Содержание
- Автоматизация в Con информационных технологий
- Является ли автоматизация будущим машинного обучения?
- Нет ошибок, нет стресса - ваше пошаговое руководство по созданию изменяющего жизнь программного обеспечения без разрушения вашей жизни
- Тематическое исследование
- Машинное обучение может заменить рабочие места
- Заключение
Источник: Крулуа / Dreamstime.com
вынос:
Машинное обучение - это способность системы изменять свое собственное программирование. Но когда система может сделать это, люди все еще необходимы?
Машинное обучение стало одним из самых значительных достижений в истории вычислительной техники, и теперь считается, что оно способно играть важную роль в области больших данных и аналитики. Анализ больших данных является огромной проблемой с точки зрения бизнеса. Например, такие действия, как определение огромных объемов различных форматов данных, подготовка данных для аналитики и фильтрация избыточных данных, могут потреблять много ресурсов. Найм ученых и специалистов в области данных - это дорогое предложение, и не во всех компаниях. Эксперты считают, что машинное обучение способно автоматизировать многие задачи, связанные с аналитикой - как рутинные, так и сложные. Автоматизация машинного обучения может высвободить много ресурсов, которые можно использовать в более сложных и инновационных работах. Похоже, что машинное обучение движется в этом направлении. (Чтобы узнать больше об использовании машинного обучения, см. Обещания и Подводные камни Машинного обучения.)
Автоматизация в Con информационных технологий
В сфере ИТ автоматизация - это связывание разрозненных систем и программного обеспечения, чтобы они могли выполнять определенную работу без вмешательства человека. В ИТ-отрасли автоматизированные системы могут выполнять как простые, так и сложные задачи. Примером простой работы может быть интеграция формы с PDF и передача документа нужному получателю, в то время как предоставление резервной копии за пределы площадки может быть примером сложной работы.
Для выполнения своей работы автоматизированная система должна быть запрограммирована или дана четкая инструкция. Каждый раз, когда требуется автоматическая система для изменения объема своей работы, программа или набор инструкций должны обновляться человеком. Хотя автоматизированные системы эффективны в своей работе, ошибки могут возникать по разным причинам. При возникновении ошибок необходимо определить и устранить основную причину. Очевидно, что для выполнения своей работы автоматизированные системы полностью зависят от людей. Чем сложнее характер работы, тем выше вероятность ошибок и проблем.
Обычно рутинные и повторяемые задания назначаются автоматизированным системам. Типичным примером автоматизации в ИТ-отрасли является автоматизация тестирования пользовательских интерфейсов на основе веб-технологий. Контрольные примеры вводятся в сценарии автоматизации, а пользовательские интерфейсы тестируются соответствующим образом. (Подробнее о практическом использовании машинного обучения см. Машинное обучение и Hadoop в Обнаружении мошенничества следующего поколения.)
Аргумент в пользу автоматизации заключается в том, что она выполняет рутинные и повторяющиеся задачи и освобождает сотрудников для выполнения более сложных и творческих задач. Тем не менее, также утверждается, что автоматизация сместила много рабочих мест или ролей, ранее выполнявшихся людьми. Теперь, когда машинное обучение находит свое применение в различных отраслях, автоматизация может добавить новое измерение.
Является ли автоматизация будущим машинного обучения?
Самой сущностью машинного обучения является способность систем постоянно учиться на данных и развиваться без вмешательства человека. Машинное обучение способно вести себя как человеческий мозг. Например, механизм рекомендаций на веб-сайте электронной коммерции может оценить уникальные предпочтения и вкусы пользователя и предложить рекомендации по продуктам и услугам, которые наилучшим образом соответствуют выбору пользователя. Учитывая эту способность, машинное обучение считается идеальным для автоматизации сложных задач, связанных с большими данными и аналитикой. Он уже преодолел основное ограничение традиционных систем автоматизации, которые не могут работать без регулярного вмешательства человека. Есть много примеров, чтобы показать, что машинное обучение способно выполнять сложные задачи анализа данных, как будет обсуждаться позже в этой статье.
Как уже указывалось, анализ больших данных является сложной задачей для компаний, и его можно частично делегировать системам машинного обучения. С точки зрения бизнеса это может принести много преимуществ, таких как высвобождение ресурсов науки о данных для более творческих и ответственных заданий, увеличение объема выполненных работ, сокращение времени на выполнение задач и экономическая эффективность.
Нет ошибок, нет стресса - ваше пошаговое руководство по созданию изменяющего жизнь программного обеспечения без разрушения вашей жизни
Вы не можете улучшить свои навыки программирования, когда никто не заботится о качестве программного обеспечения.
Тематическое исследование
В 2015 году исследователи Массачусетского технологического института начали работу над инструментом науки о данных, который способен создавать прогностические модели данных из огромных объемов необработанных данных с использованием методики, называемой алгоритмом Deep Feature Synthesis. Ученые утверждают, что алгоритм может сочетать в себе лучшие возможности машинного обучения. По словам ученых, они уже проверили алгоритм на трех разных наборах данных и собираются расширить область тестирования до большего количества наборов данных. Описывая, как они это делают, исследователи Джеймс Макс Кантер и Калян Вирамаханени заявили в документе, который будет представлен на международной конференции по науке и аналитике данных: «Используя процесс автонастройки, мы оптимизируем весь путь без участия человека, что позволяет его обобщать. в разные наборы данных. "
Давайте рассмотрим, насколько сложна была задача: алгоритм обладает способностью, известной как возможность автоматической настройки, с помощью которой он получает или извлекает информацию или значения из необработанных данных, таких как возраст или пол, и после этого он может создавать прогнозные модели данных. Алгоритм использует сложные математические функции и теорию вероятностей, известную как гауссовская копула. Таким образом, легко понять степень сложности алгоритма. Техника также завоевала призы на соревнованиях.
Машинное обучение может заменить рабочие места
Во всем мире обсуждается, что машинное обучение может заменить многие рабочие места, потому что оно выполняет задачи с эффективностью человеческого мозга. На самом деле существует некоторая обеспокоенность тем, что машинное обучение заменит ученых, занимающихся данными, и, похоже, для таких опасений есть основания.
Для обычных пользователей, которые не имеют навыков анализа данных, но все еще нуждаются в аналитике в своей повседневной жизни в той или иной степени, невозможно иметь компьютеры, которые способны анализировать огромные объемы данных и предлагать аналитику. Но технологии обработки естественного языка (NLP) могут преодолеть это ограничение, обучая компьютеры воспринимать и обрабатывать естественный разговорный язык людей. Таким образом, обычному пользователю не нужны сложные аналитические возможности или навыки.
IBM считает, что потребность в специалистах по данным может быть сведена к минимуму или устранена с помощью ее платформы анализа естественного языка Watson. По словам ее вице-президента по Watson Analytics и Business Intelligence Марка Атшуллера: «С такой когнитивной системой, как Watson, вы просто задаете свой вопрос - или, если у вас нет вопроса, вы просто загружаете свои данные, а Watson может посмотреть на них и сделать вывод что вы, возможно, захотите узнать.
Заключение
Автоматизация - это следующий логический шаг в машинном обучении, и мы уже испытываем эффекты в нашей повседневной жизни - на сайтах электронной коммерции, предложениях друзей, рекомендациях по сетевым технологиям LinkedIn и поисковом рейтинге Airbnb. Принимая во внимание приведенные примеры, можно сомневаться в качестве продукции автоматизированных систем машинного обучения. Несмотря на все свои качества и преимущества, мысль о машинном обучении, вызывающем огромную безработицу, может показаться чем-то вроде чрезмерной реакции. Машины заменяли людей во многих областях нашей жизни в течение нескольких десятилетий, и все же люди развивались и адаптировались, чтобы оставаться актуальными в отрасли. В зависимости от перспективы, машинное обучение при всей его разрушительности является еще одной такой волной, к которой люди будут приспосабливаться.