cuvinte cheie și chiar ajută la prezicerea posibilei rotații a angajaților. Unele companii au creat, de asemenea, roboți de chat pe Slack, folosind ML pentru a răspunde la întrebări și solicitări. Analiza vorbirii, clasificarea conținutului web, clasificarea secvențelor de proteine și clasificatorii de documente text sunt unele dintre cele mai populare aplicații din lumea reală ale învățării semi-supervizate. Citiți despre cum un pionier al inteligenței artificiale crede că întreprinderile pot folosi învățarea automată pentru a se transforma.

Dacă un algoritm de inteligență artificială returnează o predicție inexactă, atunci un inginer trebuie să intervină și să facă ajustări. Crearea unui model supravegheat implică un proces de instruire, un proces prin care software-ul analizează mai multe cazuri în care valoarea țintă este deja cunoscută. În procesul de instruire, modelul “învață” tiparele din date care permit realizarea de predicții. De exemplu, un model care urmărește să identifice clienții care sunt susceptibili de a răspunde la o promoție trebuie să fie antrenat prin analizarea caracteristicilor mai multor clienți despre care se știe că au răspuns sau nu au răspuns la o promoție în trecut. Alegerea algoritmului potrivit poate părea copleșitoare – există zeci de algoritmi de învățare automatizată supravegheată și nesupravegheată, iar fiecare dintre ei are o abordare diferită a învățării. ML nu numai că poate înțelege ce spun clienții, dar le poate înțelege și tonul și îi poate direcționa către agenții de servicii clienți corespunzători pentru asistență.

Alimentată de progresele în domeniul statisticii și al informaticii, precum și de seturi de date mai bune și de creșterea rețelelor neuronale, învățarea automată a luat cu adevărat avânt în ultimii ani. Rețelele neuronale convoluționale (CNN) sunt algoritmi care funcționează la fel ca sistemul de procesare vizuală al creierului. Aceștia pot procesa imagini și pot detecta obiecte prin filtrarea unei solicitări vizuale și prin evaluarea unor componente precum modele, texturi, forme și culori. Învățarea supravegheată utilizează tehnici de clasificare și regresie pentru a dezvolta modele de învățare automată .

Modelele nu sunt antrenate cu “răspunsul corect”, așa că trebuie să găsească modelele pe cont propriu. Rețelele neuronale sunt o clasă specifică de algoritmi de învățare automată, utilizată în mod obișnuit. Rețelele neuronale artificiale sunt modelate după modelul creierului uman, în care mii sau milioane de noduri de procesare sunt interconectate și organizate în straturi. Modul în care diferă învățarea profundă și învățarea automată constă în modul în care fiecare algoritm învață. Învățarea automată “profundă” poate utiliza seturi de date etichetate, cunoscute și sub numele de învățare supravegheată, pentru a-și informa algoritmul, dar nu necesită neapărat un set de date etichetate.

UC Berkeley (linkul se află în afara ibm.com) împarte sistemul de învățare al unui algoritm de învățare automată în trei părți principale. Interset sporește inteligența umană cu inteligența mașinilor pentru a vă consolida rezistența cibernetică. Aplicând analiza avansată, inteligența artificială și expertiza în domeniul științei datelor la soluțiile de securitate, Interset rezolvă problemele care contează cel mai mult. Puteți găsi informații suplimentare despre serviciul clienți AI, inteligența artificială și NLP. Diferite tipuri de modele au fost utilizate și cercetate pentru sistemele de învățare automată, alegerea celui mai bun model pentru o sarcină se numește selecție de modele.

Cea mai frecventă aplicație este recunoașterea facială, iar cel mai simplu exemplu al acestei aplicații este iPhone. Există o mulțime de cazuri de utilizare a recunoașterii faciale, mai ales în scopuri de securitate, cum ar fi identificarea infractorilor, căutarea persoanelor dispărute, sprijinirea investigațiilor criminalistice etc. Marketingul inteligent, diagnosticarea bolilor, urmărirea prezenței în școli, sunt alte câteva utilizări. Un joc este un exemplu clasic de problemă de întărire, în care obiectivul agentului este de a obține un scor ridicat. Acesta face mișcările succesive în joc pe baza feedback-ului oferit de mediu, care poate fi sub formă de recompense sau penalizări.

Soluțiile analitice SAS transformă datele în inteligență, inspirând clienții din întreaga lume să facă noi descoperiri îndrăznețe care să ducă la progres. Raționalizarea distribuției de petrol pentru a o face mai eficientă și mai rentabilă. Numărul de cazuri de utilizare a învățării automate pentru această industrie este foarte mare – și încă în expansiune. Chiar și după ce modelul ML este în producție și este monitorizat în permanență, munca continuă.

Folosind software-ul nostru, puteți clasifica eficient cererile de asistență în funcție de urgență, automatiza fluxurile de lucru, completa lacunele de cunoștințe și ajuta agenții să atingă noi niveluri de productivitate. MLP-urile pot fi utilizate pentru a clasifica imagini, a recunoaște vorbirea, a rezolva probleme de regresie și multe altele. Această tehnică îi permite să recunoască vorbirea și imaginile, iar DL a avut un impact de durată în domenii precum sănătatea, finanțele, comerțul cu amănuntul, logistica și robotica. Chat PG Acest site utilizează un serviciu de securitate pentru a se proteja de atacurile online. Există mai multe acțiuni care ar putea declanșa acest bloc, inclusiv trimiterea unui anumit cuvânt sau a unei anumite fraze, o comandă SQL sau date cu o formă defectuoasă. Învățarea prin întărire este un tip de problemă în care există un agent, iar agentul operează într-un mediu pe baza feedback-ului sau a recompensei oferite agentului de către mediul în care operează.

Puteți utiliza această bibliotecă pentru sarcini precum clasificarea, gruparea și regresia, printre altele. Google AutoML Natural Language este unul dintre cele mai avansate instrumente de analiză a textului de pe piață, iar AutoML Vision vă permite să automatizați instruirea modelelor personalizate de analiză a imaginilor pentru a obține una dintre cele mai bune precizii, indiferent de nevoile dumneavoastră. Învățarea regulilor de asociere este o tehnică de învățare automată care poate fi utilizată pentru a analiza obiceiurile de cumpărare la supermarket sau pe site-urile de comerț electronic. Funcționează prin căutarea de relații între variabile și găsirea de asocieri comune în tranzacții (produse pe care consumatorii le cumpără de obicei împreună).

În unele industrii verticale, oamenii de știință din domeniul datelor trebuie să utilizeze modele simple de învățare automată, deoarece este important pentru întreprindere să explice cum a fost luată fiecare decizie. Acest lucru este valabil mai ales în industriile care au sarcini grele de conformitate, cum ar fi sectorul bancar și cel al asigurărilor. Oamenii de știință din domeniul datelor se află adesea în situația de a găsi un echilibru între transparență și acuratețea și eficiența unui model. Modelele complexe pot produce previziuni precise, dar poate fi dificil de explicat unui profan – sau chiar unui expert – cum a fost determinat un rezultat.

Deoarece nu există o legislație semnificativă care să reglementeze practicile de IA, nu există un mecanism real de aplicare a legii care să asigure că se practică IA etică. Stimulentele actuale pentru ca întreprinderile să fie etice sunt repercusiunile negative ale unui sistem de inteligență artificială neetic asupra rezultatelor financiare. Pentru a umple acest gol, au apărut cadre etice în cadrul unei colaborări între eticieni și cercetători pentru a reglementa construirea și distribuirea modelelor de inteligență artificială în cadrul societății. Unele cercetări   (linkul se află în afara ibm.com) arată că combinația dintre responsabilitatea distribuită și lipsa de previziune cu privire la consecințele potențiale nu conduce la prevenirea daunelor aduse societății.

De obicei, modelele de învățare profundă au performanțe mai bune decât alți algoritmi de învățare automată pentru probleme complexe și seturi masive de date. Cu toate acestea, ele necesită în general milioane și milioane de milioane de date de instruire, astfel încât este nevoie de mult timp pentru a le instrui. Algoritmii de învățare supravegheată și modelele de învățare supravegheată fac predicții pe baza datelor de instruire etichetate. Un algoritm de învățare supravegheată analizează acest eșantion de date https://chat.openai.com/ și face o inferență – practic, o presupunere educată atunci când determină etichetele pentru datele nevăzute. În loc să programați algoritmi de învățare automată pentru a îndeplini sarcini, puteți să le furnizați exemple de date etichetate (cunoscute sub numele de date de instruire), care îi ajută să facă calcule, să proceseze date și să identifice modele în mod automat. Învățarea semisupervizată funcționează prin introducerea unei cantități mici de date de instruire etichetate în algoritmul de învățare.

Învățarea supravegheată este utilizată în mod obișnuit în aplicații în care datele istorice prezic evenimente viitoare probabile. De exemplu, poate anticipa momentul în care tranzacțiile cu carduri de credit sunt susceptibile de a fi frauduloase sau ce client de asigurare este susceptibil să depună o cerere de despăgubire. Algoritmii de învățare automată nesupravegheată nu necesită etichetarea datelor. Aceștia analizează datele neetichetate pentru a căuta modele care pot fi utilizate pentru a grupa punctele de date în subseturi. Majoritatea tipurilor de învățare aprofundată, inclusiv rețelele neuronale, sunt algoritmi nesupravegheați. Învățarea supravegheată, cunoscută și sub numele de învățare automată supravegheată, se definește prin utilizarea seturilor de date etichetate pentru a antrena algoritmi care să clasifice datele sau să prezică rezultatele cu exactitate.

Gama largă de tehnici pe care le cuprinde ML permite aplicațiilor software să își îmbunătățească performanța în timp. De exemplu, algoritmul poate identifica segmente de clienți care posedă atribute similare. Clienții din cadrul acestor segmente pot fi apoi țintiți prin campanii de marketing similare. Printre tehnicile populare utilizate în învățarea nesupravegheată se numără cartografierea celui mai apropiat vecin, hărțile de auto-organizare, descompunerea valorii singulare și gruparea k-means. Algoritmii sunt utilizați ulterior pentru a segmenta subiectele, a identifica valorile aberante și a recomanda articole.

Deși învățarea automată se află în faza de dezvoltare, aceasta evoluează rapid și continuu. Cel mai bun lucru despre învățarea automată sunt predicțiile sale de mare valoare care pot ghida decizii mai bune și acțiuni inteligente în timp real, fără intervenție umană. Prin urmare, la finalul acestui articol, putem spune că domeniul învățării automate este foarte vast, iar importanța sa nu se limitează la o anumită industrie sau sector, ci se aplică pretutindeni pentru a analiza sau prezice evenimente viitoare. Multe companii implementează chatbots online, în care clienții sau clienții nu vorbesc cu oameni, ci interacționează cu o mașină.

În timp ce învățarea automată este un instrument puternic pentru rezolvarea problemelor, îmbunătățirea operațiunilor de afaceri și automatizarea sarcinilor, este, de asemenea, o tehnologie complexă și dificilă, care necesită o expertiză profundă și resurse semnificative. Alegerea algoritmului potrivit pentru o anumită sarcină necesită o bună cunoaștere a matematicii și statisticii. Formarea algoritmilor de învățare automată implică adesea cantități mari de date de bună calitate pentru a produce rezultate precise. Rezultatele în sine pot fi dificil de înțeles – în special cele produse de algoritmi complecși, cum ar fi rețelele neuronale de învățare profundă, inspirate din creierul uman. Setați și ajustați hiperparametrii, antrenați și validați modelul, apoi optimizați-l. În funcție de natura problemei de afaceri, algoritmii de învățare automată pot încorpora capacități de înțelegere a limbajului natural, cum ar fi rețelele neuronale recurente sau transformatoarele concepute pentru sarcini NLP.

Algoritmii de învățare automată sunt capabili să detecteze tipare în date și să învețe din ele, pentru a face propriile predicții. Pe scurt, algoritmii și modelele de învățare automată învață prin experiență. Algoritmii de învățare supravegheată sunt instruiți folosind exemple etichetate, cum ar fi o intrare în care se cunoaște rezultatul dorit. De exemplu, o piesă de echipament ar putea avea puncte de date etichetate fie cu “F” (eșec), fie cu “R” (funcționare). Algoritmul de învățare primește un set de intrări împreună cu ieșirile corecte corespunzătoare, iar algoritmul învață prin compararea ieșirii sale efective cu ieșirile corecte pentru a găsi erori. Prin metode precum clasificarea, regresia, predicția și stimularea gradientului, învățarea supravegheată utilizează modele pentru a prezice valorile etichetei pe date suplimentare neetichetate.

Analiza componentelor principale (PCA) și descompunerea valorii singulare (SVD) sunt două abordări comune în acest sens. Alți algoritmi utilizați în învățarea nesupravegheată includ rețelele neuronale, gruparea k-means și metodele de grupare probabilistică. Învățarea mecanică (ML) este o ramură a inteligenței artificiale (AI) care permite calculatoarelor să “învețe singure” din datele de instruire și să se îmbunătățească în timp, fără a fi programate în mod explicit.

Trebuie doar să vă conectați datele și să folosiți unul dintre modelele de învățare automată preinstruite pentru a începe să le analizați. Puteți chiar să vă construiți propriile modele de învățare automată fără cod în câțiva pași simpli și să le integrați cu aplicațiile pe care le utilizați zilnic, cum ar fi Zendesk, Google Sheets și multe altele. Capacitatea mașinilor de a găsi modele în date complexe modelează prezentul și viitorul.

Mașinile care se conduc singure folosesc, de asemenea, recunoașterea imaginilor pentru a percepe spațiul și obstacolele. De exemplu, ei pot învăța să recunoască semnele de oprire, să identifice intersecțiile și să ia decizii pe baza a ceea ce văd. Prelucrarea limbajului natural oferă mașinilor capacitatea de a descompune limbajul vorbit sau scris la fel ca un om, pentru a procesa limbajul “natural”, astfel încât învățarea automată poate gestiona texte din aproape orice sursă.

Rețelele neuronale – numite și rețele neuronale artificiale (RNA) – reprezintă o modalitate de a antrena inteligența artificială pentru a procesa datele în mod similar cu un creier uman. Modelele de învățare automată supravegheată sunt antrenate cu seturi de date etichetate, care permit modelelor să învețe și să devină mai precise în timp. De exemplu, un algoritm ar fi antrenat cu imagini de câini și alte lucruri, toate etichetate de oameni, iar mașina ar învăța cum să identifice singură imaginile de câini. Datorită noilor tehnologii de calcul, învățarea automată de astăzi nu mai este ca în trecut. S-a născut din recunoașterea modelelor și din teoria conform căreia computerele pot învăța fără a fi programate să îndeplinească sarcini specifice; cercetătorii interesați de inteligența artificială au vrut să vadă dacă computerele pot învăța din date.

“Pentru că IBM a proiectat această arhitectură deschisă care poate fi ridicată și mutată, am încărcat 91.000 de clienți și i-am conectat la patru sisteme cheie în patru luni”, a declarat Carolyn Staats, director de inovare, Sonoma County Central IT. “Este o cronologie uimitoare.” Aceștia au plasat 35% dintre persoanele fără adăpost în locuințe, de patru ori mai mult decât rata națională, iar în doi ani, județul a redus numărul persoanelor fără adăpost cu nouă procente. Aplicațiile de ride-sharing, precum Uber și Lyft, folosesc ML pentru a potrivi pasagerii și șoferii, pentru a stabili prețurile, pentru a examina traficul și, la fel ca Google Maps, pentru a analiza în timp real condițiile de trafic, pentru a optimiza traseul de conducere și pentru a prezice timpul estimat de sosire. Descoperirea și fabricarea de noi medicamente, care în mod tradițional trec prin teste complexe, costisitoare și de lungă durată, pot fi accelerate cu ajutorul ML. Pfizer utilizează capacitățile ML ale IBM Watson pentru a alege cei mai buni candidați pentru studiile clinice în cadrul cercetărilor sale în domeniul imuno-oncologiei.

În plus, algoritmii de stimulare pot fi utilizați pentru a optimiza modelele de arbori de decizie. Tipul de algoritm ales de cercetătorii de date depinde de natura datelor. Mulți dintre algoritmi și tehnici nu se limitează la unul dintre tipurile principale de ML enumerate aici. Acestea sunt adesea adaptate la mai multe tipuri, în funcție de problema care trebuie rezolvată și de setul de date.