Сегодня вы, вероятно, потратили бы некоторое время, пролистывая бездну своей ленты YouTube или Instagram. Вы когда-нибудь задумывались, как эти платформы точно предлагают то, что вам нравится, а иногда даже пытаются угадать, что вам могло бы понравиться с рекомендациями — которые чаще всего верны?

Технология, лежащая в основе этого точного угадывания, называется машинным обучением (ML). Он вырос из стремления к искусственному интеллекту. Машинное обучение означает, что наши машины способны учиться сами. Но как? Ну, с данными, которые мы им подаем. Точно так же, как мы учимся по книгам, машины учатся на данных — это могут быть цифры, ваша история поиска или список отзывов о продуктах.

Данные могут быть любыми (при условии, что они имеют смысл). ML интерпретирует их, чтобы найти в нем интересные связи и самостоятельно разработать алгоритмы для решения сложных задач за короткое время.

Есть много реальных проблем, которые мы решили с помощью ML в нашем современном мире.

1. Персонализация

Как и у наших собак и кошек, у всех нас есть эксцентричность и небольшие особенности. И все мы стремимся к разным вещам в жизни. Но вот проблема. Вы должны предоставлять контент всем на этой планете на основе их симпатий и антипатий. Для вас (программиста) невыполнимая задача отследить желания каждого человека и написать алгоритмы, уникальные для каждого человека. Теперь пришло машинное обучение, чтобы решить эту сложную проблему.

Вместо того, чтобы писать алгоритм, вы учите машину писать алгоритм, а затем вводить в нее данные. Это суть машинного обучения. Машинное обучение пишет сложные алгоритмы, чтобы вы могли порекомендовать правильный наряд для вечеринки по случаю дня рождения вашего друга! Возможно, заполните свой календарь датами встреч в своем электронном письме и назначьте встречу со стоматологом в субботу вечером, поскольку у вас нет никаких рабочих обязательств в это время.

Он персонализирует все для вас, узнавая о вас. ВЫ и есть данные.

2. Прогноз

Поскольку машинное обучение развивается каждый день, вероятность того, что мы с вами застрянем в пробке, значительно снизится. Потому что наши данные о местоположении, вождении и навигации работают вместе, чтобы найти лучшие маршруты с меньшим трафиком и одновременно короче. Это вершина предсказания.

Вы изо всех сил пытаетесь ответить кому-то, кто приглашает вас на званый ужин? Что ж, ваше приложение для обмена сообщениями может предсказать лучший ответ для вас. Причудливая часть заключается в том, что он даже может выбрать смайлик, который подходит к тексту. Машины манипулируют нами — это страшно, когда вы так думаете — но это значительно экономит время, когда дело доходит до ввода простых ответов, таких как «спасибо» и «добро пожаловать».

Но прогноз не заканчивается картами и приложениями для обмена сообщениями. Машинное обучение может даже предсказывать погоду.

Исследователи предполагают, что модель прогнозирования погоды с глубоким обучением (DLWP) является потенциальной альтернативой традиционному методу. В своем исследовании Дж. А. Вейн, факультет атмосферных наук Вашингтонского университета, использует сверточную нейронную сеть (CNN), обычно применяемую для анализа визуальных изображений, для разработки глобальных прогнозов на основе данных.

3. Идентификация

Машинное обучение помогает идентифицировать человека, узнавая его голос. Он известен как автоматическое распознавание речи (ASR), компьютерное распознавание речи или преобразование речи в текст. Эта технология стала возможной благодаря обработке естественного языка (NLP) для перевода человеческой речи в письменный текст.

Известные примеры — Siri и Google Assistant. Google Assistant может разблокировать ваше устройство, распознав ваш голос.

Что-то похожее на это — распознавание лиц. Система ML запоминает черты вашего лица и может узнавать вас в будущем. Распознавание лиц, установленное в таких местах, как спортзал, помогает идентифицировать людей с активной подпиской и, возможно, открывает двери только для них.

4. Сервис

Работа с клиентами — тяжелая работа. В нем есть множество повторяющихся действий — от приветствия до вопросов о доставке и выставлении счетов. Лучшим решением для этих обыденных разговоров были бы системы на основе машинного обучения.

Сегодня на большинстве бизнес-сайтов, которые вы посещаете, есть онлайн-чат-бот, который круглосуточно и без выходных ждет ответа на ваши запросы. Это помогает решать проблемы быстрее, так как вам не нужно ждать прибытия живого агента. Для предприятий это может повысить производительность за счет сокращения объема звонков. Некоторые диалоговые чат-боты на базе ИИ также могут со временем развиваться.

5. Безопасность

Машинное обучение широко используется при обнаружении мошенничества во многих финансовых учреждениях. Это может помочь обнаружить подозрительные транзакции. Обучение с учителем — один из трех подходов к машинному обучению — может обучать систему машинного обучения, передавая информацию об известных мошеннических транзакциях.

Машинное обучение также пригодится для обнаружения спама в электронной почте и социальных сетях. Обработка естественного языка (NLP) анализирует электронные письма и разделы комментариев, чтобы проверить возможные фишинговые кампании и решить, безопасны ли они.

Компьютеры всегда помогали человечеству решать многочисленные проблемы. Машинное обучение — это просто развитие этого сценария.