7 lépés a gépi tanuláshoz: Hogyan készüljünk fel az automatizált jövőre?

Kép: Sdecoret / Shutterstock

Az egyre inkább digitális gazdaság megköveteli az igazgatótanácsoktól és a vezetõktõl, hogy alaposan megértsék a gyorsan változó digitális környezetet. Természetesen a mesterséges intelligencia (AI) fontos érdekelt felek. Azoknak a szervezeteknek, amelyek fel akarnak készülni az automatizált jövőre, alaposan meg kell ismerniük az AI-t. Az AI azonban egy olyan átfogó kifejezés, amely több tudományágat fed le, mindegyik kissé eltérő módon érinti az üzletet.

A mesterséges intelligenciát három különféle területre lehet osztani:

  1. Robotika, amely a fizikai világgal foglalkozik és közvetlenül kölcsönhatásba léphet az emberekkel. A robotika különféle módon javíthatja munkánkat. Beleértve a Ford exoskeletonját vagy a Boston Dynamics segítő robotjait.
  2. Kognitív rendszerek, amelyek az emberi világgal foglalkoznak. A kognitív rendszer nagyszerű példája az AI részeként a chatbotok. A chatbotok nagyon kézzelfogható példa, ahol az emberek és a gépek együtt dolgoznak egy cél elérése érdekében. A chatbot egy kommunikációs felület, amely segít az egyéneknek és a szervezeteknek a beszélgetésben.
  3. Gépi tanulás, amely az információs világgal foglalkozik. A gépek adatokkal tanulnak, és a gépi tanulás célja az adatok értelmezése. A gépi tanulás statisztikai módszereket használ annak érdekében, hogy a gépek javulhassanak a gépekkel. A gépi tanulás részhalmaza a mély tanulás, amely lehetővé teszi a többrétegű ideghálókat.

A mesterséges intelligencia a robotika, a kognitív rendszerek és a gépi tanulás zökkenőmentes integrációjából áll.

1. ábra: Mesterséges intelligencia - adaptálva a Goel & Davies, 2019-ből

7 lépés a gépi tanuláshoz

Merüljünk egy kicsit mélyebben a következő domainek egyikébe: gépi tanulás. A gépi tanulás célja az adatok értelmezése. Ezért az adatok a kulcs a gépi tanulás felszabadításához. A gépi tanulásnak hét lépése van, és minden lépés az adatok körül forog:

2. ábra: 7 lépés a gépi tanuláshoz

1. Adatgyűjtés

A gépi tanuláshoz nagyon sok képzési adat szükséges (akár címkével, vagyis felügyelt tanulással, vagy nem címkével, vagyis felügyelet nélküli tanulást jelent). Az adatgyűjtés, vagy az adatok finomítása szintén az első lépés az új D2 + A2 modellben.

2. Az adatok előkészítése

A nyers adatok önmagukban nem nagyon hasznosak. Az adatokat elő kell készíteni, normalizálni kell, meg kell sokszorozni, a hibákat és torzításokat el kell távolítani. Az adatok megjelenítésével mintákat és külsõ értékeket lehet keresni annak megállapításához, hogy a helyes adatokat összegyûjtötték-e, vagy hiányoznak az adatok.

3. Modell kiválasztása

A harmadik lépés a megfelelő modell kiválasztása. Sok modell létezik, amelyek különféle célokra használhatók. A modell kiválasztásakor meg kell győződnie arról, hogy a modell megfelel-e az üzleti célnak. Ezenkívül tudnia kell, hogy mekkora előkészítést igényel a modell, mennyire pontos és mennyire skálázható. A bonyolultabb modell nem mindig jelenti a jobb modellt. Az általánosan használt gépi tanulási algoritmusok magukban foglalják a lineáris regressziót, a logisztikus regressziót, a döntési fákat, a K-átlagot, a főkomponens-elemzést (PCA), a támogatási vektorgépeket (SVM), a Naiv Bayes-t, a Random Forest és a neurális hálókat.

4. Képzés

A modell kiképzése a gépi tanulás nagy része. A cél az edzési adatok felhasználása és a modell előrejelzéseinek fokozatos javítása. A súlyok és torzítások frissítésének minden ciklusa egy edzési lépés. A felügyelt gépi tanulás során a modell címkézett mintaadatok alapján épül fel, míg a felügyelet nélküli gépi tanulás a nem címkézett adatokból von következtetéseket (az ismert vagy címkézett eredményekre való hivatkozás nélkül).

5. Értékelés

Képzés után jön a modell, kiértékelve a modellt. Ez magában foglalja a gépi tanulást egy nem használt vezérlő adatkészlettel való tesztelés céljából, hogy megtudja, hogyan teljesít. Ez valószínűleg reprezentatív a modell működésében a való világban, de ennek nem kell lennie. Minél nagyobb a változók száma a való világban, annál nagyobbnak kell lennie az edzés és a teszteredmények számára.

6. Paraméter hangolás

A modell értékelése után meg kell tesztelnie az eredetileg beállított paramétereket az AI javításához. Az edzési ciklusok számának növelése pontosabb eredményeket eredményezhet. Meg kell azonban határoznia, hogy mikor van egy modell elég jó, különben továbbra is a modellt csípteti be. Ez egy kísérleti folyamat.

7. Jóslás

Miután végigment az adatgyűjtés, az adatok előkészítése, a modell kiválasztása, a modell képzése és kiértékelése, valamint a paraméterek hangolása során, ideje válaszolni a kérdésekre előrejelzések felhasználásával. Ezek mindenféle előrejelzés lehetnek, a képfelismeréstől a szemantikáig és a prediktív elemzésig.

Végső gondolatok

A gépi tanulás lehetővé teszi a szoftver számára, hogy pontos legyen az eredmények előrejelzésekor. Az elkövetkező években sok, ha nem mindegyik üzleti folyamatot kibővíti. Mint ilyen, a gépi tanulás a holnap automatikus szervezésének szerves részévé válik. Az egyre gyorsabb hardvernek köszönhetően erősebb modelleket fogunk látni, amelyek jobb előrejelzéseket kínálnak.

Sajnos az elfogult modellek kihívása az elferdített adatok és az elfogult adatok miatt soha nem távol. Ezért annak érdekében, hogy a szervezetek valóban élvezhessék az AI-t, gondoskodniuk kell arról, hogy modelleik és adataik torzíthatatlanok, jól képzettek, kiértékeltek és megfelelően hangoltak legyenek. Csak akkor lesznek hasznosak a szervezetek a gépi tanulásból.

Ha sikerült megtartani a figyelmüket erre a pontra, hagyjon egy megjegyzést, amely leírja, hogy ez a történet miért változtatott neked, vagy feliratkozik a heti hírlevelemre, hogy többet szerezzen ebből a tartalomból:

Dr. Mark van Rijmenam az Datafloq alapítója, világszerte elismert nagyszabású adatátvitel, blockchain és AI, stratégia és 3 kezelési könyv szerzője: A Think Bigger, a Blockchain és a Holnap Szervezete. Legfrissebb könyvem ingyenes előnézete itt olvasható. Lépjen kapcsolatba velem a LinkedIn-en, vagy üdvözölje a Twitteren, megemlítve ezt a történetet.

Ha szeretne beszélni velem bármilyen tanácsadói munkáról vagy beszédi feladatról, vegye fel a kapcsolatot velem a https://vanrijmenam.nl címen.