В настоящее время AI и ML — это все и везде одновременно.* Даже если вы не работаете с AI/ML профессионально, в повседневной жизни вы окружены искусственным интеллектом и алгоритмами машинного обучения.
Алекса и Сири переехали в наш дом более 7 лет назад и с тех пор живут на корточках. Со временем мы внедрили 3 устройства Amazon Echo, один HomePod и бесчисленное количество продуктов Apple. Я прошу Siri включать новости NPR каждое утро. Мой 12-летний сын очень вежливо просит Алексу включить его любимые песни на Spotify или выполнить элементарные арифметические действия, пока он проверяет ответы на домашнюю работу. Для моего мужа идея вставать, чтобы поменять термостат, немыслима.
Бесспорно, мы отказались от конфиденциальности в пользу удобства Amazon Echo. С Siri на моем HomePod и iPhone часть обработки выполняется на устройстве. Вы также можете выбрать поделиться определенными данными с Siri или даже удалить свои исторические данные.
AI vs. ML vs. DL
Alexa и Siri — это интеллектуальные личные помощники, которые могут отвечать на вопросы и выполнять задачи на основе голосовых команд. Это примеры разговорных ботов с искусственным интеллектом. Так что же такое ИИ или искусственный интеллект? ИИ относится к более широкой области создания интеллектуальных машин, которые могут выполнять задачи, обычно требующие интеллекта человеческого уровня, такие как понимание естественного языка, распознавание изображений и принятие решений.
Что такое ML или машинное обучение? Машинное обучение (ML) — это подмножество ИИ, которое включает в себя обучение машин распознаванию закономерностей в данных и построению прогнозов на основе этих данных. ML использует алгоритмы, которые позволяют машинам учиться на данных и улучшать свою производительность при выполнении задачи с течением времени.
На один уровень глубже. Глубокое обучение (DL) – это подмножество машинного обучения, в котором используются многослойные нейронные сети для обучения и прогнозирования на основе больших объемов данных. Знакомым примером для сообразительных онлайн-покупателей могут быть системы рекомендаций, которые анализируют поведение и предпочтения пользователей, чтобы давать персонализированные рекомендации по продуктам и контенту.
Проще говоря, ГО — это подмножество МО, а МО — это подмножество ИИ. ты согласен с этим?
Категории алгоритмов машинного обучения
Существует три основных типа машинного обучения: обучение с учителем, обучение без учителя и обучение с подкреплением.
В качестве примера я буду использовать приложение для распознавания (классификация изображений с помощью обучения с учителем), созданное моим мужем и сыном два лета назад. Во время пандемии мы взяли нашего щенка, помесь корги с овчаркой. Мы начали посещать близлежащие собачьи парки каждые выходные. Использование приложения для iOS для предсказания породы каждой собаки, естественно, стало началом разговора с другими любителями собак.
Контролируемое обучение
Проще говоря, обучение с учителем — это тип машинного обучения, при котором вы можете научить компьютер распознавать объекты, показывая ему множество примеров. Например, допустим, вы хотите научить компьютер распознавать изображения животных. Вы бы дали компьютеру множество изображений разных животных и сказали ему, что представляет собой каждое животное, например. «это собака», «это жираф» и т. д. Этот шаг называется «маркировкой» или аннотациями. Когда вы сообщаете компьютеру, что на определенном изображении изображена собака, вы помечаете это изображение как «собака».
Компьютер научится искать на картинках закономерности, связанные с каждым видом животных. Этот этап называется "обучение модели". Как только он выучит эти модели, он сможет распознать, что это собака, или выдра, или лев, потому что он научился на всех других изображениях, показанных ранее.
Неконтролируемое обучение
Продолжите пример распознавания животных на картинках. При неконтролируемом обучении вы просто даете компьютеру все изображения животных, и он пытается самостоятельно выяснить, какие животные изображены на каждом изображении. Он пытается найти закономерности и сходства, такие как цвета меха или формы ушей.
Компьютер сгруппирует изображения животных, которые выглядят одинаково, например. все те, у кого 4 ноги и мех, или две ноги и крылья в другой группе. Он еще не знает, как вызывать эти группы. Оценщик-человек может просматривать различные группы и присваивать ярлыки, такие как «млекопитающие» или «птицы», на основе их характеристик.
Обучение с подкреплением
Обучение с подкреплением (RL) — это когда компьютер учится принимать решения на основе вознаграждения, которое он получает за свои действия. Компьютерная программа продолжает учиться методом проб и ошибок и пытается выяснить, как максимизировать вознаграждение, которое она получает на основе принимаемых ею решений.
Как это применимо к нашей задаче распознавания животных:
Сначала наша программа ничего не знает о распознавании животных и делает случайные предположения. Каждый раз, когда он правильно идентифицирует животное, он получает награду. Со временем, используя обратную связь от вознаграждения, компьютер совершенствует свой подход к поставленной задаче. Если он правильно идентифицирует жирафа на одной фотографии и получает вознаграждение, он будет использовать эту информацию для идентификации других изображений жирафов. С другой стороны, если он неправильно идентифицирует валлаби как кенгуру и не получает вознаграждения, он изменит свой подход, чтобы лучше различать двух животных.
По мере того, как программа будет получать больше отзывов, она будет лучше идентифицировать разных животных. Он начнет замечать закономерности и особенности, уникальные для каждого вида животных, и использовать эту информацию для более точных предположений.
Когда ребенок узнает что-то новое, он часто делает это путем проб и ошибок, экспериментов и повторений. Например, когда ребенок учится говорить, он повторяет одно и то же слово до тех пор, пока не поймет его правильно. Она также может учиться, наблюдая и подражая другим, или получая отзывы и исправления от других. Точно так же при обучении с подкреплением компьютер учится, корректируя свое поведение на основе получаемой им обратной связи.
Применение контролируемого и обучения с подкреплением
Обучение с учителем обычно используется для таких задач, как классификация, регрессия и обнаружение объектов. Обучение с подкреплением используется для таких задач, как робототехника и принятие решений. Их также можно использовать вместе в некоторых приложениях. Одним из примеров является обучение бота игре в видеоигру. Вы можете пройти предварительную подготовку с контролируемым обучением, чтобы помочь боту понять основные игровые механики (как прыгать, стрелять и двигаться). Используя RL, вы можете научиться понимать, как разрабатывать сложные стратегии и принимать правильные решения для победы.
Раскрытие преимуществ машинного обучения для менеджеров по проектам
AI и ML окружают нас повсюду в нашей повседневной жизни, от голосовых помощников до рекомендаций по контенту, которые мы получаем на сайтах электронной коммерции. Давайте рассмотрим несколько вариантов использования, в которых машинное обучение положительно влияет на удобство работы пользователей, повышает удовлетворенность клиентов, стимулирует вовлеченность и приводит к более высоким коэффициентам конверсии.
- Персонализация: машинное обучение играет решающую роль в персонализированном пользовательском опыте. Устав моей команды в Wayfair заключается в предоставлении персонализированного опыта для всех точек взаимодействия с клиентами. Это включает в себя отображение рекомендаций по продуктам и контенту (на основе интересов пользователей, продемонстрированных в прошлом просмотре и истории покупок) и адаптацию результатов поиска. Когда вы слушаете потоковый музыкальный сервис, такой как Spotify, платформа использует данные, такие как песни и исполнители, которых вы слушаете, как часто вы их слушаете и какие типы списков воспроизведения вы создаете, для обучения алгоритмов машинного обучения для предоставления персонализированных музыкальных рекомендаций. .
- Обнаружение мошенничества: обучение машинному обучению также используется для обнаружения мошенничества с кредитными картами путем выявления шаблонов и пометки транзакций, которые отклоняются от нормального поведения при использовании, например. необычные места транзакций, крупная покупка, которая не характерна для пользователя, или ненормальная частота транзакций (всплеск транзакций в небольшом временном окне).
- Профилактическое обслуживание. Со временем детали вашего автомобиля или стиральной машины могут изнашиваться. Что, если бы мы могли предсказать, когда эти части сломаются, и починить их до того, как они действительно сломаются? Алгоритмы машинного обучения можно научить узнавать закономерности износа. Известно, что Tesla использует методы профилактического обслуживания для повышения надежности и снижения затрат на техническое обслуживание для своих клиентов. Это делается с помощью множества датчиков и камер, которые собирают данные, в том числе о времени автономной работы и режимах вождения, о производительности и использовании автомобиля. Данные используются для анализа и прогнозирования того, когда детали могут выйти из строя или нуждаются в обслуживании.
Для менеджеров по проектам крайне важно иметь общее представление об этих технологиях, чтобы мы могли принимать обоснованные решения о том, как внедрить их в наши продукты и услуги. Имея базовое понимание ML, мы можем лучше понять, что возможно, а что нет, и работать с нашими командами над созданием продуктов, отвечающих потребностям наших пользователей, используя возможности AI/ML.
PS: «Все и везде, все сразу» в первой строке — отсылка к оскароносному фильму (Лучший фильм 2023).
PPS: Особая благодарность друзьям за рецензирование и комментарии к этой статье. Ты знаешь кто ты есть. 🙇🏻♀️
