מחשבים לא משתלטים אבל הם מקבלים יותר ויותר מדי יום
במונחים הפשוטים ביותר, לימוד מכונה (ML) הוא תכנות של מחשבים (מחשבים), כך שהוא יכול לבצע משימה מבוקשת באמצעות וניתוח נתונים (מידע) כדי לבצע את המשימה באופן עצמאי, ללא קלט ספציפי נוסף ממפתח אדם.
מכונת למידה 101
המונח "לימוד מכונה" הוטבע במעבדי יבמ ב -1959 על ידי ארתור סמואל, חלוצה בתחום הבינה המלאכותית (AI) ומשחקי מחשב. הלמידה מכונה, כתוצאה מכך, הוא ענף של בינה מלאכותית. הנחת היסוד של סמואל היתה להעיף את מודל המחשוב של הזמן הפוך ולהפסיק לתת דברים במחשב כדי ללמוד.
במקום זאת, הוא רצה שמחשבים יתחילו להבין דברים בעצמם, מבלי שבני אדם יצטרכו להזין אפילו את המידע הזעיר ביותר. אז, חשב, מחשבים לא רק לבצע משימות אבל בסופו של דבר להחליט אילו משימות לבצע ומתי. למה? אז מחשבים יכולים להפחית את כמות העבודה בני האדם הדרושים לביצוע בכל אזור נתון.
איך עובד מכונה
למידה ממוחשבת פועלת באמצעות אלגוריתמים ונתונים. אלגוריתם הוא אוסף של הוראות או הנחיות שאומר למחשב או לתוכנית כיצד לבצע משימה. האלגוריתמים המשמשים ב ML לאסוף נתונים, לזהות דפוסים, ולהשתמש ניתוח של נתונים אלה כדי להתאים את התוכניות והפונקציות שלו כדי להשלים משימות.
אלגוריתמים של מלים משתמשים בכללי כללים, עצי החלטה, מודלים גרפיים, עיבוד שפה טבעית ורשתות עצביות (עד כמה שם) כדי להפוך את נתוני העיבוד לאוטומטיים לקבלת החלטות ולבצע משימות. בעוד ML יכול להיות נושא מורכב, המכונה של Google למורים מספקת הדגמה פשוטה על הידיים של איך ML עובד.
הצורה החזקה ביותר של למידה ממוחשבת בשימוש כיום, המכונה למידה עמוקה , בונה מבנה מתמטי מורכב הנקרא רשת עצבית, המבוססת על כמויות אדירות של נתונים. רשתות עצביות הם קבוצות של אלגוריתמים ב ML ו AI המודל אחרי הדרך עצב תאים במוח האנושי ומערכת העצבים מידע התהליך.
בינה מלאכותית לעומת מולטימדיה מול כריית נתונים
כדי להבין טוב יותר את הקשר בין AI, ML, כריית נתונים, זה עוזר לחשוב על קבוצה של מטריות בגודל שונה. AI הוא המטריה הגדולה ביותר. מטריה ML היא בגודל קטן יותר, מתחת למטריית AI. מטריית כריית הנתונים היא הקטנה ביותר ומתאימה מתחת למטריית ה- ML.
- AI הוא ענף של מדעי המחשב שמטרתו לתכנת מחשבים לבצע משימות בדרכים יותר "אינטליגנטיות" ו "אנושיות", תוך שימוש בטכניקות של חשיבה וקבלת החלטות, המבוססות על אינטליגנציה אנושית.
- ML היא קטגוריה של מחשוב בתוך AI המתמקדת מכונות תכנות (מחשבים) כדי ללמוד (לאסוף נתונים הדרושים או דוגמאות) לבצע החלטות מונחה נתונים, אינטליגנטי באופן אוטומטי יותר.
- כריית נתונים משתמשת בסטטיסטיקה, ML, AI ומסדי נתונים עצומים של מידע כדי למצוא דפוסים, לספק תובנות, ליצור סיווגים, לזהות בעיות ולספק נתונים מפורטים לניתוח נתונים.
מה מכונת למידה יכול לעשות (וכבר עושה)
היכולת של מחשבים לנתח כמויות עצומות של מידע שברים של השני עושה ML שימושי במספר תעשיות שבו הזמן והדיוק הם חיוניים.
- רפואה: טכנולוגיה ML מיושמת במגוון פתרונות בתחום הרפואי, כולל סיוע לרופאים במחלקות חירום עם אבחון מהיר יותר של חולים עם תסמינים יוצאי דופן. רופאים יכולים להזין רשימה של הסימפטומים של המטופל לתוכנית באמצעות ML, התוכנית יכולה לסרוק טריליונים של טרה של מידע מספרות הרפואה באינטרנט כדי להחזיר רשימה של אבחנות פוטנציאליות מומלץ בדיקה או טיפול בזמן שיא.
- חינוך: ML משמש ליצירת כלים חינוכיים שמתאימים את עצמם לצורכי הלמידה של התלמיד, כגון עוזרי למידה וירטואליים וספרי לימוד אלקטרוניים שהם אינטראקטיביים יותר. כלים אלה משתמשים ב- ML כדי לגלות אילו מושגים ומיומנויות התלמיד מבין באמצעות חידונים קצרים ותרגילי תרגול. לאחר מכן הכלים מספקים קטעי וידאו קצרים, דוגמאות נוספות וחומר רקע כדי לסייע לתלמיד ללמוד את הכישורים או המושגים הדרושים.
- רכב: ML הוא גם מרכיב מפתח בתחום המתעוררים של מכוניות נהיגה עצמית (המכונה גם מכוניות פחות או מכוניות אוטונומיות). התוכנה המפעילה מכוניות נהיגה עצמית משתמשת ML במהלך בדיקות כביש אמיתי וסימולציות כדי לזהות תנאי הכביש (כגון כבישים קרחיים) או לזהות מכשולים בדרך וללמוד משימות נהיגה המתאימים לנווט בבטחה במצבים כאלה.
סביר להניח שכבר נתקלת ML פעמים רבות מבלי להבין את זה. חלק מהשימושים הנפוצים יותר בטכנולוגיית ML כוללים הכרה מעשית בדיבור ( Bixby של סמסונג , סירי של אפל, ותוכניות רבות לדיבור עם טקסט רגיל), סינון דואר זבל לדואר האלקטרוני, הזנת חדשות, גילוי הונאה, התאמה אישית המלצות קניות, ומספקת תוצאות חיפוש יעיל יותר באינטרנט.
ML הוא מעורב גם בפייסבוק שלך. כאשר אתה אוהב או לוחץ על פוסטים של חבר לעתים קרובות, האלגוריתמים ו- ML שמאחורי הקלעים "לומדים" מהפעולות שלך לאורך זמן כדי לתת עדיפות לחברים או לדפים מסוימים ב- Newsfeed שלך.
מה הלמידה יכולה לעשות
עם זאת, יש מגבלות על מה ML יכול לעשות. לדוגמה, השימוש בטכנולוגיית מ"ל בענפים שונים דורש כמות משמעותית של פיתוח ותכנות על ידי בני אדם להתמחות תוכנית או מערכת עבור סוגי המשימות הנדרשות על ידי התעשייה. לדוגמה, בדוגמה הרפואית שלנו לעיל, תוכנית ML המשמש במחלקת החירום פותחה במיוחד עבור הרפואה האנושית. לא ניתן כיום לקחת את התוכנית המדויקת וליישם אותה ישירות במרכז החירום הוטרינרי. מעבר כזה דורש התמחות ופיתוח נרחב על ידי מתכנתים אנושיים כדי ליצור גרסה המסוגלת לבצע משימה זו עבור רפואה וטרינרית או בבעלי חיים.
זה גם דורש כמויות אדירות של נתונים ודוגמאות כדי "ללמוד" את המידע הדרוש לו כדי לקבל החלטות ולבצע משימות. תוכניות ML הם גם מילולי מאוד בפרשנות הנתונים ואת המאבק עם סמליות וגם כמה סוגים של מערכות יחסים בתוך תוצאות נתונים, כגון סיבה ותוצאה.
התקדמות מתמשכת, לעומת זאת, עושים ML יותר של טכנולוגיית הליבה יצירת מחשבים חכמים מדי יום.