✅Что такое машинное обучение и как оно работает?

 

Процесс машинного обучения

Машинное обучение - это процесс, посредством которого компьютерные программы развиваются на основе опыта.

Это не научная фантастика, где роботы продвигаются вперед, пока не захватят мир.

Когда мы говорим о машинном обучении, мы в основном имеем в виду чрезвычайно умные алгоритмы.

В 1950 году математик Алан Тьюринг утверждал, что спрашивать, могут ли машины думать, -

пустая трата времени. Вместо этого он предложил игру: у игрока есть два письменных разговора, один с другим человеком и один с машиной. Основываясь на обменах, человек должен решить, что есть что.

Эта “имитационная игра” послужила бы тестом для искусственного интеллекта. Но как бы мы запрограммировали машины, чтобы они играли в нее?

Тьюринг предложил, чтобы мы учили их, как детей. Мы могли бы проинструктировать их следовать ряду правил, позволяя им вносить незначительные изменения на основе опыта.

Обучение роботов и компьютерных моделей

Для компьютеров процесс обучения выглядит немного иначе.

Во-первых, нам нужно предоставить им много данных: от изображений повседневных предметов до деталей банковских транзакций.

Затем мы должны сказать компьютерам, что делать со всей этой информацией.

Программисты делают это, составляя списки пошаговых инструкций или алгоритмов. Эти алгоритмы помогают компьютерам выявлять закономерности в огромных массивах данных.

На основе найденных шаблонов компьютеры разрабатывают своего рода “модель” того, как работает эта система.

Например, некоторые программисты используют машинное обучение для разработки медицинского программного обеспечения. Во-первых, они могут залить в программу сотни МРТ-снимков, которые уже были классифицированы. Затем они попросят компьютер построить модель для классификации МРТ, которые он раньше не видел. Таким образом, это медицинское программное обеспечение может обнаруживать проблемы при сканировании пациента или помечать определенные записи для проверки.

Сложные модели, подобные этой, часто требуют много скрытых вычислительных шагов. Для структурирования программисты организуют все решения по обработке в слои. Вот откуда взялось “глубокое обучение”.

Эти слои имитируют структуру человеческого мозга, где нейроны посылают сигналы другим нейронам. Вот почему мы также называем их “нейронными сетями”.

Нейронные сети являются основой для сервисов, которыми мы пользуемся каждый день, таких как цифровые голосовые помощники и инструменты онлайн-перевода. Со временем нейронные сети улучшают свою способность слушать и реагировать на информацию, которую мы им предоставляем, что делает эти сервисы все более и более точными.

Однако машинное обучение - это не просто что-то запертое в академической лаборатории. Множество алгоритмов машинного обучения имеют открытый исходный код и широко доступны. И они уже используются для многих вещей, роботов, которые влияют на нашу жизнь, в большом и малом смысле.

Люди использовали эти инструменты с открытым исходным кодом для всего - от обучения своих роботов до создания экспериментальных произведений искусства и наблюдения за лесными пожарами.

Они также совершали некоторые сомнительные с моральной точки зрения вещи, например, создавали глубокие подделки — видео, обработанные с помощью глубокого обучения. А поскольку алгоритмы обработки данных, которые используют машины, написаны подверженными ошибкам людьми, они могут содержать предубеждения. Алгоритмы могут переносить предубеждения своих создателей в свои модели, усугубляя такие проблемы, как расизм и сексизм.

Но эту технологию не остановить. И люди находят для этого все более и более сложные приложения, некоторые из которых позволят автоматизировать то, что мы привыкли делать сами, - например, использование нейронных сетей для управления беспилотными автомобилями. Для некоторых из этих приложений потребуются сложные алгоритмические инструменты, учитывая сложность задачи.

И хотя это может произойти в будущем, системам машинного обучения еще предстоит многому научиться.