I enklaste termer är maskininlärning (ML) programmering av maskiner (datorer) så att den kan utföra en uppmanad uppgift genom att använda och analysera data (information) för att utföra uppgiften självständigt, utan ytterligare specifik inmatning från en mänsklig utvecklare.
Maskininlärning 101
Termen maskininlärning var coined i IBM Labs 1959 av Arthur Samuel, en pionjär inom artificiell intelligens (AI) och dataspel. Maskininlärning är följaktligen en gren av artificiell intelligens. Samuels premiss var att vända datormodellen av tiden upp och ner och sluta ge datorer saker att lära sig.
Istället ville han att datorer började hitta saker på egen hand, utan att människor skulle behöva mata in även den minsta informationen. Då trodde han att datorer inte bara skulle utföra uppgifter utan i slutändan kunde bestämma vilka uppgifter som skulle utföras och när. Varför? Så att datorer kan minska mängden arbete människor behöver för att utföra i ett visst område.
Hur maskinlärning fungerar
Maskininlärning fungerar genom att använda algoritmer och data. En algoritm är en uppsättning instruktioner eller riktlinjer som beskriver en dator eller ett program för att utföra en uppgift. De algoritmer som används i ML samlar data, känner igen mönster och använder analys av data för att anpassa sina egna program och funktioner för att slutföra uppgifter.
ML-algoritmer använder regeluppsättningar, beslutsgränser, grafiska modeller, naturliga språkbehandling och neurala nätverk (för att nämna några) för att automatisera bearbetningsdata för att fatta beslut och utföra uppgifter. Medan ML kan vara ett komplext ämne, ger Googles lärbara maskin en förenklad praktisk demonstration av hur ML fungerar.
Den mest kraftfulla formen av maskininlärning som används idag kallas djupt lärande, bygger en komplex matematisk struktur som kallas ett neuralt nätverk baserat på stora mängder data. Neurala nätverk är uppsättningar av algoritmer i ML och AI modellerade efter hur nervceller i människans hjärna och nervsystemet bearbetar information.
Artificial Intelligence vs Machine Learning vs Data Mining
För att bäst förstå förhållandet mellan AI, ML och data mining, är det bra att tänka på en uppsättning olika storlekar paraplyer. AI är det största paraplyet. ML-paraplyet är mindre och passar under AI-paraplyet. Data mining paraplyet är det minsta och passar under ML paraplyet.
- AI är en gren av datavetenskap som syftar till att programmera datorer för att utföra uppgifter på mer "intelligenta" och "mänskliga" sätt, med hjälp av resonemang och beslutsteknik modellerade efter mänsklig intelligens.
- ML är en kategori av datorer inom AI som är inriktad på programmeringsmaskiner (datorer) för att lära sig (samla nödvändiga data eller exempel) för att göra datastyrda, intelligenta beslut på ett mer automatiserat sätt.
- Data mining använder statistik, ML, AI och enorma databaser med information för att hitta mönster, ge insikter, skapa klassificeringar, identifiera problem och leverera detaljerad dataanalys.
Vad maskinlärning kan göra (och redan gör)
Kapaciteten för datorer att analysera stora mängder information i fraktioner av en sekund gör ML användbar i ett antal industrier där tid och noggrannhet är nödvändiga.
- Medicin: ML-tekniken implementeras i en rad lösningar för det medicinska området, bland annat att hjälpa akutavdelningsläkare med snabbare diagnos av patienter med ovanliga symtom. Läkare kan skriva in en lista över patientens symptom i programmet och använda ML. Programmet kan skura trillioner terabytes av information från medicinsk litteratur och internet för att returnera en lista över möjliga diagnoser och rekommenderad testning eller behandling under rekordtid.
- Utbildning: ML används för att skapa pedagogiska verktyg som anpassar sig till studentens inlärningsbehov, som virtuella lärarassistenter och elektroniska läroböcker som är mer interaktiva. Dessa verktyg använder ML för att upptäcka vilka begrepp och färdigheter studenten förstår genom att använda korta frågesporter och övningar. Verktygen ger sedan korta videoklipp, ytterligare exempel och bakgrundsmaterial som hjälper studenten att lära sig de nödvändiga färdigheterna eller koncepten.
- Bil: ML är också en nyckelkomponent i det framväxande området för självkörande bilar (kallas även förare utan bil eller autonoma bilar). Programvaran som driver självkörande bilar använder ML under både verkliga vägtester och simuleringar för att upptäcka vägförhållanden (t.ex. isiga vägar) eller identifiera hinder i körbanan och lära sig lämpliga köruppgifter för att säkert navigera i sådana situationer.
Du har sannolikt redan stött på ML många gånger utan att förstå det. Några av de mer vanliga användningarna av ML-teknik inkluderar praktiskt taligenkänning (Samsungs Bixby, Apples Siri och många talk-to-text-program som nu är vanliga på datorer), skräppostfiltrering för din e-post, bygga nyhetsflöden, upptäcka bedrägerier, anpassa shoppingrekommendationer och effektivare webbsökresultat.
ML är även involverad i ditt Facebook-flöde. När du gillar eller klickar på en väns inlägg ofta läser algoritmerna och ML bakom kulisserna "från" dina handlingar över tiden för att prioritera vissa vänner eller sidor i din Newsfeed.
Vad maskinlärning kan inte göra
Det finns dock gränser för vad ML kan göra. Till exempel kräver användningen av ML-teknik i olika branscher en betydande mängd utveckling och programmering av människor för att specialisera ett program eller system för de typer av uppgifter som krävs av den branschen.I vårt medicinska exempel ovan utvecklades ML-programmet som användes i akutavdelningen specifikt för humanmedicin. Det är för närvarande inte möjligt att ta det exakta programmet och genomföra det direkt i ett veterinärt akutcenter. En sådan övergång kräver omfattande specialisering och utveckling av humana programmerare för att skapa en version som kan göra denna uppgift för veterinärmedicin eller djurmedicin.
Det kräver också otroligt stora mängder data och exempel för att lära sig den information som behövs för att fatta beslut och utföra uppgifter. ML-program är också mycket bokstavliga i tolkningen av data och kamp med symbolik och även vissa typer av relationer inom data resultat, såsom orsak och effekt.
Fortsatta framsteg gör emellertid ML till en kärnteknik som skapar smartare datorer varje dag.
