«Мы тонем в информации и жаждем знаний». - Джон Нейсбитт.

Эра больших данных

Мы вступили в эру больших данных. Например, существует около 60 триллионов веб-страниц; Каждую минуту на YouTube загружается 300 часов видео, что соответствует 10-летнему контенту каждый день; геномы 10000 людей, каждый из которых имеет длину 3,8 × 109 пар оснований, секвенированы в различных лабораториях; Walmart обрабатывает более 1 млн транзакций в час и имеет базы данных, содержащие более 2,5 петабайт (2,5 × 1015) информации [1]; В настоящее время мы создаем около пяти эксабайт в день, что примерно эквивалентно 500 миллионам песен - объем доступных сегодня данных дает машинам возможность стать сверхразумными.

Что такое ML?

Этот поток данных требует автоматизированных методов анализа данных, что и обеспечивает машинное обучение. В частности, машинное обучение (ML) определяется как набор методов, которые могут автоматически обнаруживать закономерности в данных, а затем использовать обнаруженные закономерности для прогнозирования будущих данных или для выполнения других видов принятия решений в соответствии с неопределенность (например, планирование сбора дополнительных данных) [2]. Более техническое определение ML - это «способность системы правильно интерпретировать внешние данные, учиться на них и использовать полученные знания для достижения конкретных целей и задач посредством гибкой адаптации» [3].

AI vs ML?

Стоит отметить, что часто машинное обучение и искусственный интеллект взаимозаменяемо. Хотя искусственный интеллект технически шире, чем ML, и они разные, для целей этой заметки мы относимся к ним одинаково.

Почему сейчас?

Теперь вы можете спросить, сколько лет этому материалу и почему сейчас ему уделяется так много внимания? Искусственный интеллект был основан как академическая дисциплина в 1956 году. Это потому, что большинство методов машинного обучения хорошо работают, когда у вас есть большой объем данных (если быть точным, это действительно зависит от проблемы, которую вы пытаетесь решить), и, как уже отмечалось, мы вошли в эпоха, когда нет недостатка в данных, ура! Недавно произошла еще одна интересная вещь; наши компьютеры стали сильнее и быстрее, чем раньше. Анализировать и извлекать информацию из огромного количества данных нетривиально. Для этого требуется большая вычислительная мощность и внедрение графических процессоров (GPU), которые были разработаны для ускорения графики на наших повседневных компьютерах и особенно в игровом мире, чтобы мир машинного обучения изменил правила игры. .

Каковы некоторые применения машинного обучения?

Каковы некоторые применения AI / ML? Хороший вопрос. Возможно, вы этого не заметите, но машинное обучение уже стало большой частью нашей жизни. Amazon дает свои рекомендации на основе набора алгоритмов машинного обучения, которые называются «рекомендательные системы», в частности гибрид «совместной фильтрации» и «фильтрации на основе содержимого». Google использует машинное обучение для обнаружения спама. Facebook использует машинное обучение, чтобы показывать вам интересный контент. Tesla использует AI / ML для создания беспилотных автомобилей. Спецслужбы используют ОД для обнаружения преступников в толпе и…

ML и AI уже здесь. Вопрос в том, как сделать так, чтобы ваш бизнес приносил прибыль, а не погибал от этого.

  1. Цукьер К., Экономист, Данные, данные повсюду: специальный отчет об управленческой информации, 2010 г., 25 февраля, Источник:« http: //www.economist . com / node / 15557443 ”
  2. «Кевин П. Мерфи, Машинное обучение: вероятностная перспектива в твердом переплете - 24 августа 2012 г.»
  3. «Каплан, А. и М. Хенлайн (2019) Сири, Сири в моей руке, кто самый справедливый в стране? Об интерпретациях, иллюстрациях и значениях искусственного интеллекта, Business Horizons, 62 (1) ».

Первоначально опубликовано на http://hamidomid.com 23 июня 2019 г.