Обо мне:я инженер машинного обучения в компании Arche Information Inc. в Токио, Япония. Я получил степень магистра в JAIST, Япония, где изучал улучшение обучающих игр с использованием машинного обучения и анализа данных. В свободное время я люблю фотографировать. Что касается увлечений, то у меня их миллион. Мне нравится собирать записки, изучать языки и т. д. Делать что-либо — одна из моих сверхспособностей только до тех пор, пока у меня есть неограниченный запас кофе. Если нет, я могу спать целыми днями. Сейчас я изучаю React и пытаюсь улучшить свои навыки работы с DSA.
Переходим к делу-
Над какими технологиями я работаю?
Я работаю с разнообразным набором предметов. В обычные дни я использую машинное обучение, чтобы сосредоточиться на распознавании изображений. Я использовал разные библиотеки, в том числе TensorFlow, PyTorch, Chainer и т. д. А потом я время от времени ловил себя на том, что создаю трехмерный мир, используя three.js, Blazor и C#. Я также занимался разработкой SPA с использованием Typescript и React.
Что для меня значит машинное обучение как технология?
Артур Сэмюэл описал машинное обучение так: «Это область исследования, которая дает компьютерам возможность самообучаться без явного программирования». ML в основном ориентирован на разработку компьютерных программ, которые могут научить себя расти и изменяться при воздействии новых данных. Машинное обучение важно сегодня, потому что данные растут с каждым днем, и человеку будет почти невозможно понять все это. С компьютерами мы получаем более высокую точность и гораздо более высокую скорость.
Какие существуют типы машинного обучения?
В целом, любую проблему машинного обучения можно отнести к одной из двух широких классификаций:
- Обучение с учителем. При обучении с учителем нам дается набор данных, и мы уже знаем, как должны выглядеть наши правильные выходные данные, имея в виду, что между вводом и выводом существует связь. Одним из распространенных примеров является фильтрация спама. Мы сообщаем машине, является ли письмо спамом или нет. Затем, как только мы предоставим машине достаточно примеров спамовых и не спамовых электронных писем, она научится классифицировать их соответствующим образом. Мы видим это, особенно в учетных записях Gmail.
- Обучение без учителя. Обучение без учителя позволяет нам подходить к проблемам практически без представления о том, как должны выглядеть наши результаты. Мы можем получить структуру из данных, где мы не обязательно знаем влияние переменных. Мы можем сделать это с помощью кластеризации. Например, если нам нужно определить одежду и обувь, машина создаст кластеры с похожими предметами. В результате вся одежда окажется в одном кластере, а вся обувь — в другом. При неконтролируемом обучении нет обратной связи, основанной на результатах прогнозирования.
Затем есть третий вид, который существует где-то посередине. Это называется Обучение с подкреплением. Оно похоже на дрессировку любого животного. Когда целевое задание выполнено, вы даете лакомство. Так тренируется знаменитый Alpha-Go. Вот знаменитый клип игры Atari от Google.
Чем машинное обучение отличается от искусственного интеллекта и глубокого обучения или связано с ними?
ИИ — это такая же наука, как математика или химия. Он изучает способы, с помощью которых машины решают проблемы и создают интеллектуальные программы, которые всегда считались привилегией людей.
ML — это подмножество ИИ, которое позволяет системе автоматически обучаться и совершенствоваться на основе опыта без явного программирования.
Глубокое обучение или глубокое нейронное обучение — это подмножество машинного обучения, которое использует нейронные сети для анализа различных факторов в системе, похожей на нейронную систему человека.
Делюсь с вами одной картинкой, возможно, эта картинка объясняет это лучше:
Насколько сложно или легко работать с машинным обучением? (мой любимый вопрос)
Работать на ML не очень сложно. Допустим, в ML есть три компонента:
Наборы данных
Функции
Алгоритмы
Я думаю, если вы потратите достаточно времени на первые два, составить правильный алгоритм будет не так сложно. Возьмем обычный пример. Предположим, мы хотим предсказать цену дома. Это контролируемая проблема. Для этого нам нужно собрать много данных о всевозможных домах и в разных местах. Если мы этого не сделаем, наши наборы данных могут быть необъективными и не давать точных результатов. Затем нам нужно найти, какие функции мы хотим использовать для прогнозирования цены. Например, цвет не имеет ничего общего с ценой, поэтому, если мы используем цвет для предсказания цен, мы могли бы жить на другой планете, но мы не сможем предсказать цены. Итак, нам нужно использовать площадь дома, а в некоторых случаях даже местоположение дома. Если мы делаем это хорошо, поиск правильного алгоритма обычно требует проб и ошибок. Одну и ту же задачу можно решить разными алгоритмами. Под правильным алгоритмом подразумевается, что алгоритм должен быть точным и быстрым для решения задачи.
Не существует простых или сложных моделей машинного обучения. Речь идет о проблеме, которую вы пытаетесь решить, и подходе, используемом для ее достижения.
Что вдохновило меня на выбор машинного обучения и какие основные навыки необходимы для начала работы с машинным обучением?
Машинное обучение — это такая обширная область изучения, в которой нужно многому научиться. С ML мы можем сделать так много, особенно автоматизировать избыточные задачи. Кроме того, думая об этом, мы можем применить машинное обучение практически к любой области. В один день вы могли бы автоматизировать что-то для автомобильной компании, а на следующий день вы могли бы делать это для компании, занимающейся печатью бумаги. Есть бесконечные возможности.
К основным навыкам, необходимым для машинного обучения, относятся навыки решения проблем, базовая статистика, Python и остальные, которые вы можете освоить в процессе работы.
Что я понимаю под классификацией изображений с использованием машинного обучения? Каковы типичные варианты использования классификации изображений в ML?
Предположим, у нас есть 50 изображений. Мы хотим знать, сколько из них содержит кошку и сколько собак. Это типичная проблема классификации изображений. Он используется для Распознавания лиц в беспилотных автомобилях для обнаружения объектов вокруг автомобиля, проверки качества продукта, который производит компания, и т. д.
Можете ли вы рассказать о будущем ML/AI/IoT?
Хотя ИИ заменит некоторые рабочие места, и такие перемещения всегда происходили, даже до того, как об ИИ заговорили. Мы наблюдаем сокращение рабочих мест для турагентов, молочников, лифтеров и т. д., и в то же время таких рабочих мест, как разработчики приложений, специалисты по данным и т. д.
ML имеет большие перспективы во многих областях. Несколько лет назад Siri и Alexa были чем-то невозможным, а теперь это имя нарицательное.
Машинное обучение уже применяется в различных областях, от бизнеса до научных исследований:
Логистика и цепочка поставок
Системы безопасности программного обеспечения
Медицина и здравоохранение
Системы безопасности физических объектов
Обучающее ПО
Обработка и прогнозирование больших данных
Умные автомобили
Персонализация взаимодействия с клиентами
Автоматизация рабочего процесса
Вот некоторые направления деятельности, которые в ближайшее время будут наиболее интенсивно развиваться:
1. Обработка больших данных —решения для обработки больших данных находят применение в финтехе (приложение, основанное на машинном обучении, автоматизирует обработку транзакций) и сетевой безопасности (помогает выявлять как существующие вирусы/черви/атаки, так и аномальное поведение в целом).
2. Расширенные поисковые системы —стриминговый сервис Netflix использует машинное обучение в своей поисковой системе, чтобы предлагать пользователям персонализированный контент. Эта технология используется при разработке многих будущих продуктов электронной коммерции, упрощая взаимодействие пользователей с интерфейсом и помогая подтолкнуть их к финальной стадии воронки продаж. Вы можете сделать то же самое, чтобы оптимизировать взаимодействие с пользователем. Также можно добавить функции умного голосового поиска и поиска по картинкам.
3. Прогнозирование и аналитика.Даже со специализированными приложениями финансовые аналитики тратят много времени на создание отчетов. Более того, их работа подвержена влиянию человеческого фактора (ошибки в аналитике несут убытки в тысячи долларов). Поэтому гораздо удобнее загружать данные в специальное ПО на основе машинного обучения и уже через несколько секунд получать максимально точные прогнозы, а не руководствоваться субъективным видением опытного аналитика.
4. Программные решения на основе ИИ.Машинное обучение является одним из подмножеств искусственного интеллекта и часто используется при разработке проектов ИИ. Искусственный интеллект становится одним из самых перспективных направлений деятельности в сфере ИТ, и если вы хотите создать успешный продукт, вам следует смотреть в сторону решений искусственного интеллекта. Это продукты для создания персонализированного пользовательского опыта — будь то умный помощник или поисковая система маркетплейса.
5. Образовательные приложения. Сегодня люди стремятся учиться удаленно, чтобы сэкономить время и выбрать курсы, которые им нравятся. Адаптивное индивидуальное обучение — одна из тех отраслей, которые больше всего выиграют от будущих масштабов машинного обучения. ML не только поможет планировать индивидуальные расписания и выбрать оптимальный темп, но и позволит талантливым учителям как можно быстрее охватить гораздо большую аудиторию.
6. Биометрическая аутентификация —Современные пользователи смартфонов уже не представляют свою жизнь без аутентификации по отпечатку пальца. В ближайшем будущем он войдет во все сферы строгого режима. Например, некоторые страны уже ввели биометрические удостоверения личности гражданина. Конкуренция в этой нише еще не слишком высока. Так что место для инновационных продуктов есть.
Я надеюсь, что вы узнали что-то из этого. Даже если нет, я хотел бы услышать ваше мнение и идеи по ML. Чтобы связаться со мной, вы можете найти меня в — LinkedIn — Сакши Агарвал, Twitter — Сакши Агарвал, Instagram — Сакши Агарвал, Электронная почта — [email protected]