Automatizálás: az adattudomány és a gépi tanulás jövője?

A gépi tanulás az egyik legnagyobb előrelépés volt a számítástechnika történetében, és most úgy tekintik, hogy fontos szerepet játszhat a big data és az analitika területén. A nagy adatelemzés nagy kihívás vállalati szempontból. Például az olyan tevékenységek, mint a sokféle adatformátum megértése, az adatok előkészítésének elemzése és a redundáns adatok szűrése erőforrásigényesek lehetnek. Az adattudós szakemberek toborzása drága javaslat, és nem minden vállalat célja. A szakértők úgy vélik, hogy a gépi tanulás automatizálhatja az elemzéssel kapcsolatos sok feladatot - rutin és összetett. Az automatizált gépi tanulás jelentős erőforrásokat szabadíthat fel, amelyeket bonyolultabb és innovatívabb munkára lehet használni. Úgy tűnik, a gépi tanulás folyamatosan ebbe az irányba halad.

Automatizálás az információs technológia összefüggésében

Az informatikában az automatizálás a különböző rendszerek és szoftverek összekapcsolása, lehetővé téve számukra, hogy emberi feladatok nélkül végezzenek bizonyos feladatokat. Az informatikában az automatizált rendszerek egyszerű és összetett feladatokat is elláthatnak. Egy egyszerű feladat például az űrlapok PDF-fájlokkal való integrálása és a dokumentumok elküldése a megfelelő címzettnek, míg a telephelyen kívüli biztonsági mentések biztosítása lehet egy összetett feladat példája.

Munkája megfelelő elvégzéséhez be kell programoznia vagy egyértelmű utasításokat kell adnia az automatizált rendszerhez. Minden alkalommal, amikor automatizált rendszerre van szükség a feladatkörének módosításához, valakinek frissítenie kell a programot vagy az utasításkészletet. Bár az automatizált rendszer hatékony a munkájában, különböző okok miatt előfordulhatnak hibák. Hiba esetén a kiváltó okot meg kell határozni és meg kell szüntetni. Nyilvánvaló, hogy a munkája elvégzéséhez az automatizált rendszer teljesen az emberektől függ. Minél összetettebb a munka jellege, annál nagyobb a hibák és problémák valószínűsége.

Az automatizálás gyakori példája az IT-iparban a webalapú felhasználói felületek tesztelésének automatizálása. A tesztesetek bekerülnek az automatizálási szkriptbe, és ennek megfelelően tesztelik a felhasználói felületet. (A gépi tanulás gyakorlati alkalmazásáról bővebben lásd: Gépi tanulás és Hadoop a következő generációs csalások felderítésében.)

Az érvelés az automatizálás mellett az, hogy rutinszerű és megismételhető feladatokat hajt végre, és felszabadítja az alkalmazottakat bonyolultabb és kreatívabb feladatok elvégzésére. Ugyanakkor azt is érvelik, hogy az automatizálás kizárta az emberek által korábban elvégzett feladatok vagy szerepek nagy számát. Most, hogy a gépi tanulás különböző iparágakba lép be, az automatizálás új dimenziót adhat hozzá.

Az automatizált gépi tanulás jövője?

A gépi tanulás lényege egy rendszer azon képessége, hogy folyamatosan tanuljon az adatokból és fejlődjön emberi beavatkozás nélkül. A gépi tanulás képes emberi agyként viselkedni. Például az e-kereskedelmi webhelyeken található ajánlómotorok felmérhetik a felhasználó egyedi preferenciáit és ízlését, és ajánlásokat adhatnak a legmegfelelőbb termékek és szolgáltatások közül. Tekintettel erre a képességre, a gépi tanulást ideálisnak tekintik a nagy adatokkal és elemzésekkel kapcsolatos összetett feladatok automatizálásához. Legyőzte a hagyományos automatizált rendszerek fő korlátait, amelyek nem teszik lehetővé az emberi beavatkozást rendszeresen. Számos esettanulmány bizonyítja, hogy a gépi tanulás képes komplex adatelemzési feladatok elvégzésére, amelyekről ebben a cikkben később lesz szó.

Amint már említettük, a big data elemzés kihívást jelent a vállalkozások számára, és részben átruházható a gépi tanulási rendszerekre. Üzleti szempontból ez számos előnnyel járhat, mint például az adattudományi források felszabadítása kreatívabb és küldetéskritikusabb feladatokra, nagyobb munkaterhelés, kevesebb idő a feladatok elvégzésére és költséghatékonyság.

Esettanulmány

2015 -ben az MIT kutatói elkezdtek dolgozni egy olyan adattudományi eszközön, amely nagy mennyiségű nyers adatból képes prediktív adatmodelleket létrehozni a mélyfunkciós szintézis algoritmusoknak nevezett technika segítségével. A tudósok azt állítják, hogy az algoritmus ötvözheti a gépi tanulás legjobb tulajdonságait. A tudósok szerint három különböző adathalmazon tesztelték, és kiterjesztik a tesztelést, hogy többre is kiterjedjenek. A Nemzetközi Adattudományi és Analitikai Konferencián bemutatandó cikkben James Max Kanter és Kalyan Veeramachaneni kutatók azt mondták: „Automatizált hangolási eljárással optimalizáljuk az egész utat emberi részvétel nélkül, lehetővé téve, hogy általánosítsunk különböző adatkészletekre”.

Nézzük a feladat összetettségét: az algoritmus úgynevezett automatikus beállítási képességgel rendelkezik, amelynek segítségével betekintést vagy értékeket nyerhet vagy nyerhet ki a nyers adatokból (például életkor vagy nem), majd ezt követően előrejelző adatokat modellek készíthetők. Az algoritmus összetett matematikai függvényeket és a Gauss -kopula nevű valószínűségelméletet használ. Ezért könnyen megérthető, hogy az algoritmus milyen bonyolultsággal képes kezelni. Ez a technika díjakat is nyert a versenyeken.

A gépi tanulás helyettesítheti a házi feladatot

Világszerte vitatják, hogy a gépi tanulás sok munkahelyet helyettesíthet, mert az emberi agy hatékonyságával végez feladatokat. Valójában aggodalomra ad okot, hogy a gépi tanulás felváltja az adattudósokat, és úgy tűnik, van alapja az ilyen aggodalomnak.

Az átlagfelhasználók számára, akik nem rendelkeznek adatelemzési készségekkel, de különböző szintű analitikai igényekkel rendelkeznek mindennapi életükben, nem lehetséges olyan számítógépek használata, amelyek képesek hatalmas mennyiségű adatot elemezni és elemzési adatokat szolgáltatni. A természetes nyelvfeldolgozási (NLP) technikák azonban leküzdhetik ezt a korlátozást, ha megtanítják a számítógépeket a természetes emberi nyelv elfogadására és feldolgozására. Ily módon az átlagfelhasználónak nincs szüksége kifinomult elemzési funkciókra vagy készségekre.

Az IBM úgy véli, hogy terméke, a Watson Natural Language Analytics Platform révén minimálisra csökkenthető vagy kiküszöbölhető az adattudósok iránti igény. Marc Atschuller, a Watson elemzési és üzleti intelligencia -alelnöke szerint: „Egy olyan kognitív rendszerrel, mint a Watson, csak felteszi a kérdését - vagy ha nincs kérdése, akkor csak töltse fel adatait, és Watson megnézheti és következtetni arra, amit tudni szeretne. ”

Következtetés

Az automatizálás a következő logikus lépés a gépi tanulásban, és máris tapasztaljuk a hatásokat a mindennapi életünkben-e-kereskedelmi webhelyek, Facebook-barátjavaslatok, LinkedIn-hálózati javaslatok és Airbnb-keresési rangsorok. A felsorolt ​​példákat figyelembe véve kétségtelen, hogy ez az automatizált gépi tanulási rendszerek által előállított kimenet minőségének tudható be. A gépi tanulás hatalmas munkanélküliséget okozó ötlete minden tulajdonsága és előnye ellenére kissé túlreagáltnak tűnik. A gépek évtizedek óta felváltják az embereket életünk számos pontján, de az emberek fejlődtek és alkalmazkodtak ahhoz, hogy relevánsak maradjanak az iparban. A nézet szerint a gépi tanulás minden zavara ellenére csak egy újabb hullám, amelyhez az emberek alkalmazkodni fognak.


Feladás ideje: 2021.03.03