Комп’ютерні пристрої давно навчилися справлятися із завданнями, які раніше були під силу тільки людям. Розумні машини керують космічними станціями, автомобілями, медичним обладнанням тощо. Вони включають освітлення, перекладають текст і можуть виконувати навіть деякі творчі завдання.
Усе це стало можливим завдяки здобуткам штучного інтелекту (ШІ). Він розуміє мовні команди, може вчитися, вміє реагувати на мовлення та робити багато інших дій.
Є різні технології ШІ. Одна з них — машинне навчання (МН). У цій статті ми поговоримо про особливості машинного навчання, а також про те, де і як воно використовується.
Image from Freepik
Передплатити нам Facebook, Telegram, Twitter або Instagram, щоб не пропустити корисну інформацію!
У чому особливість машинного навчання?
Штучний інтелект (англ. Artificial Intelligence) — це велика галузь комп’ютерних наук, яка зосереджена на створенні розумних машин, здатних виконувати інтелектуальні завдання.
Машинне навчання (англ. Machine Learning) — один із методів штучного інтелекту. Він вирішує завдання не прямим способом, а шляхом пошуку закономірностей у даних після навчання алгоритму на багатьох прикладах.
Комп’ютерні системи використовують алгоритми машинного навчання обробки великих обсягів статистичних даних і виявлення шаблонів даних. Завдяки цьому системи можуть точніше прогнозувати результати на основі заданого набору вхідних даних.
Виходячи з цього, МН займається навчанням ШІ працювати самостійно та розширювати свої знання про світ, щоб більш точно та якісно виконувати покладені на нього функції. Завдання — змусити комп’ютери працювати без програмування.
Де вивчати МН?
Найпопулярніший курс основ машинного навчання для новачків — безплатна серія лекцій Стенфордського університету (Leland Stanford Junior University) від легендарного експерта в галузі ШІ та засновника Google Brain Ендрю Ина (Andrew Ng). Лекції є у відкритому доступі на ютубі. Пройти сертифіковане навчання можна на платформі online.stanford.edu.
Опанувати спеціалізацію “Машинне навчання” можна на освітній платформі Coursera. Тут вчать створювати інтелектуальні програми, навчають основ Machine Learning на чотирьох практичних курсах. Один із викладачів курсу — Емілі Фокс (Emily Fox), доцент і професор машинного навчання Amazon на статистичному факультеті Вашингтонського університету (University of Washington).
Безплатно записатися на найближчий курс з МН на Coursera можна прямо сьогодні, 23.12.2022 р.
Як саме МН використовується в сучасних технологіях?
Ми стикаємося з результатами роботи машинного навчання повсякчас:
- Google показує нам відповіді на наші пошукові запити;
- Netflix та інші стримінгові платформи рекомендують фільми та серіали на підставі наших уподобань;
- Facebook та Instagram пропонують нам підписатися на акаунти людей, яких ми можемо знати;
- YouTube генерує субтитри для відео;
- Gmail розпізнає спам у вхідних листах електронної пошти тощо.
Віртуальні асистенти
Одним із найбільш яскравих прикладів використання машинного навчання у повсякденному житті є віртуальні помічники:
- Google Assistant;
- Siri від Apple;
- Alexa від Amazon.
Ці програмні агенти блискавично виконують за нас безліч завдань: встановлюють на смартфоні будильник і нагадування, викликають таксі, набирають номер потрібного абонента, включають за запитом музику та відео, управляють розумним будинком тощо.
Кожен з них значною мірою покладається на МН для розпізнавання голосу та здатності розуміти природну мову, а також використовує величезну інформаційну базу для відповідей на запити. Найбільша база користувача — у продуктів, створених техгігантами Microsoft, Google, Apple та Amazon.
Важлива особливість МН
Головна відмінність машинного навчання від традиційного програмування в тому, що розробник не пише строгий код для інструктування системи, як (умовно) відрізнити кішку від собаки. Він створює модель, яка вчиться розрізняти цих тварин (об’єкти) завдяки обробці великої кількості даних. Зокрема, величезної кількості зображень собак та кішок.
Для розв’язання кожної задачі створюється окрема модель, що теоретично здатна наблизитися до людського рівня розв’язання цієї задачі за правильних значень параметрів. У процесі навчання така модель засвоює ознаки, які можуть бути важливими для розв’язання конкретного завдання. Наприклад, відрізнити апельсин від яблука.
Після того, як алгоритм машинного навчання багато разів “бачив”, як виглядає апельсин, він може порівняти його зовнішні ознаки з вивченими характеристиками, швидко його “впізнати” й автоматично класифікувати (ідентифікувати).
Що сприяє популярності машинного навчання?
Історія розвитку МН розпочалася ще у 50-х роках минулого століття. У 1959 році американський дослідник і винахідник Артур Самуель (Arthur Samuel) створив першу комп’ютерну програму, що самонавчається, з гри в шашки. І вперше запровадив термін “машинне навчання”.
У тому ж році Марвін Лі Мінські (Marvin Lee Minsky), співзасновник лабораторії штучного інтелекту Массачусетського Технологічного Інституту, створив першу машину SNARC із випадково пов’язаною нейромережею.
За шість десятиліть Machine Learning набуло масового поширення. Так, у 2020 році ця технологія штучного інтелекту застосовувалася практично у кожному програмному продукті.
Завдяки низці революційних інновацій зараз машинне навчання переживає “другу молодість”. Воно встановило нові рекорди точності у двох найбільших та важливих напрямках:
- комп’ютерний зір (Computer Vision, CV);
- обробка природної мови (Natural Language Processing, NLP).
Успіх став можливим завдяки двом факторам:
- наявність гігантської кількості даних для навчання алгоритмів;
- доступність великих потужностей для паралельних обчислень за допомогою сучасних графічних процесорів.
У цілому системи МН знаходять застосування у багатьох галузях, включаючи:
- розпізнавання облич;
- виявлення пухлин на рентгенівських знімках;
- можливість профілактичного обслуговування інфраструктури шляхом аналізу даних IoT-датчиків (йдеться про датчики Інтернету речей: зокрема це датчики температури, вологості, освітленості та ін.).
І це далеко не вичерпний перелік.
Інструменти для вдосконалення МН
З’явилися цілі хмарні кластери для машинного навчання. Сьогодні будь-хто може скористатися послугами технологічних гігантів Microsoft, Google або Amazon для розробки власних моделей.
До того ж ці компанії розробляють та випускають спеціалізоване обладнання, яке призначене для запуску та навчання моделей машинного навчання.
Так, Google створив спеціалізовані тензорні процесори (Google TPU), які прискорюють процес навчання алгоритмів. Компанія надає користувачам безплатний доступ до цих нейронних процесорів на своїй хмарній платформі.
Приклад використання МН у сфері блокчейн-технологій
Актуальний приклад використання машинного навчання — технологія автономних економічних агентів (Autonomous Economic Agent, AEA). Це новий проєкт розробника блокчейн-рішень Fetch.ai (Велика Британія).
AEA — автономні системи, що працюють на базі алгоритмів машинного навчання. Ці агенти діють від імені своїх власників у різних економічних активностях: шукають вигідні угоди на ринку криптовалют, бронюють номери в готелях та місця для паркування, купують квитки на концерти тощо.
Як це працює?
- Стартові навички агента користувач програмує самостійно. Надалі AEA звертається до відкритої бібліотеки Gym від OpenAL (Open Audio Library).
- Скориставшись OpenAI Gym (бібліотека Python, яка надає API для розробки та порівняння RL алгоритмів з величезною кількістю віртуальних середовищ та загальним API), агент розробляє та порівнює алгоритми навчання з підкріпленням, необхідні для виконання завдання.
Завдяки такому підходу агенти розвивають та вивчають нові навички через спілкування один з одним. У P2P-середовищі краще адаптуються до ринкових умов.
Продукти Fetch.ai на основі технології машинного навчання
Окрім AEA, у лінійці продуктів блокчейн-стартапу Fetch.ai представлена екосистема мікромобільності MOBIX, соціальна мережа Resonate, а також децентралізована біржа Metalex та гаманець Fetch Wallet.
Fetch.ai має свою нативну криптовалюту FET, яку можна купити на популярних біржах Binance, KuCoin та деяких інших майданчиках. Влітку 2021 року Fetch.ai запустила торговий майданчик незамінних токенів CoLearn Paint для створення та продажу об’єктів мистецтва, згенерованих за допомогою ШІ.
Платформа дозволяє користувачам спільно створювати цифрові предмети колекціонування (NFT) з використанням технології машинного навчання.
Також Fetch.ai розробив криптосервіс BotSwap. Він теж працює на базі AEA і дозволяє автоматизувати торгові стратегії на децентралізованих біржах (DEX) Uniswap та PancakeSwap. Компанія виклала у відкритий доступ демонстраційні посібники для кількох варіантів використання AEA. Мета — демонстрація концепції Autonomous Economic Agent та можливостей взаємодії кількох агентів у різних сценаріях.
Висновок
Чим більше людей використовують досягнення штучного інтелекту, тим більше довіри він викликає. Досягнення машинного навчання стали невіддільною частиною нашого життя. Сьогодні МН набуває нових форм і постійно розвивається. Воно будується концепції, що комп’ютери можуть вчитися, тобто можуть робити те, що не були запрограмовані спочатку.
Алгоритми машинного навчання не лише міцно увійшли у повсякденність, але використовуються в бізнесі та економіці, дозволяючи отримувати надійні рішення та ефективні результати для створення кращого майбутнього.
Бізнесу досягти успішного майбутнього допомагає якісний сайт з відповідним доменом і надійним хостингом. Гарантію безпеки вам та вашим клієнтам забезпечить реєстрація торговельної марки (ТМ) та придбання SSL-сертифіката. Ці та інші товари та послуги можна замовити на NIC.UA.