Компьютерные устройства давно научились справляться с задачами, которые раньше были под силу только людям. Умные машины управляют космическими станциями, автомобилями, медицинским оборудованием и т.д. Они включают освещение, переводят текст и даже могут выполнять некоторые творческие задачи.
Все это стало возможным благодаря достижениям искусственного интеллекта (ИИ). Он понимает языковые команды, может учиться, умеет реагировать на речь и совершать множество других действий.
Есть разные технологии ИИ. Одна из них — машинное обучение (МО). В этой статье мы поговорим об особенностях машинного обучения, а также о том, где и как оно используется.
Image from Freepik
Подписаться нам Facebook, Telegram, Twitter или Instagram, чтобы не пропустить полезную информацию!
В чем особенность машинного обучения?
Искусственный интеллект (англ. Artificial Intelligence) — это обширная отрасль компьютерных наук, которая сосредоточена над созданием умных машин, способных выполнять интеллектуальные задачи.
Машинное обучение (англ. Machine Learning) — один из методов искусственного интеллекта. Он решает задачу не прямым способом, а путем поиска закономерностей в данных после обучения алгоритма на множестве примеров.
Компьютерные системы используют алгоритмы машинного обучения для обработки больших объемов статистических данных и выявления шаблонов данных. Таким образом, системы могут более точно прогнозировать результаты на основе заданного набора входных данных.
Исходя из этого, МО занимается обучением ИИ работать самостоятельно и расширять свои знания о мире, чтобы точнее и качественнее выполнять возложенные на него функции. Задача — заставить компьютеры работать без явного программирования.
Где изучать МО?
Самый популярный курс основ машинного обучения для новичков — бесплатная серия лекций Стэнфордского университета (Leland Stanford Junior University) от легендарного эксперта в области ИИ и основателя Google Brain Эндрю Ына (Andrew Ng). Лекции есть в открытом доступе на ютубе. Пройти сертифицированное обучение можно на платформе online.stanford.edu.
Также программу обучения по специализации “Машинное обучение” можно пройти на образовательной платформе Coursera. Здесь учат создавать интеллектуальные приложения, обучают основам Machine Learning на четырех практических курсах. Один из преподавателей курса — Эмили Фокс (Emily Fox), доцент и профессор машинного обучения Amazon на статистическом факультете Вашингтонского университета (University of Washington).
Бесплатно записаться на ближайший курс по МО можно прямо сегодня, 23.12.2022 г.
Как именно МО используется в современных технологиях?
Мы сталкиваемся с результатами работы машинного обучения повсеместно:
- Google показывает нам ответы на наши поисковые запросы;
- Netflix и другие стриминговые платформы рекомендуют фильмы и сериалы согласно наших предпочтений;
- Facebook и Instagram предлагают нам подписаться на аккаунты людей, которых мы можем знать;
- YouTube генерирует субтитры для видео;
- Gmail распознает спам во входящих письмах электронной почты и мн. др.
Виртуальные ассистенты
Одним из наиболее ярких примеров использования машинного обучения в повседневной жизни являются виртуальные помощники:
- Google Assistant;
- Siri от Apple;
- Alexa от Amazon.
Эти программные агенты молниеносно выполняют за нас множество заданий: устанавливают на смартфоне будильник и напоминания, вызывают такси, набирают номер нужного абонента, включают по запросу музыку и видео, управляют умным домом и т. д.
Каждый из них в значительной степени полагается на МО для распознавания голоса и способности понимать естественный язык, а также использует огромную информационную базу для ответов на запросы. Самая большая пользовательская база у продуктов, созданных Microsoft, Google, Apple и Amazon.
Важная особенность МО
Основное отличие от традиционного программирования в том, что разработчик не пишет строгий код для инструктирования системы, как (условно) отличить кошку от собаки. Он создает модель, которая учится различать этих животных благодаря обработке большого количества данных. В частности, на огромном количестве изображений собак и кошек.
Для решения каждой задачи создается модель, теоретически способная приблизиться к человеческому уровню решения данной задачи при правильных значениях параметров. В процессе обучения эта модель усваивает признаки, которые могут оказаться важными для решения конкретной задачи. Например, отличить апельсин от яблока.
После того как алгоритм машинного обучения много раз “видел”, как выглядит апельсин, он может сравнить его внешние признаки с изученными характеристиками, быстро его “узнать” и автоматически классифицировать (идентифицировать).
Что способствует популярности машинного обучения?
История развития МО началась еще в 50-х годах прошлого века. В 1959 году американский исследователь и изобретатель Артур Самуэль (Arthur Samuel) создал первую самообучающуюся компьютерную программу по игре в шашки. И впервые ввел термин “машинное обучение”.
В том же году Марвин Ли Мински (Marvin Lee Minsky), соучредитель лаборатории искусственного интеллекта Массачусетского Технологического Института, создал первую машину SNARC со случайно связанной нейросетью.
За шесть десятилетий Machine Learning получило массовое распространение. Так, в 2020 году эта технология искусственного интеллекта применялась практически в каждом программном продукте.
Благодаря ряду прорывных инноваций сейчас машинное обучение переживает “вторую молодость”. МО установило новые рекорды точности в двух самых крупных и важных направлениях:
- машинное зрение (Computer Vision, CV);
- обработка естественного языка (Natural Language Processing, NLP).
Успех стал возможным благодаря двум факторам:
- гигантскому количеству данных для обучения алгоритмов;
- доступности огромных мощностей для параллельных вычислений с помощью современных графических процессоров.
В целом системы МО находят применение во множестве отраслей, включая:
- распознавание лиц;
- обнаружение опухолей на рентгеновских снимках;
- возможность профилактического обслуживания инфраструктуры путем анализа данных IoT-датчиков (датчиков Интернета вещей, в частности это датчики температуры, влажности, освещенности и мн.др.).
И это далеко не исчерпывающий список.
Инструменты для совершенствования МО
Появились целые облачные кластеры для машинного обучения. Сегодня любой желающий может воспользоваться услугами технологических гигантов Microsoft, Google или Amazon для разработки собственных моделей.
Более того, эти компании разрабатывают и выпускают специализированное оборудование, которое предназначено для запуска и обучения моделей машинного обучения.
Так, Google создал специализированные тензорные процессоры (Google TPU), которые ускоряют процесс обучения алгоритмов. Компания предоставила пользователям бесплатный доступ к этим нейронным процессорам на своей облачной платформе.
Пример использования МО в сфере блокчейн-технологий
Актуальный пример использования машинного обучения — технология автономных экономических агентов (Autonomous Economic Agent, AEA). Это новый проект разработчика блокчейн-решений Fetch.ai (Великобритания).
AEA — это автономные системы, работающие на базе алгоритмов машинного обучения. Эти агенты действуют от имени своих владельцев в различных экономических активностях: ищут выгодные сделки на рынке криптовалют, бронируют номера в отелях и парковочные места, покупают билеты на концерты и т. д.
Как это работает?
- Стартовые навыки агента пользователь программирует самостоятельно. В дальнейшем AEA обращается к открытой библиотеке Gym от OpenAL (Open Audio Library).
- Обращаясь к OpenAI Gym (библиотеке Python, которая предоставляет API для разработки и сравнения RL-алгоритмов с огромным количество виртуальных сред и общим API) агент разрабатывает и сравнивает алгоритмы обучения с подкреплением, необходимые для выполнения последней задачи.
Благодаря такому подходу агенты развивают и изучают новые навыки через общение друг с другом. В P2P-среде лучше адаптируются к рыночным условиям.
Продукты Fetch.ai на основе технологии машинного обучения
Кроме AEA, в линейке продуктов блокчейн-стартапа Fetch.ai представлена экосистема микромобильности MOBIX, социальная сеть Resonate, а также децентрализованная биржа Metalex и кошелек Fetch Wallet.
У Fetch.ai есть своя нативная криптовалюта FET, которую можно купить на популярных биржах Binance, KuCoin и некоторых других площадках. Летом 2021 года Fetch.ai запустила торговую площадку невзаимозаменяемых токенов CoLearn Paint для создания и продажи объектов искусства, сгенерированных с помощью ИИ.
Платформа позволяет пользователям совместно создавать цифровые предметы коллекционирования (NFT) с использованием технологии машинного обучения.
Также Fetch.ai разработал криптосервис BotSwap. Он тоже работает на базе AEA и позволяет автоматизировать торговые стратегии на децентрализованных биржах (DEX) Uniswap или PancakeSwap. Компания выложила в открытый доступ демонстрационные руководства для нескольких вариантов использования AEA. Цель — демонстрация концепции AEA и возможностей взаимодействия нескольких агентов в разных сценариях.
Заключение
Чем большее количество людей используют достижения искусственного интеллекта, тем больше доверия он вызывает. Достижения машинного обучения уже стали неотъемлемой частью нашей жизни. Сегодня МО приобретает новые формы и постоянно развивается. Оно строится на концепции, что компьютеры могут учиться, т.е. могут делать то, на что не были запрограммированы изначально.
Алгоритмы машинного обучения не только прочно вошли в повседневность, но используются в бизнесе и экономике, позволяя получать надежные решения и эффективные результаты для создания лучшего будущего.Бизнесу добиться успешного будущего помогает качественный сайт с соответствующим доменом и надежным хостингом. Гарантию безопасности вам и вашим клиентам обеспечит регистрация торговой марки (ТМ) и приобретение SSL-сертификата. Эти и другие товары и услуги можно заказать на NIC.UA.