Conţinut
- Automatizarea în tehnologia informației
- Automatizarea este viitorul învățării automate?
- Fără bug-uri, fără stres - Ghidul dvs. pas cu pas pentru crearea de programe care schimbă viața fără a vă distruge viața
- Studiu de caz
- Învățarea mașinii ar putea înlocui lucrările
- Concluzie
Sursa: Krulua / Dreamstime.com
La pachet:
Învățarea automată este abilitatea unui sistem de a-și modifica propria programare. Dar când un sistem poate face acest lucru, oamenii sunt încă necesari?
Învățarea mașină a fost unul dintre cele mai mari progrese în istoria informaticii și acum se crede că este capabil să-și asume roluri semnificative în domeniul datelor mari și al analiticii. Analiza datelor mari reprezintă o provocare uriașă din perspectiva întreprinderilor. De exemplu, activități precum sensul unor volume uriașe de formate de date variate, pregătirea datelor pentru analize și filtrarea datelor redundante pot consuma o mulțime de resurse. Angajarea oamenilor de știință și a specialiștilor în date este o propunere costisitoare și nu în orice mijloc al companiei. Experții consideră că învățarea mașină este capabilă să automatizeze multe sarcini legate de analiză - atât de rutină, cât și de complexă. Automatizarea învățării automate poate elibera o mulțime de resurse care pot fi utilizate în locuri de muncă mai complexe și inovatoare. Se pare că învățarea mașinii s-a îndreptat în această direcție. (Pentru a afla mai multe despre utilizarea învățării cu mașini, consultați Promisiunile și capcanele învățării automate.)
Automatizarea în tehnologia informației
În ceea ce privește IT, automatizarea este legarea sistemelor și software-ului disparate, astfel încât acestea să poată face lucrări specifice fără nicio intervenție umană. În industria IT, sistemele automatizate pot efectua atât lucrări simple, cât și complexe. Un exemplu de lucrare simplă ar putea fi integrarea unui formular cu un PDF și introducerea documentului destinatarului corect, în timp ce furnizarea unei copii de rezervă în afara site-ului ar putea fi un exemplu de lucrare complexă.
Pentru a-și face treaba, un sistem automat trebuie programat sau dat instrucțiuni explicite. De fiecare dată când un sistem automat trebuie să modifice sfera de muncă, programul sau setul de instrucțiuni trebuie să fie actualizate de o ființă umană. În timp ce sistemele automatizate sunt eficiente la locul de muncă, pot apărea erori din diferite motive. Când apar erori, trebuie identificată și corectată cauza rădăcină. Evident, pentru a-și face treaba, sistemele automatizate depind în totalitate de ființele umane. Cu cât natura locului de muncă este mai complexă, cu atât este mai mare probabilitatea erorilor și a problemelor.
De obicei, lucrările de rutină și repetabile sunt atribuite sistemelor automatizate. Un exemplu obișnuit de automatizare în industria IT este automatizarea testării interfețelor de utilizator bazate pe web. Cazurile de testare sunt introduse în scripturi de automatizare și interfețele utilizator sunt testate în consecință. (Pentru mai multe despre utilizările practice ale învățării automate, consultați Învățarea mașinii și Hadoop în Detectarea fraudei de generație următoare.)
Argumentul în favoarea automatizării a fost că acesta îndeplinește sarcini de rutină și repetabile și eliberează angajații pentru a face sarcini mai complexe și creative. Cu toate acestea, se susține, de asemenea, că automatizarea a deplasat o mulțime de locuri de muncă sau de roluri îndeplinite anterior de oameni. Acum, odată cu învățarea mașinilor găsindu-și drum în diverse industrii, automatizarea ar putea adăuga cu totul o nouă dimensiune.
Automatizarea este viitorul învățării automate?
Însăși esența învățării automate este capacitatea sistemelor de a învăța continuu din date și de a evolua fără intervenția ființelor umane. Învățarea automată este capabilă să se comporte ca creierul uman. De exemplu, un motor de recomandare pe un site web de comerț electronic poate evalua preferințele și gusturile unice ale utilizatorului și poate oferi recomandări cu privire la produse și servicii care se potrivesc cel mai bine cu alegerile utilizatorului. Având în vedere această abilitate, învățarea mașină este considerată ideală pentru automatizarea sarcinilor complexe legate de datele mari și analitice. A depășit deja limitarea principală a sistemelor tradiționale de automatizare care nu pot funcționa fără o intervenție umană regulată. Există mai multe studii de caz care arată că învățarea automată este capabilă să finalizeze sarcini sofisticate de analiză a datelor, așa cum vom discuta mai târziu în acest articol.
După cum s-a subliniat deja, analiza datelor mari este o propunere provocatoare pentru companii și poate fi parțial delegată în sistemele de învățare automată. Din perspectiva unei afaceri, aceasta poate aduce o mulțime de beneficii, cum ar fi eliberarea resurselor de știință a datelor pentru misiuni mai creative și critice, un volum mai mare de finalizare a lucrării, mai puțin timp necesar pentru finalizarea sarcinilor și eficiența costurilor.
Fără bug-uri, fără stres - Ghidul dvs. pas cu pas pentru crearea de programe care schimbă viața fără a vă distruge viața
Nu îți poți îmbunătăți abilitățile de programare atunci când nimeni nu îi pasă de calitatea software-ului.
Studiu de caz
În 2015, cercetătorii MIT au început să lucreze la un instrument de știință a datelor care este capabil să creeze modele de date predictive din volume uriașe de date brute, folosind o tehnică numită algoritmul Deep Feature Synthesis. Algoritmul, susțin oamenii de știință, poate combina cele mai bune caracteristici ale învățării automate. Potrivit oamenilor de știință, ei au testat deja algoritmul pe trei seturi de date diferite și vor extinde domeniul de testare la mai multe seturi de date. Descriind cum o fac, cercetătorii James Max Kanter și Kalyan Veeramachaneni au declarat într-o lucrare pentru a fi prezentate la o conferință internațională de știință a datelor și analitică, „Folosind un proces de auto-reglare, optimizăm întreaga cale fără implicarea umană, permițându-i să generalizeze la diferite seturi de date. "
Să examinăm cât de complexă a fost sarcina: algoritmul are o capacitate care este cunoscută sub denumirea de capacitate de auto-reglare, cu ajutorul căreia derivă sau extrage informații sau valori din date brute, cum ar fi vârsta sau sexul și, după aceea, poate crea modele de date predictive. Algoritmul folosește funcții matematice complexe și o teorie a probabilității cunoscută sub numele de Gaussian Copula. Deci, este ușor să înțelegem gradul de complexitate pe care algoritmul este capabil să îl gestioneze. Tehnica a câștigat și premii la concursuri.
Învățarea mașinii ar putea înlocui lucrările
Se discută în întreaga lume că învățarea automată ar putea înlocui multe locuri de muncă, deoarece îndeplinește sarcini cu eficiența unui creier uman. De fapt, există o anumită îngrijorare că învățarea automată va înlocui oamenii de știință de date - și pare să existe o bază pentru astfel de reținerii.
Pentru utilizatorii obișnuiți, care nu au abilități de analiză a datelor, dar au încă nevoie de analize în viața lor de zi cu zi în grade diferite, nu este posibil să existe computere care să poată analiza volumele de date uriașe și să ofere analitice. Însă tehnologiile de prelucrare a limbajului natural (PNL) pot depăși această limitare, învățând computerele să accepte și să proceseze limbajul natural, vorbit al oamenilor. În acest fel, utilizatorul comun nu are nevoie de capacități sau abilități de analiză sofisticată.
IBM consideră că nevoia oamenilor de știință de date poate fi redusă la minimum sau eliminată cu ajutorul platformei sale de analiză a limbajului natural Watson. Potrivit vicepreședintelui Watson Analytics și Business Intelligence, Marc Atschuller, „Cu un sistem cognitiv precum Watson, nu îți aduci decât întrebarea - sau dacă nu ai o întrebare, pur și simplu îți încarci datele și Watson o poți privi și deduce ce ai putea dori să știi. ”
Concluzie
Automatizarea este următorul pas logic pentru învățarea mașinilor și deja ne-am confruntat cu efectele din viața noastră de zi cu zi - pe site-urile de comerț electronic, sugestiile prietenilor, recomandările de rețea LinkedIn și clasamentele de căutare Airbnb. Având în vedere exemplele date, nu poate fi pusă la îndoială calitatea producției produse de sistemele automate de învățare a mașinilor. Pentru toate calitățile și beneficiile sale, gândirea de învățare automată care provoacă șomaj uriaș poate părea un pic de reacție excesivă. Mașinile au înlocuit ființele umane în multe domenii ale vieții noastre timp de câteva decenii și totuși, ființele umane au evoluat și s-au adaptat pentru a rămâne relevante în industrie. În funcție de perspectivă, învățarea automată, pentru toată perturbarea sa, este doar un alt val de acest fel la care oamenii se vor adapta.