Komputer tidak mengambil alih tetapi mereka semakin pintar setiap hari
Dalam istilah yang paling mudah, pembelajaran mesin (ML) adalah pengaturcaraan mesin (komputer) supaya dapat melakukan tugas yang diminta dengan menggunakan dan menganalisis data (maklumat) untuk melaksanakan tugas itu secara mandiri tanpa masukan tambahan khusus dari seorang pengembang manusia.
Pembelajaran Mesin 101
Istilah "pembelajaran mesin" dicipta di makmal IBM pada tahun 1959 oleh Arthur Samuel, perintis dalam kecerdasan buatan (AI) dan permainan komputer. Pembelajaran mesin, sebagai hasilnya, adalah cabang Kepintaran Buatan. Premis Samuel adalah untuk membalikkan model pengkomputeran masa terbalik dan berhenti memberi benda komputer untuk belajar.
Sebaliknya, dia mahu komputer mula memikirkan perkara-perkara dengan sendirinya, tanpa manusia yang perlu memasukkan sekeping maklumat yang paling kecil. Kemudian, dia berfikir, komputer tidak akan hanya menjalankan tugas tetapi akhirnya dapat menentukan tugas-tugas yang hendak dilakukan dan kapan. Mengapa? Sehingga komputer dapat mengurangkan jumlah kerja manusia yang diperlukan untuk melakukan di mana-mana bidang tertentu.
Bagaimana Pembelajaran Mesin berfungsi
Pembelajaran mesin berfungsi melalui penggunaan algoritma dan data. Algoritma adalah satu set arahan atau garis panduan yang memberitahu komputer atau program bagaimana melaksanakan tugas. Algoritma yang digunakan dalam ML mengumpulkan data, mengiktiraf corak, dan menggunakan analisis data tersebut untuk menyesuaikan program dan fungsi mereka sendiri untuk menyelesaikan tugas.
Algoritma ML menggunakan set peraturan, pokok keputusan, model grafik, pemprosesan bahasa semula jadi, dan rangkaian saraf (untuk menamakan beberapa) untuk mengautomasikan data pemprosesan untuk membuat keputusan dan melaksanakan tugas. Walaupun ML boleh menjadi topik yang rumit, Mesin Bergerak Google menyediakan demonstrasi tangan ringkas mengenai bagaimana ML berfungsi.
Bentuk pembelajaran mesin yang paling kuat yang digunakan hari ini, dipanggil pembelajaran mendalam , membina struktur matematik yang kompleks yang dipanggil rangkaian saraf, berdasarkan jumlah data yang banyak. Rangkaian saraf adalah set algoritma dalam ML dan AI dimodelkan selepas sel saraf cara dalam otak manusia dan maklumat proses sistem saraf.
Kecerdasan Buatan vs Pembelajaran Mesin vs Perlombongan Data
Untuk memahami hubungan antara AI, ML, dan data perlombongan, anda boleh memikirkan satu set payung berukuran yang berbeza. AI adalah payung terbesar. Payung ML adalah saiz yang lebih kecil dan sesuai di bawah payung AI. Payung perlombongan data adalah yang paling kecil dan sesuai di bawah payung ML.
- AI adalah cawangan sains komputer yang bertujuan untuk memprogram komputer untuk melaksanakan tugas-tugas dengan lebih banyak cara "pintar" dan "manusia seperti", menggunakan teknik penalaran dan membuat keputusan yang dimodelkan selepas kecerdasan manusia.
- ML adalah kategori pengkomputeran dalam AI yang memberi tumpuan kepada mesin pengaturcaraan (komputer) untuk belajar (mengumpul data atau contoh yang diperlukan) untuk membuat keputusan yang pintar, keputusan pintar dengan cara yang lebih automatik.
- Perlombongan data menggunakan statistik, ML, AI, dan maklumat pangkalan data yang besar untuk mencari corak, memberi pandangan, membuat klasifikasi, mengenal pasti masalah, dan menyampaikan analisis data terperinci.
Apa Pembelajaran Mesin Boleh Dilakukan (dan Sudahkah)
Keupayaan komputer untuk menganalisis sejumlah besar maklumat dalam pecahan yang kedua membuat ML berguna dalam beberapa industri di mana masa dan ketepatan adalah penting.
- Perubatan: Teknologi ML sedang dilaksanakan dalam pelbagai penyelesaian untuk bidang perubatan, termasuk membantu doktor jabatan kecemasan dengan diagnosis yang lebih cepat pesakit dengan gejala yang luar biasa. Pakar-pakar boleh memasukkan senarai simptom pesakit ke dalam program dan menggunakan ML, program ini boleh mengesan trilion terabyte maklumat dari kesusasteraan perubatan dan internet untuk mengembalikan senarai diagnosis yang berpotensi dan mengesyorkan ujian atau rawatan dalam masa rekod.
- Pendidikan: ML digunakan untuk membuat alat pendidikan yang menyesuaikan diri dengan keperluan pembelajaran pelajar, seperti pembantu pembelajaran maya dan buku teks elektronik yang lebih interaktif. Alat ini menggunakan ML untuk mengetahui konsep dan kemahiran yang difahami oleh pelajar menggunakan kuiz pendek dan latihan praktik. Alat kemudian menyediakan video pendek, contoh tambahan, dan bahan latar untuk membantu pelajar mempelajari kemahiran atau konsep yang diperlukan.
- Automotif: ML juga merupakan komponen utama dalam bidang kereta memandu sendiri yang muncul (juga dikenali sebagai kereta kurang pemandu atau kereta autonomi). Perisian yang mengendalikan kereta memandu sendiri menggunakan ML semasa ujian jalan dan simulasi jalan hidup sebenar untuk mengesan keadaan jalan raya (seperti jalan berais) atau mengenal pasti halangan di jalan raya dan mempelajari tugas memandu yang sewajarnya untuk menavigasi situasi seperti ini.
Anda mungkin telah mengalami ML banyak kali tanpa menyedarinya. Sebahagian daripada penggunaan teknologi ML yang lebih umum termasuk pengiktirafan ucapan praktikal ( Bixby Samsung, Siri Apple, dan banyak program bicara kepada teks yang kini menjadi standard pada PC), penapisan spam untuk e-mel anda, membina suapan berita, mengesan penipuan, memperibadikan cadangan membeli-belah, dan memberikan hasil carian web yang lebih berkesan.
ML juga terlibat dalam suapan Facebook anda. Apabila anda suka atau klik pada catatan rakan dengan kerap, algoritma dan ML di belakang tabir "belajar" dari tindakan anda dari semasa ke semasa untuk mengutamakan rakan atau halaman tertentu dalam Newsfeed anda.
Apa Pembelajaran Mesin Tidak Bolehkah
Walau bagaimanapun, terdapat had yang boleh dilakukan oleh ML. Sebagai contoh, penggunaan teknologi ML dalam industri yang berbeza memerlukan sejumlah besar pembangunan dan pengaturcaraan oleh manusia untuk mengkhususkan program atau sistem untuk jenis tugas yang diperlukan oleh industri itu. Sebagai contoh, dalam contoh perubatan kami di atas, program ML yang digunakan dalam jabatan kecemasan telah dibangunkan khusus untuk ubat manusia. Pada masa ini tidak mungkin untuk mengambil program yang tepat dan terus melaksanakannya di pusat kecemasan veterinar. Peralihan sedemikian memerlukan pengkhususan dan pembangunan yang luas oleh pengaturcara manusia untuk membuat versi yang mampu melakukan tugas ini untuk ubat veterinar atau haiwan.
Ia juga memerlukan sejumlah besar data dan contoh untuk "mempelajari" maklumat yang diperlukan untuk membuat keputusan dan melaksanakan tugas. Program ML juga sangat literal dalam tafsiran data dan perjuangan dengan simbolisme dan juga beberapa jenis hubungan dalam hasil data, seperti sebab dan akibat.
Walau bagaimanapun, kemajuan yang berterusan menjadikan ML lebih daripada satu teknologi teras yang mencipta komputer pintar setiap hari.