Pocz?tki uczenia maszynowego si?gaj? prze?omu lat 50. i 60. Kluczowym momentem w rozwoju tej technologii by?o powstanie systemu eksperckiego Dendral na Uniwersytecie Stanforda, którego podstawowym zadaniem by?o ustalanie struktury molekularnej nieznanych chemicznych zwi?zków organicznych. Obecnie machine learning jest wykorzystywane w biznesie na szerok? skal?, m.in. do personalizacji ofert sprzeda?owych czy identyfikacji nowych form kontaktu z klientami. Potwierdzaj? to dane SAS, z których wynika, ?e 68 proc. firm postrzega uczenie maszynowe jako istotny trend technologiczny.
Maszyny ucz? si? dzi?ki algorytmom, czyli ci?gom zdefiniowanych czynno?ci niezb?dnych do pozyskania danej wiedzy. Za ka?dym razem, gdy system zasilaj? nowe dane, prezentowane przez niego wyniki s? coraz dok?adniejsze. Uczenie maszynowe polega g?ównie na 4 dzia?aniach:
- kategoryzacji / katalogowaniu informacji
- przewidywaniu okre?lonych zdarze? na podstawie zidentyfikowanych wzorców
- identyfikacji nieznanych do tej pory wzorców i zale?no?ci mi?dzy danymi
- wykrywaniu anomalii oraz nieprzewidywalnych zdarze?
Ró?ne rodzaje uczenia maszynowego
Uczenie maszynowe nie jest jednolit? technologi?. Sposób jej dzia?ania zale?y w du?ej mierze od tego, z jakich algorytmów korzysta i jakimi danymi zostanie zasilona. Eksperci SAS wskazuj? 4 podstawowe techniki uczenia maszynowego:
Uczenie nadzorowane (Supervised Learning) – maszyny ucz? si? na podstawie przyk?adów. To tak jakby uczniowie otrzymali klucz do testu i zostali poproszeni o jego rozwi?zanie. Dane wej?ciowe s? wykorzystywane do wyszukiwania zale?no?ci, które s?u?? do rozwi?zania okre?lonego problemu. Gdy uda si? ustali? pewien wzorzec, jest on wykorzystywany w podobnych przypadkach.
Przyk?ady zastosowania: zarz?dzanie ryzykiem; wykrywanie nadu?y?; personalizacja interakcji; rozpoznawanie mowy, tekstu i obrazu oraz segmentacji klientów.
Uczenie cz??ciowo nadzorowane (Semi – Supervised Learning) – w tym przypadku maszyna otrzymuje zarówno dane wej?ciowe oznaczone (zawieraj?ce odpowiadaj?ce im dane wyj?ciowe, konkretne przyk?ady), jak i nieoznaczone (wymagaj?ce przyporz?dkowania do danych wyj?ciowych, znalezienia odpowiedzi). Ten rodzaj uczenia maszynowego wykorzystuje si? w sytuacjach, gdy organizacja dysponuje zbyt du?? ilo?ci? danych lub gdy informacje s? na tyle zró?nicowane, ?e nie sposób przyporz?dkowa? odpowiedzi do ka?dej z nich. System sam proponuje odpowiedzi i jest w stanie stworzy? ogólne wzorce.
Przyk?ady zastosowania: rozpoznawanie mowy i obrazu, klasyfikacja stron internetowych.
Uczenie nienadzorowane (Unsupervised Learning) – maszyna nie posiada „klucza odpowiedzi” i musi sama analizowa? dane, szuka? wzorców i odnajdywa? relacje. Ten rodzaj machine learning najbardziej przypomina sposób dzia?ania ludzkiego mózgu, który wyci?ga wnioski na podstawie spontanicznej obserwacji i intuicji. Wraz ze wzrostem zbiorów danych prezentowane wnioski s? coraz bardziej precyzyjne.
Przyk?ady zastosowania: analiza koszyka zakupowego, wykrywanie anomalii, rozpoznawanie podobnych obiektów.
Uczenie wzmocnione (Reinforcement Learning) – maszyna otrzymuje gotowy zestaw dozwolonych dzia?a?, regu? i stwierdze?. Dzia?aj?c w ich ramach, dokonuje analizy i obserwuje ich skutki. Wykorzystuje regu?y w taki sposób, aby osi?gn?? po??dany efekt. Mo?na to porówna? do nauki gry np. w koszykówk?. Zasady okre?laj?ce, kiedy s? kroki, faul czy aut pozostaj? niezmienne. Natomiast to, w jaki sposób dru?yna zdob?dzie punkt (zawodnik rzuci z dystansu, wbiegnie pod kosz lub poda) zale?y od decyzji graczy, którzy podejmuj? j? na bie??co.
Przyk?ady zastosowania: nawigacja (wybór trasy na podstawie informacji o nat??eniu ruchu i warunkach na drodze), gaming (dostosowywanie scenariuszy rozgrywki do dzia?a? gracza), robotyka (dostosowanie pracy robotów do ob?o?enia i rodzaju wytwarzanego produktu)
Czego maszyna si? nie nauczy?
Mimo ogromnych mo?liwo?ci i ci?g?ego udoskonalania uczenia maszynowego, technologia ta ma pewne ograniczenia. Maszyna nie posiada umiej?tno?ci kreatywnego my?lenia i nie przedstawi spontanicznie hipotezy bez odpowiednich danych. Ponadto nie b?dzie odbiera? nowych, nieznanych bod?ców. Ka?da zmiana danych wp?ynie na prac? maszyny. Oznacza to, ?e mo?na wp?yn?? (celowo lub przez pomy?k?) na prezentowane wyniki, manipuluj?c informacjami dostarczanymi do systemu.
