Sisu
- Automatiseerimine infotehnoloogia kontekstis
- Kas automatiseerimine on masinõppe tulevik?
- Pole vigu ega stressi - teie samm-sammuline juhend elumuutva tarkvara loomiseks ilma oma elu hävitamata
- Juhtumiuuring
- Masinõpe võib töökohad asendada
- Järeldus
Allikas: Krulua / Dreamstime.com
Ära võtma:
Masinõpe on süsteemi võime muuta enda programmeerimist. Kuid kui süsteem suudab seda teha, kas inimesed on ikkagi vajalikud?
Masinõpe on olnud üks suurimaid edusamme arvutustehnika ajaloos ja arvatakse, et nüüd suudab see võtta suurandmete ja analüütika valdkonnas olulisi rolle. Suurandmete analüüs on ettevõtete vaatevinklist tohutu väljakutse. Näiteks võivad sellised tegevused nagu mitmesuguste andmevormingute tohutu mahu mõistmine, analüüside jaoks andmete ettevalmistamine ja üleliigsete andmete filtreerimine kulutada palju ressursse. Andmeteadlaste ja -spetsialistide palkamine on kallis ettepanek ja see pole sugugi iga ettevõtte vahend. Eksperdid usuvad, et masinõpe on võimeline automatiseerima paljusid analüüsiga seotud ülesandeid - nii rutiinseid kui ka keerukaid. Masinõppe automatiseerimine võib vabastada palju ressursse, mida saab kasutada keerukamates ja uuenduslikumates töödes. Näib, et masinõpe on selles suunas liikunud. (Lisateavet masinõppe kasutamise kohta leiate jaotisest Masinõppe lubadused ja lõksud.)
Automatiseerimine infotehnoloogia kontekstis
Infotehnoloogia kontekstis on automatiseerimine erinevate süsteemide ja tarkvara ühendamine selliselt, et nad suudavad teha konkreetseid töid ilma inimese sekkumiseta. IT-tööstuses suudavad automatiseeritud süsteemid täita nii lihtsaid kui ka keerukaid töid. Lihtsa töö näiteks võiks olla vormi integreerimine PDF-iga ja dokumendi viimine õigele adressaadile, samas kui välisest varukoopia pakkumine võiks olla keeruka töö näide.
Oma töö tegemiseks tuleb automatiseeritud süsteem programmeerida või anda selged juhised. Iga kord, kui automatiseeritud süsteem nõuab oma töö ulatuse muutmist, peab inimene programmi või juhiste komplekti värskendama. Kuigi automatiseeritud süsteemid on oma töös tõhusad, võivad vead ilmneda erinevatel põhjustel. Vigade ilmnemisel tuleb kindlaks teha ja parandada algpõhjus. Ilmselt sõltuvad automatiseeritud süsteemid oma töö tegemiseks täielikult inimestest. Mida keerulisem on töö iseloom, seda suurem on vigade ja probleemide tõenäosus.
Tavaliselt omistatakse automatiseeritud süsteemidele rutiinsed ja korratavad tööd. IT-tööstuse automatiseerimise tavaline näide on veebipõhiste kasutajaliideste testimise automatiseerimine. Testjuhtumid sisestatakse automatiseerimisskriptidesse ja vastavalt kontrollitakse ka kasutajaliideseid. (Masinõppe praktilise kasutamise kohta leiate lisateavet masinõppest ja Hadoopist järgmise põlvkonna pettuste tuvastamisel.)
Automatiseerimise kasuks on peetud argumenti, et see täidab rutiinseid ja korratavaid ülesandeid ning vabastab töötajad keerukamate ja loovamate ülesannete täitmisest. Kuid väidetakse ka seda, et automatiseerimine on tõrjunud paljud töökohad või rollid, mida varem tegid inimesed. Nüüd, kui masinõpe on leidnud tee erinevatesse tööstusharudesse, võiks automaatika lisada uue mõõtme.
Kas automatiseerimine on masinõppe tulevik?
Masinõppe põhiolemus on süsteemide võime pidevalt andmetest õppida ja areneda ilma inimeste sekkumiseta. Masinõpe on võimeline käituma nagu inimese aju. Näiteks saab e-kaubanduse veebisaidi soovitusmootor hinnata kasutaja unikaalseid eelistusi ja maitseid ning pakkuda soovitusi toodete ja teenuste kohta, mis sobivad kasutaja valikuga kõige paremini. Seda võime arvestades peetakse masinõpet ideaalseks suurte andmete ja analüütikaga seotud keerukate ülesannete automatiseerimiseks. See on juba ületanud traditsiooniliste automatiseerimissüsteemide peamise piirangu, mis ei saa töötada ilma inimeste regulaarse sekkumiseta. On mitmeid juhtumianalüüse, mis näitavad, et masinõpe on võimeline täitma keerukaid andmeanalüüsi ülesandeid, nagu käesolevas artiklis hiljem käsitletakse.
Nagu juba märgitud, on suurandmete analüüs ettevõtetele keeruline väljakutse ja seda saab osaliselt delegeerida masinõppe süsteemidele. Ettevõtte seisukohast võib see tuua palju eeliseid, näiteks andmetöötlusressursside vabastamine loovamate ja kriitiliste ülesannete jaoks, töö suurem maht, vähem ülesannete täitmiseks kuluv aeg ja kuluefektiivsus.
Pole vigu ega stressi - teie samm-sammuline juhend elumuutva tarkvara loomiseks ilma oma elu hävitamata
Te ei saa oma programmeerimisoskusi parandada, kui keegi tarkvara kvaliteedist ei hooli.
Juhtumiuuring
2015. aastal alustasid MIT-i teadlased andmetöötlusvahendi väljatöötamist, mis on võimeline looma ennustatavaid andmemudeleid tohututest töötlemata andmete mahtudest, kasutades tehnikat, mida nimetatakse sügavate funktsioonide sünteesi algoritmiks. Algoritm võib teadlaste väitel ühendada masinõppe parimad omadused. Teadlaste sõnul on nad juba algoritmi testinud kolmel erineval andmekogumil ja kavatsevad laiendada testimise ulatust rohkematele andmekogumitele. Kirjeldades, kuidas nad seda teevad, väitsid teadlased James Max Kanter ja Kalyan Veeramachaneni rahvusvahelisel andmeteaduse ja analüütika konverentsil esitletavas dokumendis: “Automaatse häälestamise protsessi abil optimeerime kogu raja ilma inimeste sekkumiseta, võimaldades sellel üldistada erinevatele andmekogumitele. ”
Uurime, kui keeruline ülesanne on olnud: algoritmil on omadus, mida nimetatakse automaatse häälestamise võimaluseks, mille abil ta tuletab või ekstraheerib teadmisi või väärtusi töötlemata andmetest, nagu vanus või sugu, ja pärast seda oskab luua ennustavaid andmemudeleid. Algoritm kasutab keerulisi matemaatilisi funktsioone ja tõenäosusteooriat, mida tuntakse Gaussi kopula nime all. Niisiis, on lihtne aru saada, kui keerukas on algoritm hakkama saada. Tehnika on võitnud ka konkurssidel auhindu.
Masinõpe võib töökohad asendada
Kogu maailmas arutatakse, et masinõpe võib asendada paljusid töökohti, kuna see täidab ülesandeid inimese aju tõhususega. Tegelikult on teatav mure, et masinate õppimine asendab andmeteadlasi - ja sellistele kahtlustele näib olevat alust.
Tavakasutajate jaoks, kellel puuduvad andmeanalüüsioskused, kuid kes vajavad igapäevases elus siiski erineval määral analüüsi, pole teostatav arvuti, mis suudaks analüüsida tohutut andmemahtu ja pakkuda analüütilisi andmeid. Kuid loodusliku keele töötlemise (NLP) tehnoloogiad saavad sellest piirangust ületada, õpetades arvuteid aktsepteerima ja töötlema inimeste loomulikku räägitavat keelt. Nii ei vaja tavakasutaja keerulisi analüüsi võimalusi ega oskusi.
IBM usub, et andmeteadlaste vajadust saab selle toote Watsoni looduskeele analüüsi platvormi abil minimeerida või kõrvaldada. Watson Analyticsi ja äriteabe intelligentsuse asepresidendi Marc Atschulleri sõnul: "Watsoni-suguse kognitiivse süsteemiga esitate lihtsalt oma küsimuse - või kui teil pole küsimust, laadige lihtsalt oma andmed üles ja Watson saab seda vaadata ja järeldada mida võiksite teada saada. ”
Järeldus
Automatiseerimine on järgmine loogiline samm masinõppes ja me oleme juba kogenud selle mõju meie igapäevases elus - e-kaubanduse veebisaitidel, sõprade soovitusi, LinkedIn-i võrgusoovitussoovitusi ja Airbnb-i otsingu paremusjärjestust. Arvestades toodud näiteid, ei saa kahtlustada automatiseeritud masinõppe süsteemide toodetud toodangu kvaliteeti. Kõigi omaduste ja eeliste osas võib tohutu tööpuuduse tekitav masinõpe tunduda pisut ülereageerimine. Masinad on juba mitu aastakümmet asendanud inimesi meie elu paljudes valdkondades, kuid ometi on inimesed arenenud ja kohanenud, et jääda tööstuses asjakohaseks. Sõltuvalt vaatenurgast on masinõpe kogu oma häirivuse jaoks lihtsalt veel üks selline laine, millega inimesed kohanevad.