В последнее время различные типы машинного обучения совершили огромный скачок в развитии, освободив человека от многих рутинных обязанностей и сделав его жизнь комфортнее. Эти технологии также напрямую затронули деятельность коммерческих предприятий и сферу социальных проектов. Моделирование транспортных потоков, распознавание лиц по фото, система «умный дом», голосовые помощники в гаджетах – эти и многие другие инновации сегодня стали для нас привычными, однако мы зачастую даже не задумываемся о роли машинного обучения в их появлении.

О том, что такое машинное обучение, как оно работает и какие задачи выполняет искусственный интеллект с его помощью, читайте в материале.

Машинным обучением называют и совокупность задач, выполняемых искусственным интеллектом, и класс методов искусственного интеллекта, и даже подраздел науки о данных. В целом же общий термин машинное обучение, или machine learning (ML), обозначает совокупность вычислительных и статистических методов для разработки уникальных алгоритмов, способных справляться с задачами на основе индивидуального набора разнообразных параметров. Если говорить простыми словами, то машинное обучение – это возможность научить машину выполнять задачи, которые умеет решать человек.

В качестве классического примера использования машинного обучения можно привести беспилотные автомобили. Система автономного вождения, или автопилот, работает при помощи датчиков и компьютера, в который загружается формула ML. В данном случае алгоритмы машинного обучения могут обеспечивать адаптивный круиз-контроль, комфорт езды, контроль руления или торможения и пр. Но при этом водитель, как правило, находится «в резерве» у машины: то есть должен быть готов в любой момент взять управление на себя. Современные ML-разработчики сегодня трудятся над созданием полностью автономного автомобиля, который может безопасно ездить без участия человека по дорогам общего пользования, а не только в специальных зонах. Но для массового распространения беспилотных личных транспортных средств и такси предстоит решить массу задач, в том числе на законодательном уровне.

Задачи машинного обучения: от идентификации до прогнозирования

На сегодняшний день вряд ли остались такие сферы деятельности человека, которые бы не затронуло машинное обучение.

Огромная польза для компаний, городов, стран и общества в целом определяется задачами, которые способен выполнять искусственный интеллект при помощи ML. Среди них:

◉ Регрессия – «предсказание будущего» на основе имеющихся исторических данных. Причем при выполнении этой задачи прогноз должен содержать числовой показатель, например цену объекта недвижимости, доход компании на следующий месяц или баллы в кредитном скоринге для оценки платежеспособности заемщика.

◉ Классификация – выявление объектов по определенным признакам, например распознавание спама во входящих сообщениях электронной почты.

◉ Кластеризация – сортировка данных по категориям на основе заданных параметров. Это, например, может помочь торговым компаниям правильно ориентироваться на покупателей, сгруппировать их по схожим чертам и попытаться предсказать, приобретут ли они тот или иной продукт. 

◉ Идентификация – выделение данных с определенными признаками, например постановка диагноза по имеющимся симптомам.

◉ Извлечение знаний – анализ взаимосвязей различных параметров внутри одного явления/феномена. Извлечение знаний, например, лежит в основе работы ИИ-систем по управлению инвестициями.

◉ Прогнозирование – происходит на основе исследования большого объема данных за определенный период. Так искусственный интеллект делает прогнозы погоды.

Машинное обучение: классификация

Классификации типов и методов работы алгоритмов на базе машинного обучения могут насчитывать десятки позиций. Но в основном выделяют четыре главных типа машинного обучения:

1. Обучение с учителем

Его также называют контролируемым обучением. В качестве учителя выступает человек, который принимает непосредственное участие в обработке данных и маркирует правильные ответы. Часто учителем также называют саму обучающую выборку. То есть компьютер получает набор данных, на которых уже размечено, например, где кошки, а где собаки. Так, имея определенную подборку параметров и показателей, можно, скажем, создать алгоритм для выявления рыночной стоимости квартир, подтвердить или опровергнуть наличие какого-либо заболевания у человека и др.

2. Обучение без учителя

Неконтролируемое обучение. Машина обрабатывает информацию без участия человека и не имеет предполагаемых правильных ответов. То есть она сама находит признаки, по которым потом отличает кошек от собак. В качестве более сложного примера можно привести такой: используя информацию о контактах пользователя в социальных сетях, система самостоятельно может выявлять внутренние связи и закономерности, которые существуют между исследуемыми объектами (места их проживания, различные предпочтения, хобби и пр.).   

3. Обучение с частичным привлечением учителя

Для обучения используется небольшой набор размеченных данных, но в систему также загружаются и неразмеченные данные, которые она потом использует для тренировки.

4. Обучение с подкреплением

Для какого типа машинного обучения не бывает заранее определенных данных, которые закладываются в программу? Для обучения с подкреплением. Система самостоятельно учится на данных, которые берет из внешней среды при взаимодействии с ней. То есть своего рода методом проб и ошибок. Когда машина выполняет задание верно, то получает сигналы подкрепления. Так она может продвигаться дальше к достижению заданной цели. Такой тип machine learning использовала, например, программа для игры в го AlphaGo от компании DeepMind. В 2015 году она одержала победу над профессионалом, при этом тренировалась сама, без вмешательства людей. Этот метод машинного обучения сейчас считается наиболее перспективным.  

Разновидностью машинного обучения, о которой стоит упомянуть, является глубокое обучение. Оно подразумевает анализ больших данных. В этом случае один компьютер не способен справиться с огромными массивами big data, поэтому тут включаются нейронные сети. Суть в том, что большой поток информации сегментируется на более мелкие части данных, которые поэтапно обрабатывают разные процессоры. По принципу нейросети работает, например, система распознавания лиц: сначала система получает определенное изображение и находит в нем все точки и линии, на следующем этапе воссоздаются простые фигуры с использованием этих линий, а в завершение происходит построение сложного объекта из простых фигур.

Захватить мир

Учитывая огромное распространение всех типов машинного обучения, некоторые люди полушутя-полусерьезно выражают опасения, что со временем искусственный интеллект станет умнее человека и сможет захватить мир. Однако на данном этапе развития технологий такое вряд ли возможно, ведь пока ИИ-системы остаются лишь имитацией человеческого способа принятия решений и способны выполнять лишь узкие задачи.

Как бы там ни было, считается, что на сегодняшний день уже существуют задачи, с которыми машина справляется лучше человека, например распознает породы кошек и собак по изображению.

«Вкалывают роботы, а не человек»

В дальнейшем машинное обучение будет только развиваться, а вместе с тем продолжит улучшаться качество жизни человека. Прогнозируют, уже совсем скоро машины сами смогут вести добычу полезных ископаемых, заниматься геологоразведкой, исследовать глубины океанов и многое другое. Нас непременно ждут новые интересные технологические прорывы в направлении machine learning.      

 Полина ХИСМАТУЛЛИНА

Фото: Pexels, Unsplash, Pixabay