För att lära sig en färdighet samlar vi kunskap, träna noggrant och övervaka vår prestation. Så småningom blir vi bättre vid den aktiviteten. Maskininlärning är en teknik som tillåter datorer att göra just det.
Kan datorer lära sig?
Att definiera intelligens är hård. Vi vet alla vad vi menar med intelligens när vi säger det, men beskriver det är problematiskt. Att lämna känslor och självmedvetenhet kan en arbetsbeskrivning vara förmågan att lära sig nya färdigheter och absorbera kunskap och att tillämpa dem på nya situationer för att uppnå det önskade resultatet.
Med tanke på svårigheten att definiera intelligens, kommer det inte lättare att definiera artificiell intelligens. Så vi lurar lite. Om en beräkningsanordning kan göra något som vanligtvis behöver mänsklig resonemang och intelligens, säger vi att det använder artificiell intelligens.
Till exempel, smarta högtalare som Amazon echo och Google Nest Kan höra våra talade instruktioner, tolka ljuden som ord, extrahera ordets mening och försök att uppfylla vår begäran. Vi kanske frågar det spela musik , svara på en fråga eller dimlamporna .
RELATERAD: De bästa skämt, spel och påskägg för Google Assistant
I alla utom de mest triviala interaktionerna vidarebefordras dina talade kommandon till kraftfulla datorer i tillverkarens moln, där den artificiella intelligens tunglyftande äger rum. Kommandot är analyserat, meningen extraheras, och svaret är beredd och skickat tillbaka till smarthögtalaren.
Maskininlärning grundar sig på majoriteten av de konstgjorda underrättelsessystemen som vi interagerar med. Några av dessa är föremål i ditt hem som smarta enheter, och andra är en del av de tjänster vi använder online. Videon rekommendationer På YouTube och Netflix och de automatiska spellistorerna på Spotify använder maskininlärning. Sökmotorer är beroende av maskininlärning, och online shopping använder maskininlärning för att erbjuda dig köpa förslag baserat på din surfnings- och köphistorik.
Datorer kan komma åt enorma dataset. De kan outtröttligt upprepa processer tusentals gånger inom det utrymme som det skulle ta en människa att utföra en iteration - om en människa skulle kunna lyckas göra det en gång. Så om lärandet kräver kunskap, övning och prestanda återkoppling, ska datorn vara den idealiska kandidaten.
Det är inte att säga att datorn kommer att kunna verkligen tror i den mänskliga känslan, eller för att förstå och uppfatta som vi gör. Men det kommer lära sig , och bli bättre med övning. Skickligt programmerad, kan ett maskinlärningssystem uppnå ett anständigt intryck av en medveten och medveten enhet.
Vi brukade fråga, "Kan datorer lära?" Som så småningom morphed i en mer praktisk fråga. Vilka är de tekniska utmaningar som vi måste övervinna för att tillåta datorer att lära sig?
Neurala nätverk och djupa neurala nätverk
Djurens hjärnor innehåller nätverk av neuroner. Neuroner kan brandsignaler över en synapse till andra neuroner. Dessa små action-replikerade miljoner gånger-ger upphov till våra tankeprocesser och minnen. Av många enkla byggstenar skapade naturen medvetna sinnen och förmågan att räkna och komma ihåg.
Inspirerad av biologiska neurala nätverk skapades konstgjorda neurala nätverk för att efterlikna några av egenskaperna hos sina organiska motsvarigheter. Sedan 1940-talet har maskinvaran och mjukvaran utvecklats som innehåller tusentals eller miljontals noder. Noderna, som neuroner, mottar signaler från andra noder. De kan också generera signaler för att mata in i andra noder. Noder kan acceptera ingångar från och skicka signaler till många noder på en gång.
Om ett djur drar slutsatsen att flygande gula och svarta insekter alltid ger det en otäck sting, kommer det att undvika alla flygande gul-och-svarta insekter. Hoverfly utnyttjar detta. Det är gult och svart som en varp, men det har ingen sting. Djur som har blivit trassle upp med vepsar och lärt sig en smärtsam lektion ger hoverfly en bred kaj också. De ser en flygande insekt med ett slående färgschema och bestämmer att det är dags att dra sig tillbaka. Det faktum att insekten kan sväva och vartor kan inte ens beaktas.
RELATERAD: Det här är vad som händer när Googles konstgjorda intelligens hjälper dig att skriva dikter
Betydelsen av de flygande, surrande och gula och svarta randen överstyrer allt annat. Betydelsen av dessa signaler kallas vikning av den informationen. Konstgjorda neurala nätverk kan också använda viktning. En nod behöver inte överväga alla sina ingångar lika. Det kan gynna vissa signaler över andra.
Maskininlärning använder statistik för att hitta mönster i dataseten som den är utbildad på. En dataset kan innehålla ord, siffror, bilder, användarinteraktioner som klick på en webbplats, eller något annat som kan fångas och lagras digitalt. Systemet behöver karakterisera de väsentliga elementen i frågan och sedan matcha de till mönstren som det har detekterat i datasetet.
Om det försöker identifiera en blomma, måste det känna till stammen, storleken och stilen på bladet, färgen och antalet kronblad, och så vidare. I verkligheten behöver det många fler fakta än de, men i vårt enkla exempel använder vi dem. När systemet välkänner dessa detaljer om testprovet startar det en beslutsprocess som producerar en match från dess dataset. Imponerande skapar maskinens inlärningssystem själva.
Ett maskinlärningssystem lär sig från sina misstag genom att uppdatera sina algoritmer för att korrigera brister i sin resonemang. De mest sofistikerade neurala nätverk är Djupa neurala nätverk . Konceptuellt består dessa av många neurala nätverk som lagras på toppen av en annan. Detta ger systemet möjlighet att upptäcka och använda även små mönster i sina beslutsprocesser.
Lager används vanligen för att ge viktning. Så kallade dolda lager kan fungera som "specialist" lager. De ger viktade signaler om en enda egenskap hos testämnet. Vårt blommedidentifieringsexempel kan kanske använda dolda lager dedikerade till formen av löv, storleken på knoppar eller stamen längder.
Olika typer av lärande
Det finns tre breda tekniker som används för att utbilda maskininlärningssystem: övervakat lärande, oövervakat lärande och förstärkning.
Övervakad lärande
Övervakat lärande är den vanligaste formen av lärande. Det är inte för att det är i sig överlägset andra tekniker. Det har mer att göra med lämpligheten av denna typ av lärande till dataseterna som används i de maskininlärningssystem som skrivs idag.
Vid övervakat lärande är data märkta och strukturerade så att de kriterier som används i beslutsprocessen definieras för maskinlärningssystemet. Det här är den typ av lärande som används i maskinlärningssystemen bakom YouTube-spellista.
Oövervakad inlärning
Oövervakad inlärning kräver inte databeredning. Data är inte märkt. Systemet skannar data, upptäcker sina egna mönster och härrör från sina egna utlösande kriterier.
Oövervakade inlärningstekniker har tillämpats på cybersäkerhet med höga framgångsrika. Intruderdetekteringssystem som förbättras av maskininlärning kan detektera en inkräktarens obehöriga nätverksaktivitet eftersom den inte matchar de tidigare observerade beteendemönstren hos behöriga användare.
RELATERAD: Hur AI, maskininlärning och slutpunktsäkerhet överlappar varandra
Förstärkningslärande
Förstärkningsläran är det nyaste av de tre teknikerna. Sätt helt enkelt, använder en förstärkningsinlärningsalgoritm försök och fel och feedback för att komma fram till en optimal beteendemodell för att uppnå ett givet mål.
Detta kräver feedback från människor som "poäng" systemets ansträngningar beroende på om dess beteende har en positiv eller negativ inverkan på att uppnå sitt mål.
Den praktiska sidan av AI
Eftersom det är så utbrett och har påvisbart framgångsrika framgångar - inklusive kommersiella framgångar-maskininlärning har kallats "den praktiska sidan av artificiell intelligens." Det är stort företag, och det finns många skalbara, kommersiella ramar som gör att du kan integrera maskininlärning i din egen utveckling eller produkter.
Om du inte har ett omedelbart behov av den typen av brandkraft, men du är intresserad av att peka runt ett maskinlärningssystem med ett vänligt programmeringsspråk som Python, det finns också utmärkta gratis resurser för det. Faktum är att dessa kommer att skala med dig om du utvecklar ett ytterligare intresse eller ett företagsbehov.
Fackla är en ram för öppen källkod som är känd för sin hastighet.
Scikit-learn Är en samling maskininlärningsverktyg, speciellt för användning med python.
Caffe är en djupinlärningsram, särskilt kompetent vid bearbetning av bilder.
Kej är en djupinlärningsram med ett Python-gränssnitt.
