Mitä koneoppiminen on, mistä siinä on kyse ja sen tavoitteet

Koneoppiminen on tekoälyn haara, joka jäljittelee ihmisen päättelyä asettamalla koneen sellaiseen asemaan, että se voi oppia käyttäytymisestä ja siten historiallisista tiedoista.

Ennen tämän artikkelin lukemista suosittelemme lukemaan Mikä on Data Science, mitä se tekee ja millä tavoitteilla

Koneoppimisalgoritmilla animoitu kone käytti ennen palvelukseen tuloaan oppimisvaiheen eli oppimisen, joka tunnetaan paremmin nimellä koulutus. Tässä vaiheessa kone tutkii saatavilla olevia historiallisia tietoja.

Ennen kuin käsittelemme koneoppimisen ansioita sekä klassisen ohjelmoinnin ja koneoppimisen eroja, katsotaanpa esimerkki, joka varmasti auttaa meitä ymmärtämään paremmin.

Esimerkki koneoppimisesta

Oletetaan, että välitämme jollekin ohjelmallemme tietoa matka-ajoista moottoritiellä parhaissa liikenneolosuhteissa, jotta voimme ohjata algoritmin, joka pystyy vastaamaan meihin kuin se olisi ääniavustaja.

Kullekin polulle välitämme seuraavat tiedot algoritmille:

1. lähtöpaikka ja saapumispaikka
2. käytetty kuljetusväline, iskutilavuus ja moottorityyppi (sähkö, hybridi, diesel jne.)
3. kokonaismatka-aika

Sitten puheavustajan kautta kerromme koneelle:

• Torinosta Milanoon 1000 moottorilla ja bensiiniautolla matkustimme 1 tunti ja 20 minuuttia
• Torinosta Milanoon 2000 moottoritilavuudella ja bensalla matkustimme 50 minuuttia
• Torinosta Milanoon 2000 moottorilla ja sähköautoilla matkustimme 40 minuuttia
• Matkustimme 1200 minuuttia Torinosta Milanoon 50 bensiinimoottoripyörällä
• … ja niin edelleen …

Koska olemme välittäneet tiedot ääniavustajan kautta, ohjelmamme syöttää tämän tyyppisen taulukon:

Lopulta, jos koneemme animoituisi koneoppimisalgoritmilla, se on oppinut annetuista tiedoista ja ennustaa siten tuloksen matka-ajan muodossa. Voimme siksi esittää kysymyksen ohjelmallemme: "Torinosta Milanoon 1000 autolla ja dieselillä... kuinka kauan kestää?"

Esimerkki on epätarkka, mutta melko realistinen. Mutta se auttaa tiivistämään koneoppimisen tarkoituksen.

Otetaan esimerkki esimerkistä, yritetään nähdä ero klassisen ohjelmoinnin ja koneoppimisen välillä.

Mitä tapahtuisi klassisessa ohjelmoinnissa

Perinteisesti klassista koodia kirjoittavan ohjelmoijan on:

1. ratkaise hänelle esitetty ongelma;
2. kirjoittaa "yksityiskohtainen" algoritmi ongelman ratkaisemiseksi;
3. kirjoita koodi, joka toteuttaa algoritmin;
4. testaa kirjoitettua koodia ja varmista, että se toimii oikein.

Sitten ihmisen älyä käytetään kirjoittamaan ohjelmakoodia, joka voi ratkaista ongelman.

Tässä tapauksessa ohjelmoijan on mietittävä järjestelmä vastaanotettujen tietojen tallentamiseksi ja jäsentämiseksi. Myöhemmin, kun sovelluksen operaattori, joka on kirjoitettu klassisella ohjelmoinnilla, kysyy kysymyksen, kone vastaa lähimmällä tunnetulla tiedolla, joka on enemmän samankaltainen kuin tallennettu.

Mitä koneoppimisessa tapahtuu

Koneoppimisessa se onkeinotekoinen äly Ohjelma pystyy tutkimaan historiallisia tietoja, luomaan mallin, jota sovelletaan ongelman ratkaisemiseen, ja lopuksi kone antaa mallin ohjelmoijan käyttöön.

Koneoppimisen animoimassa koneessa ohjelma oppii itse ennustamaan matka-aikoja, koska ennen huoltoon tuloa kone on käynyt oppimisvaiheen. Silloin kone on oppinut vastaamaan mallin sanelemaan ja tulkitsemaan logiikkaan perustuen järkevimmällä tiedolla, joka on lähinnä todellisuutta.

Koneoppimisessa mallista tulee prosessin sydän. Kun se on luotu ja koulutettu, se voidaan pitää saatavilla. Jokainen uusi kysely uusilla tiedoilla, jotka ovat samassa muodossa kuin koulutuksessa käytetyt, tuottaa uuden tuloksen.

Entä datatieteilijä?

Data Scientistin rooli muuttuu hieman, eli hänen on seurattava ohjelmaa mallin sukupolveen, koulutusvaiheen läpi. Tätä varten hän vastaa strategioiden valinnasta, tavoitteiden suunnittelusta, tietojen valmistelusta ja ennen kaikkea mallin testaamisesta sen tehokkuuden ja mahdollisten parannusmahdollisuuksien varmistamiseksi.

Tämä prosessi voidaan iteroida, toistaa useita kertoja tavoitteena lisätä parannettuja ja todellisia elementtejä jokaiseen iteraatioon. Tällä tavalla pääset lähemmäksi optimaalista ratkaisua myöhempiä vaiheita varten, parantamalla koulutusta, parantamalla koetta ja siten konetta.

Lopullisena tavoitteena on aina luoda malli, joka tuntee historialliset tiedot, ymmärtää sen logiikan ja mallit ja pystyy siten ennustamaan tulevien tilanteiden lopputuloksen.

Ercole Palmeri: Innovaatioriippuvainen