Машинное обучение: что это, и как его можно использовать

Читайте, что собой представляет машинное обучение (Machine Learning, ML), какие у него преимущества и ограничения, и какой потенциал оно в себе несет.

Что такое машинное обучение

Подраздел искусственного интеллекта, который занимается созданием алгоритмов. Они обучаются на больших объемах информации и прошлого опыта, делают прогнозы, выполняют задачи и выносят решения.

Вместо того, чтобы жестко закодировать правила и инструкции, разработчики дают ЭВМ «подумать» самостоятельно.

На курсе по машинному обучению от SkillFactory новички и опытные программисты освоят тонкости профессии и получат сертификат.

История машинного обучения

• 1958 — американский нейрофизиолог Фрэнк Розенблатт создал первую нейросеть. Она предсказывала погоду и распознавала некоторые объекты.
• 1959 — Артур Самуэль ввел определение «машинное обучение».
• 80-е годы XX века — аспиранты университета Карнеги-Меллон придумали ChipTest для игры в шахматы. На ее основе позже запрограммировали Deep Blue, которая в 1996 году победила Гарри Каспарова.
• 2011 — Google разработал Google Brain — подразделение по ИИ.
• 2015 — корпорации Amazon и Microsoft обзаводятся отделами, которые занимаются ML. А социальная сеть Facebook* внедряет DeepFace, который распознает человеческие лица.

*проект Meta Platforms Inc., деятельность которой запрещена на территории РФ.

Проблемы машинного обучения

Есть несколько трудностей:

1. Чтобы реализовать проект, нужна предварительная подготовка. Этот трудоемкий дело, которое требует ощутимых материальных вложений.
2. Для обучения нужно много данных. В медицине или космосе они ограниченные или дорогостоящие.
3. Чтобы интерпретировать результаты и устранять неопределенности, требуются квалифицированные специалисты.

Преимущества машинного обучения

Оно открывает для человечества возможности:

• позволяет автоматизировать и оптимизировать процессы во многих отраслях;
• обрабатывает данные разного формата, в проблемных областях и в больших объемах;
• создает модели, которые предсказывают события по историческим фактам, это полезно в бизнесе, финансах и других сферах;
• способно учитывать закономерности, которые упускает или недооценивает человеческий мозг;
• стимулирует инновации и открывает перспективы;
• после настройки система может обходиться без участия человека;
• обеспечивает надежную защиту информации;
• находит альтернативные способы решения проблем.

ML упрощает медицинскую диагностику. Специальные приложения оценивают сотни тысяч рентгеновских снимков — обрабатывают их быстрее и лучше.

Типы задач машинного обучения

Индуктивное. Программа должна извлечь общие закономерности из представленных данных. Она учится на примерах, и в итоге предсказывает развитие событий, которые раньше не видела.

ML получает образцы писем, анализирует содержание и извлекает признаки спама. Потом просматривает входящие сообщения и решает, какие отправить в папку со спамом.

Дедуктивное. Эксперты или разработчики определяют набор взаимосвязей и фактов, которые описывают знания предметной области. Их применяют, чтобы научить модель, а она пользуется этой базой при поступлении новых сведений и делает выводы.

Врачи формулируют свод фактов: симптомы, признаки и диагнозы заболеваний: «Если пациент жалуется на боль в груди, вероятный диагноз — инфаркт». Все правила вносят в программу. Она проверяет человека и пишет заключение.

Как машинное обучение связано с ИИ

Часто термины «машинное обучение» и «искусственный интеллект» (ИИ) рассматривают как синонимы. Но это неверно.

Машинное обучение — подраздел ИИ, который создает модели.

Искусственный интеллект охватывает широкий спектр технологий, в том числе ML, и выполняет разные задачи.

Как машинное обучение связано с прогнозной аналитикой

К компьютерам прибегают, чтобы улучшить точность и качество прогнозов. В финансах — чтобы узнать ожидаемые цены на акции, а в метеорологии — какая ждет погода.

С ML можно узнать, каким будет завтрашний день, с учетом того, что на прошлой неделе морозы чередовались с солнечными ясными днями, влажность воздуха оставалась низкой, эпизодически выпадали осадки и дул порывистый ветер.

Как машинное обучение связано с глубоким обучением

Глубокое обучение — метод ML, который использует нейронные сети для анализа и извлечения сложных паттернов.

Пример — компьютерное зрение. Машина не только думает, но и наблюдает за тем, что происходит вокруг, и выдает ту или иную реакцию. Самоуправляемые автомобили считывают дорожные знаки, которые встречаются на дороге и корректируют движение. Алгоритм срабатывает так: камера делает фото местности, отправляет снимок в базу авто. В соответствии с интерпретацией фотографии, оно совершает остановки, замедляется или ускоряется.

На курсе «Компьютерное зрение» от Otus для действующих специалистов освоите навыки обучения нейросетей находить нужные изображения, выделять на них объекты, обрабатывать видео.

Методики машинного обучения

Контролируемое обучение

Программисты дают «верные ответы», а программа учится по ним прогнозировать.

Примеры: распознавание лиц, прогнозирование цен на недвижимость, идентификация рукописного текста.

Неконтролируемое обучение

Программа сама ищет закономерности, которые связывают объекты.

Это заполнение пропущенных значений, поиск альтернативных правил, сегментация покупателей, обнаружение неполадок оборудования.

Обучение с подкреплением

Модель учится во время взаимодействия со средой. Она дает ответные сигналы подкрепления в виде награды или штрафа за действия.

В качестве среды выступает физический (робот) или виртуальный (компьютерная игра) объект.

Использование машинного обучения

Банковское дело и финансы

С помощью машинного обучения банки определяют кредитоспособность клиентов и оценивают кредитные риски. Программы проверяют кредитную историю, доходы, расходы, чтобы предсказать вероятность того, что человек не вернет кредит.

ML нужно для автоматизации управления инвестициями и размещения активов. Инвесторы оценивают фондовый рынок, цены на акции, валютный курс и принимают обоснованные решения.

А еще банки применяют компьютеры, чтобы составлять персональные предложения и подбирать услуги.

Здравоохранение

Благодаря ML улучшается диагностика, лечение и уход за пациентами. Так можно на ранних стадиях определить рак, инсульт, болезнь Альцгеймера и склонность к развитию диабета и гипертонии.

Тщательный сбор информации делает диагностику быстрой и точной. Больные вовремя получают лечение, а шансы выздороветь увеличиваются.

Программы изучают данные о людях и ​​их генетических особенностях, чтобы дать индивидуальные рекомендации по лечению и подбору лекарств.

С помощью ML разрабатывают лекарства и вакцины. А еще развивается телемедицина, чтобы желающие получали консультации и уход на расстоянии.

В компании Cambia Health Solutions машинное обучение занимается финансированием стартапов в здравоохранении. Приоритетное направление — лечение беременных женщин.

Транспортировка

Одна из статей расходов в логистике — затраты на топливо. Специальное оборудование оптимизирует маршруты и уменьшает количество автомобилей без ущерба для производительности.

А еще отслеживает состояние автомобилей, предсказывает неисправности и оптимизирует обслуживание.

Обслуживание клиентов

Алгоритмы помогают улучшить сервис. Это повышает удовлетворенность и лояльность к бренду. ML анализирует информацию о клиентах, их предпочтениях и покупках, и составляет индивидуальные рекомендации и предложения.

Чат-боты и виртуальные ассистенты оказывают круглосуточную поддержку, отвечают на вопросы и справляются со стандартными запросами.

Машинное обучение изучает запросы, потребности, привычки целевой аудитории, и в зависимости от этого создает контент: посты и рекламные объявления.

Компания, которая использует ML — Disney. Она задействует его для архивации медиатеки: файлы маркируют и классифицируют. Благодаря автоматической обработке контента сотрудники быстрее придумывают новых персонажей. А команда писателей и аниматоров дорабатывает образы и придумывает личные истории.

Розничная торговля

С помощью программ управляют запасами, делают дополнительные продажи, ведут многоканальный маркетинг, изучают поведение людей и выводят обслуживание на новый уровень.

Представители Amazon Fulfillment снизили затраты на 40%, когда начали внедрять в деятельность ИИ. Они обрабатывают запросы покупателей из всех уголков мира, чтобы те вовремя получали товары.

ML прогнозирует, какие товары и услуги будут востребованы. Это помогает оптимизировать инвентаризацию и избегать недостатка или переизбытка продукции. А еще — понять, как лучше расположить товары в магазине.

Сельское хозяйство

Машинное обучение способствует эффективной работе и снижению негативного воздействия на окружающую среду.

Использует сведения о свойствах почв, урожайности культур и погоде, чтобы предсказать, насколько оправдан посев тех или иных культур в определенном месте. Это увеличивает урожайность и снижает затраты.

С помощью дронов сельхозпроизводители отслеживают состояние посевов и вовремя реагируют на болезни и вредителей.

ML используют, чтобы следить за состоянием животных, их здоровьем и питанием. Это увеличивает производство молока и мяса.

Добыча полезных ископаемых

Серьезная проблема нефтегазовой и горнодобывающей промышленности — разведка недр. Применение машинного обучения ее усовершенствовало. ИИ берут данные об открытых месторождениях и указывает новые возможные.

Проект «Цифровой керн» от «Газпрома» анализирует пробы пласта, формирует цифровую копию месторождения и предлагает варианты разработки. Это увеличивает добычу ископаемых и позволяет находить новые места.

Робототехника

Создают роботов, которые выполняют разные функции, вплоть до проведения хирургических операций. Роботы собирают, упаковывают и перемещают предметы, взаимодействуют с людьми, распознают речь, жесты и эмоции.

В Калифорнийском университете робот «просмотрел» 78 фильмов по медицинской тематике и научился самостоятельно накладывать швы. И даже попробовал силы на искусственном материале.

Общественное питание

Посетители легче бронируют столики, формируют и оформляют заказы, а владельцы бизнеса — следят за посещаемостью и наполняемостью заведений, отслеживают актуальные тенденции.

Перспективы машинного обучения: не начнет ли ИИ думать за нас?

• Машинное обучение — мощный инструмент, который расширяет наши возможности. Решает сложные задачи, автоматизирует рутину и делает обоснованные выводы.
• ML обрабатывает огромные пласты данных, но не способно к абстрактному мышлению или эмоциям. Человека не заменить в деятельности, которая связана с творчеством и креативностью.
• Будущее видится во взаимодействии человека и компьютеров.

Хотите стать специалистом по ML — учитесь этому сейчас. На курсе «Машинное обучение» от «Нетологии» получите прикладной опыт создания моделей с помощью стандартных инструментов.

Фото для статьи: unsplash.com и flaticon.com