Η συντριπτική πλειοψηφία των καινοτόμων εφαρμογών της Τεχνητής Νοημοσύνης( AI ) που ακούτε αφορά ουσιαστικά μια κατηγορία αλγορίθμων γνωστών ως Μηχανική Μάθηση(machine learning).
Οι αλγόριθμοι μηχανικής μάθησης χρησιμοποιούν στατιστικά στοιχεία για την εύρεση σχεδίων ή μοτίβων σε μαζικά ποσά δεδομένων. Και τα δεδομένα, εδώ, περιλαμβάνουν πολλά πράγματα-αριθμούς, λέξεις, εικόνες, αριθμό από κλικ επιλογών, γενικά ότι μπορεί να έχετε στην διάθεσή σας. Εάν αυτό μπορεί να αποθηκευτεί ψηφιακά, τότε μπορεί να τροφοδοτηθεί σε έναν αλγόριθμο μηχανικής εκμάθησης.
Η μηχανική μάθηση είναι η διαδικασία που εξουσιοδοτεί πολλές από τις υπηρεσίες που χρησιμοποιούμε σήμερα - συστήματα συστάσεων όπως αυτά του Netflix, του YouTube και του Spotify. μηχανές αναζήτησης όπως το Google και το Baidu. τα τροφοδοτικά κοινωνικών μέσων όπως το Facebook και το Twitter. βοηθοί φωνής όπως ο Siri και η Alexa, και η λίστα συνεχίζεται.
Σε όλες αυτές τις περιπτώσεις, κάθε πλατφόρμα συλλέγει όσο το δυνατόν περισσότερα στοιχεία για εσάς - ποια είδη θέλετε να παρακολουθείτε, ποιες συνδέσεις κάνετε κλικ, σε ποιες καταστάσεις αντιδράτε και πώς μπορείτε να χρησιμοποιήσετε τη μηχανική μάθηση για να φτιάξετε μια πολύ εμπεριστατωμένη εικασία για το τι εσείς μπορεί να θελήσετε στο επόμενο βήμα της εργασίας σας.
Πρόσφατα αναρτήσαμε σχετικά με την προώθηση της μηχανικής μάθησης και γενικά της Τεχνητής Νοημοσύνης στην υπηρεσία ανάπτυξης λογισμικού και ιδίως της Java από την πλατφόρμα Bayou .
Η διαδικασία είναι πολύ βασική και ακολουθεί το moto: βρείτε το μοτίβο, εφαρμόστε το μοτίβο. Αλλά λίγο πολύ αυτό είναι που επιζητούμε και τρέχει αυτή την στιγμή στον κόσμο της τεχνητής νοημοσύνης. Μεγάλο μέρος αυτού το οφείλουμε σε μια εφεύρεση του 1986, "ευγενική προσφορά" του Geoffrey Hinton, γνωστού σήμερα ως ο πατέρας της deep-learning ή βαθιάς μάθησης.
Η βαθιά μάθηση είναι η εκμάθηση μηχανών στα στερεότυπα: χρησιμοποιεί μια τεχνική που δίνει στις μηχανές μια ενισχυμένη ικανότητα να βρίσκουν-και να ενισχύουν-ακόμη και τα μικρότερα σχέδια ή μοτίβα. Αυτή η τεχνική ονομάζεται βαθύ νευρωνικό δίκτυο-βαθιά επειδή έχει πολλά, πολλά στρώματα απλών υπολογιστικών κόμβων που δουλεύουν μαζί για να δουλέψουν μέσω δεδομένων και να δώσουν ένα τελικό αποτέλεσμα με τη μορφή της πρόβλεψης.
Τα νευρικά δίκτυα ήταν αόριστα εμπνευσμένα από τις εσωτερικές λειτουργίες του ανθρώπινου εγκεφάλου. Οι κόμβοι είναι σαν τους νευρώνες, και το δίκτυο μοιάζει με τον ίδιο τον εγκέφαλο.
Αλλά ο Hinton δημοσίευσε τη πρωτοποριακή του έρευνα σε μια εποχή που τα νευρικά δίχτυα είχαν πέσει έξω από τη μόδα. Κανείς δεν ήξερε πραγματικά πώς να τα εκπαιδεύσει, έτσι δεν είχαν καλά αποτελέσματα. Χρειάστηκαν σχεδόν 30 χρόνια για να επιστρέψει η τεχνική και να αποτελέσει μέρος της καθημερινότητας μας,με τεράστια άνοδος του όρου "βαθιά μάθηση" στην έρευνα, όπως δείχνει και το παρακάτω διάγραμμα.
Ένα τελευταίο πράγμα που πρέπει να ξέρετε: η μηχανική (και βαθιά) μάθηση αποτελείτε από τρεις κλάδους: Εποπτευόμενη, χωρίς Επιτήρηση και Ενίσχυση.
Στην εποπτευόμενη μάθηση, η πιο διαδεδομένη, τα δεδομένα φέρουν την ένδειξη για να ενημερώσουν το μηχάνημα σε ποια μοτίβα θα πρέπει να αναζητήσουν. Σκεφτείτε το ως κάτι σαν ένα σκύλο που θα κυνηγάει τους στόχους του μόλις θα ξέρει ποια μυρωδιά θα ακολουθήσει. Αυτό το κάνετε όταν πιέσετε το κουμπί επιλογής σε μια εκπομπή του Netflix. Ουσιαστικά λέτε στον αλγόριθμο να βρει παρόμοιες εκπομπές.
Σε μη επιτηρούμενη μάθηση, τα δεδομένα δεν έχουν ετικέτες. Το μηχάνημα αναζητά μόνο τα μοτίβα που μπορεί να βρει. Αυτό είναι σαν να αφήνετε ένα λαγωνικό να μυρίζει τόνους διαφορετικών αντικειμένων και να τα ταξινομεί σε ομάδες με παρόμοιες μυρωδιές. Οι μη επιτηρούμενες τεχνικές δεν είναι τόσο δημοφιλείς, διότι έχουν λιγότερο εμφανείς εφαρμογές. Είναι ενδιαφέρον όμως ότι έχουν κερδίσει έδαφος στα συστήματα ασφάλειας και προστασίας στον κυβερνοχώρο.
Τέλος, έχουμε την ενίσχυση της μάθησης, τα τελευταία σύνορα της μηχανικής μάθησης. Ένας αλγόριθμος ενίσχυσης ενισχύει με δοκιμασία και λάθος την επίτευξη ενός σαφούς στόχου. Δοκιμάζει πολλά διαφορετικά πράγματα και "επιβραβεύεται" ή "τιμωρείται" ανάλογα με το αν οι συμπεριφορές της βοηθούν ή εμποδίζουν την επίτευξη του στόχου της. Η ενίσχυση της μάθησης είναι η βάση του AlphaGo της Google, το πρόγραμμα που κερδίζει τους καλύτερους ανθρώπους στο περίπλοκο επιτραπέζιο παιχνίδι Go.
Αυτό ήταν με απλά λόγια, ότι έχει να κάνει με το "Τι είναι η μηχανική μάθηση".
Οι αλγόριθμοι μηχανικής μάθησης χρησιμοποιούν στατιστικά στοιχεία για την εύρεση σχεδίων ή μοτίβων σε μαζικά ποσά δεδομένων. Και τα δεδομένα, εδώ, περιλαμβάνουν πολλά πράγματα-αριθμούς, λέξεις, εικόνες, αριθμό από κλικ επιλογών, γενικά ότι μπορεί να έχετε στην διάθεσή σας. Εάν αυτό μπορεί να αποθηκευτεί ψηφιακά, τότε μπορεί να τροφοδοτηθεί σε έναν αλγόριθμο μηχανικής εκμάθησης.
Η μηχανική μάθηση είναι η διαδικασία που εξουσιοδοτεί πολλές από τις υπηρεσίες που χρησιμοποιούμε σήμερα - συστήματα συστάσεων όπως αυτά του Netflix, του YouTube και του Spotify. μηχανές αναζήτησης όπως το Google και το Baidu. τα τροφοδοτικά κοινωνικών μέσων όπως το Facebook και το Twitter. βοηθοί φωνής όπως ο Siri και η Alexa, και η λίστα συνεχίζεται.
Σε όλες αυτές τις περιπτώσεις, κάθε πλατφόρμα συλλέγει όσο το δυνατόν περισσότερα στοιχεία για εσάς - ποια είδη θέλετε να παρακολουθείτε, ποιες συνδέσεις κάνετε κλικ, σε ποιες καταστάσεις αντιδράτε και πώς μπορείτε να χρησιμοποιήσετε τη μηχανική μάθηση για να φτιάξετε μια πολύ εμπεριστατωμένη εικασία για το τι εσείς μπορεί να θελήσετε στο επόμενο βήμα της εργασίας σας.
Πρόσφατα αναρτήσαμε σχετικά με την προώθηση της μηχανικής μάθησης και γενικά της Τεχνητής Νοημοσύνης στην υπηρεσία ανάπτυξης λογισμικού και ιδίως της Java από την πλατφόρμα Bayou .
Η διαδικασία είναι πολύ βασική και ακολουθεί το moto: βρείτε το μοτίβο, εφαρμόστε το μοτίβο. Αλλά λίγο πολύ αυτό είναι που επιζητούμε και τρέχει αυτή την στιγμή στον κόσμο της τεχνητής νοημοσύνης. Μεγάλο μέρος αυτού το οφείλουμε σε μια εφεύρεση του 1986, "ευγενική προσφορά" του Geoffrey Hinton, γνωστού σήμερα ως ο πατέρας της deep-learning ή βαθιάς μάθησης.
Διαβάστε ακόμα:Πλαίσια μηχανικής μάθησης ανοιχτού κώδικα
Τα νευρικά δίκτυα ήταν αόριστα εμπνευσμένα από τις εσωτερικές λειτουργίες του ανθρώπινου εγκεφάλου. Οι κόμβοι είναι σαν τους νευρώνες, και το δίκτυο μοιάζει με τον ίδιο τον εγκέφαλο.
Αλλά ο Hinton δημοσίευσε τη πρωτοποριακή του έρευνα σε μια εποχή που τα νευρικά δίχτυα είχαν πέσει έξω από τη μόδα. Κανείς δεν ήξερε πραγματικά πώς να τα εκπαιδεύσει, έτσι δεν είχαν καλά αποτελέσματα. Χρειάστηκαν σχεδόν 30 χρόνια για να επιστρέψει η τεχνική και να αποτελέσει μέρος της καθημερινότητας μας,με τεράστια άνοδος του όρου "βαθιά μάθηση" στην έρευνα, όπως δείχνει και το παρακάτω διάγραμμα.
 | ||
| Πηγή:MIT Technology Review |
Ένα τελευταίο πράγμα που πρέπει να ξέρετε: η μηχανική (και βαθιά) μάθηση αποτελείτε από τρεις κλάδους: Εποπτευόμενη, χωρίς Επιτήρηση και Ενίσχυση.
Στην εποπτευόμενη μάθηση, η πιο διαδεδομένη, τα δεδομένα φέρουν την ένδειξη για να ενημερώσουν το μηχάνημα σε ποια μοτίβα θα πρέπει να αναζητήσουν. Σκεφτείτε το ως κάτι σαν ένα σκύλο που θα κυνηγάει τους στόχους του μόλις θα ξέρει ποια μυρωδιά θα ακολουθήσει. Αυτό το κάνετε όταν πιέσετε το κουμπί επιλογής σε μια εκπομπή του Netflix. Ουσιαστικά λέτε στον αλγόριθμο να βρει παρόμοιες εκπομπές.
Σε μη επιτηρούμενη μάθηση, τα δεδομένα δεν έχουν ετικέτες. Το μηχάνημα αναζητά μόνο τα μοτίβα που μπορεί να βρει. Αυτό είναι σαν να αφήνετε ένα λαγωνικό να μυρίζει τόνους διαφορετικών αντικειμένων και να τα ταξινομεί σε ομάδες με παρόμοιες μυρωδιές. Οι μη επιτηρούμενες τεχνικές δεν είναι τόσο δημοφιλείς, διότι έχουν λιγότερο εμφανείς εφαρμογές. Είναι ενδιαφέρον όμως ότι έχουν κερδίσει έδαφος στα συστήματα ασφάλειας και προστασίας στον κυβερνοχώρο.
Τέλος, έχουμε την ενίσχυση της μάθησης, τα τελευταία σύνορα της μηχανικής μάθησης. Ένας αλγόριθμος ενίσχυσης ενισχύει με δοκιμασία και λάθος την επίτευξη ενός σαφούς στόχου. Δοκιμάζει πολλά διαφορετικά πράγματα και "επιβραβεύεται" ή "τιμωρείται" ανάλογα με το αν οι συμπεριφορές της βοηθούν ή εμποδίζουν την επίτευξη του στόχου της. Η ενίσχυση της μάθησης είναι η βάση του AlphaGo της Google, το πρόγραμμα που κερδίζει τους καλύτερους ανθρώπους στο περίπλοκο επιτραπέζιο παιχνίδι Go.
Αυτό ήταν με απλά λόγια, ότι έχει να κάνει με το "Τι είναι η μηχανική μάθηση".
Δημοσίευση σχολίου