Машинное обучение

Большинство умных технологий, которые нас окружают, созданы при помощи машинного обучения. Это голосовой ассистент в смартфоне или колонке, робот-пылесос, автоматическая касса в супермаркете.

В статье разберем, для чего применяют машинное обучение, какому бизнесу оно нужно и с какими проблемами сталкиваются при его внедрении.

При машинном обучении в искусственный интеллект загружают много данных и ставят задачу найти закономерности. Например, ИИ получает фотографии с рукописным текстом и его расшифровкой. Система группирует разные способы написания одинаковых букв и учится самостоятельно распознавать рукописный текст.

Выделяют три основных типа машинного обучения:

Обучение с учителем. При таком способе обучения учитель дает системе задание и правильный ответ. Искусственный интеллект должен найти признаки, которые помогают прийти к этому ответу.

Например, ИИ получает картинки геометрических фигур с указанием, где какая находится. Система должна понять, что отличить фигуры друг от друга можно по количеству вершин или углов.

Обучение без учителя. Системе ставят задачу и дают данные для ее решения. Ответ заранее неизвестен. Способ применяют, когда данных слишком много или ответ сложно вычислить заранее. В этом случае ИИ нужно больше времени и данных, чтобы научиться находить правильные ответы.

Например, ИИ получает фото разных животных и должен определить, где изображены собаки. Система руководствуется только описанием разных пород собак и должна понять, как отличить собаку от других животных.

Обучение с подкреплением. Это более сложный способ обучения, при котором ИИ взаимодействует с окружающей средой. Система не ограничена набором загруженных данных, она получает новую информацию в процессе обучения.

Пример такого обучения — робот-пылесос, который первый раз сканирует квартиру и строит карту местности. Ему не нужны фотографии и планы других квартир, достаточно информации с датчиков: где можно проехать, а где — нет.

Есть и другие способы машинного обучения, обычно они комбинируют три основных способа и добавляют дополнительные инструменты.

Чаще всего машинное обучение применяют, чтобы получить нейросети или системы для:

Сложные вычисления — когда нужно считать что-то с большим количеством параметров. Объем входных данных может увеличиваться, а влияние каждого фактора — меняться.

Например, машинное обучение можно применять в банковской сфере для расчета кредитного рейтинга клиентов. Системе сообщают, какие факторы повышают рейтинг, а какие понижают. На основе принятых человеком решений ИИ определяет вес каждого фактора.

Анализ данных — когда готовых взаимосвязей нет и нужно попытаться их найти. Например, для работы системы рекомендаций на маркетплейсе. Системе сообщают известные данные покупателя: пол, рост, возраст, историю покупок. На основе этих данных система пытается предугадать, что еще будет интересно покупателю.

Проверка гипотез. Это ситуации, когда нужно просчитать множество возможных вариантов и найти самые подходящие.

Составление прогнозов. В этом случае машинное обучение используют, чтобы предугадать значение каких-то показателей.

Например, нужно построить модель для прогноза курсов валют. В ИИ загружают данные, которые уже повлияли на падение и повышение курса, а на выходе получают прогноз на будущее.

Машинное обучение — сложный и дорогой для бизнеса процесс. Часто сделать работу вручную дешевле и быстрее, чем создать и обучить систему, которая сможет делать это самостоятельно.

Обычно машинное обучение применяют только крупные ИТ-компании, но даже они сталкиваются с такими проблемами:

Большие сроки и высокая стоимость внедрения. Любой проект, который связан с ИИ, стоит очень дорого и может внедряться годами. Обычно это нужно бизнесу не для решения текущих задач, а на перспективу.

Например, машинное обучение применяют, чтобы создать автопилоты для автомобилей. Готовый продукт до сих пор не идеальный, но в будущем он может стать массовым и приносить компаниям большую прибыль.

Большой объем данных, который нужно хранить и обрабатывать. Чем больше данных использует ИИ в процессе обучения, тем лучше получится результат. Собранную информацию для машинного обучения нужно накапливать, хранить и обрабатывать.

Машинное обучение невозможно без человека. Любая система должна получать ответы или данные для обучения, результаты обучения должен оценивать специалист. На текущем этапе развития ни одна система не может осваивать новые навыки без человека.

Результат машинного обучения не превосходит возможности человека. Невозможно обучить ИИ так, чтобы он сделал что-то принципиально новое. Можно научить систему писать текст, создавать картинки или код, но ИИ не может, например, придумать новый язык программирования.