Що таке машинне навчання і де воно використовується

Комп'ютерні пристрої давно навчилися справлятися із завданнями, які раніше були під силу лише людям. Розумні машини керують космічними станціями, автомобілями, медичним обладнанням тощо. Вони включають освітлення, перекладають текст і можуть виконувати деякі творчі завдання.

Все це стало можливим завдяки здобуткам штучного інтелекту (ІІ). Він розуміє мовні команди, може вчитися, вміє реагувати на мовлення і робити багато інших дій.

Є різні технології ІІ. Одна з них – машинне навчання (МО). У цій статті ми поговоримо про особливості машинного навчання, а також про те, де і як воно використовується.

Image from Freepik

Підписатися нам Facebook, Telegram, Twitter або Instagramщоб не пропустити корисну інформацію!

У чому особливість машинного навчання? 

Штучний інтелект (англ. Artificial Intelligence) - це велика галузь комп'ютерних наук, яка зосереджена над створенням 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. Таким чином, системи можуть точніше прогнозувати результати на основі заданого набору вхідних даних.

Виходячи з цього, МО займається навчанням ІІ працювати самостійно та розширювати свої знання про світ, щоб точніше та якісніше виконувати покладені на нього функції. Завдання – змусити комп'ютери працювати без явного програмування.

Де вивчати МО?

Найпопулярніший курс основ машинного навчання для новачків – безкоштовна серія лекцій Стенфордського університету (Leland Stanford Junior University) від легендарного експерта в галузі ІІ та засновника Google Brain Ендрю Іна (Andrew Ng). Лекції є у ​​відкритому доступі на ютубі. Пройти сертифіковане навчання на платформі online.stanford.edu.  

Також програму навчання за спеціалізацією "Машинне навчання" можна пройти на освітній платформі Coursera. Тут навчають створювати інтелектуальні програми, навчають основ Machine Learning на чотирьох практичних курсах. Один із викладачів курсу – Емілі Фокс (Emily Fox), доцент та професор машинного навчання Amazon на статистичному факультеті Вашингтонського університету (University of Washington).

Безкоштовно записатися на найближчий курс з МО можна прямо сьогодні, 23.12.2022 р.

Як саме МО використовується у сучасних технологіях? 

Ми стикаємося з результатами роботи машинного навчання повсюдно:

• Google показує нам відповіді на пошукові запити;
• Netflix та інші стримінгові платформи рекомендують фільми та серіали згідно наших переваг;
• 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 та багато інших. ін.

Віртуальні помічники

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 безліч завдань: встановлюють на смартфоні будильник і нагадування, викликають таксі, набирають номер потрібного абонента, включають за запитом музику і відео, управляють розумним будинком і т.д. 

Кожен з них значною мірою покладається на МО для розпізнавання голосу та здатності розуміти природну мову, а також використовує величезну інформаційну базу для відповідей на запити. Найбільша база користувача у продуктів, створених Microsoft, Google, Apple і Amazon.

Важлива особливість МО

Основна відмінність від традиційного програмування полягає 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 завдяки обробці великої кількості даних. Зокрема, на величезній кількості зображень собак та кішок.

Для розв'язання кожного завдання створюється модель, що теоретично здатна наблизитися до людського рівня розв'язання цієї задачі при правильних значеннях параметрів. У процесі навчання ця модель засвоює ознаки, які можуть бути важливими для вирішення 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 "дізнатися" та автоматично класифікувати (ідентифікувати).

Що сприяє популярності машинного навчання?

Історія розвитку МО 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 проривних інновацій зараз машинне навчання переживає другу молодість. МО встановило нові рекорди точності у двох найбільших та важливих напрямках:

1. машинний зір (Computer Vision, CV);
2. обробка природної мови (Natural Language Processing, NLP).

Успіх став можливим завдяки двом факторам: 

• гігантській кількості даних для навчання алгоритмів;
• доступності великих потужностей для паралельних обчислень за допомогою сучасних графічних процесорів.

У цілому нині системи МО знаходять застосування у багатьох галузей, включаючи:

• розпізнавання осіб; 
• виявлення пухлин на рентгенівських знімках; 
• можливість профілактичного обслуговування інфраструктури шляхом аналізу даних IoT-датчиків (датчиків Інтернету речей, зокрема це датчики температури, вологості, освітленості та ін.).

І це далеко не вичерпний перелік.

Інструменти для вдосконалення МО

З'явилися цілі хмарні кластери для машинного навчання. Сьогодні будь-хто може скористатися послугами технологічних гігантів Microsoft, Google або Amazon для розробки власних моделей.

Більше того, 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 пришвидшують навчання алгоритмів. Компанія надала користувачам безкоштовний доступ до цих нейронних процесорів на своїй хмарній платформі. 

Приклад використання МО у сфері блокчейн-технологій

Актуальний приклад використання машинного навчання – технологія автономних економічних агентів (Autonomous Economic Agent, AEA). Це новий проект розробника блокчейн-рішень Fetch.ai (Велика Британія). 

AEA - це 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 паркувальні місця, 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).
• Звертаючись до OpenAI Gym (бібліотеці 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 останнього 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

Крім AEA, у лінійці продуктів блокчейн-стартапу Fetch.ai представлено екосистему мікромобільності MOBIX, соціальну мережу Resonate, а також децентралізовану біржу 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 ІІ.

Платформа дозволяє користувачам спільно створювати цифрові предмети колекціонування (NFT) з використанням технології машинного навчання.

Також Fetch.ai розробив криптосервіс BotSwap. Він також працює на базі AEA і дозволяє автоматизувати торгові стратегії на децентралізованих біржах (DEX) Uniswap або PancakeSwap. Компанія виклала у відкритий доступ демонстраційні посібники для кількох варіантів використання AEA. Мета — демонстрація концепції AEA 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 невід'ємною частиною нашого життя. Сьогодні МО 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 тільки 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 та надійним хостингом. Гарантію безпеки вам та вашим клієнтам забезпечить реєстрація торгової марки (ТМ) та придбання SSL-сертифікат. Ці та інші товари та послуги можна замовити на NIC.UA.