Ավտոմատացում. Տվյալների գիտության և մեքենայական ուսուցման ապագա:

Մեքենայական ուսուցումը եղել է հաշվողականության պատմության ամենամեծ առաջընթացներից մեկը և այժմ դիտվում է որպես կարող է կարևոր դեր խաղալ մեծ տվյալների և վերլուծությունների ոլորտում: Մեծ տվյալների վերլուծությունը ձեռնարկության տեսանկյունից հսկայական մարտահրավեր է: Օրինակ, այնպիսի գործողություններ, ինչպիսիք են տվյալների տարբեր ձևաչափերի մեծ քանակի ընկալումը, տվյալների պատրաստման վերլուծությունը և ավելորդ տվյալների զտումը կարող են ռեսուրսների ինտենսիվ լինել: Տվյալների գիտության մասնագետների հավաքագրումը թանկ առաջարկ է և ոչ թե միջոց յուրաքանչյուր ընկերության համար: Փորձագետները կարծում են, որ մեքենայական ուսուցումը կարող է ավտոմատացնել վերլուծության հետ կապված շատ առաջադրանքներ ՝ ինչպես սովորական, այնպես էլ բարդ: Ավտոմատացված մեքենայական ուսուցումը կարող է ազատել զգալի ռեսուրսներ, որոնք կարող են օգտագործվել ավելի բարդ և նորարարական աշխատանքի համար: Մեքենայական ուսուցումը, կարծես, անընդհատ շարժվում է այս ուղղությամբ:

Ավտոմատացում տեղեկատվական տեխնոլոգիաների համատեքստում

ՏՏ ոլորտում ավտոմատացումը տարբեր համակարգերի և ծրագրերի միացում է, ինչը նրանց հնարավորություն է տալիս կատարել հատուկ առաջադրանքներ ՝ առանց որևէ մարդու միջամտության: ՏՏ ոլորտում ավտոմատացված համակարգերը կարող են կատարել ինչպես պարզ, այնպես էլ բարդ աշխատանքներ: Պարզ աշխատանքի օրինակ կարող է լինել PDF- ների հետ ձևերի ինտեգրումը և փաստաթղթերը ճիշտ հասցեատիրոջը ուղարկելը, մինչդեռ կայքում պահուստավորումներ տրամադրելը կարող է լինել բարդ աշխատանքի օրինակ:

Ձեր աշխատանքը ճիշտ կատարելու համար անհրաժեշտ է ծրագրավորել կամ հստակ հրահանգներ տալ ավտոմատացված համակարգին: Ամեն անգամ, երբ անհրաժեշտ է ավտոմատացված համակարգ `իր աշխատանքի շրջանակը փոփոխելու համար, ծրագիրը կամ հրահանգների փաթեթը պետք է թարմացվի ինչ -որ մեկի կողմից: Չնայած ավտոմատացված համակարգը արդյունավետ է իր աշխատանքում, սխալները կարող են առաջանալ տարբեր պատճառներով: Երբ տեղի են ունենում սխալներ, անհրաժեշտ է արմատային պատճառը բացահայտել և ուղղել: Ակնհայտ է, որ իր աշխատանքը կատարելու համար ավտոմատացված համակարգը լիովին կախված է մարդկանցից: Որքան ավելի բարդ է աշխատանքի բնույթը, այնքան մեծ է սխալների և խնդիրների հավանականությունը:

ՏՏ արդյունաբերության ավտոմատացման սովորական օրինակը վեբ վրա հիմնված օգտագործողի միջերեսների փորձարկման ավտոմատացումն է: Փորձարկման դեպքերը մուտքագրվում են ավտոմատացման սցենարի մեջ և համապատասխանաբար փորձարկվում է օգտագործողի միջերեսը: (Մեքենայական ուսուցման գործնական կիրառման մասին ավելի մանրամասն տե՛ս մեքենայական ուսուցում և Hadoop հաջորդ սերնդի խարդախության բացահայտում):

Ավտոմատացման օգտին փաստարկն այն է, որ այն կատարում է սովորական և կրկնվող առաջադրանքներ և ազատում է աշխատակիցներին կատարել ավելի բարդ և ստեղծագործական առաջադրանքներ: Այնուամենայնիվ, նաև պնդվում է, որ ավտոմատացումը բացառել է մեծ թվով առաջադրանքներ կամ դերեր, որոնք նախկինում կատարել են մարդիկ: Այժմ, երբ մեքենայական ուսուցումը մտնում է տարբեր ոլորտներ, ավտոմատացումը կարող է նոր հարթություն հաղորդել:

Ավտոմատ մեքենայական ուսուցման ապագան:

Մեքենայական ուսուցման էությունը համակարգի ունակությունն է ՝ շարունակաբար սովորել տվյալներից և զարգանալ առանց մարդու միջամտության: Մեքենայական ուսուցումն ունակ է գործել մարդու ուղեղի պես: Օրինակ, էլեկտրոնային առևտրի կայքերում առաջարկվող շարժիչները կարող են գնահատել օգտագործողի յուրահատուկ նախասիրություններն ու ճաշակները և առաջարկություններ տալ ընտրության ամենահարմար ապրանքների և ծառայությունների վերաբերյալ: Հաշվի առնելով այս հնարավորությունը ՝ մեքենայական ուսուցումը իդեալական է համարվում մեծ տվյալների և վերլուծությունների հետ կապված բարդ առաջադրանքների ավտոմատացման համար: Այն հաղթահարել է ավանդական ավտոմատացված համակարգերի հիմնական սահմանափակումները, որոնք թույլ չեն տալիս կանոնավոր կերպով միջամտել մարդկանց: Կան բազմաթիվ դեպքերի ուսումնասիրություններ, որոնք ցույց են տալիս մեքենայական ուսուցման ունակությունը `կատարել տվյալների վերլուծության բարդ առաջադրանքներ, որոնք կքննարկվեն ավելի ուշ այս հոդվածում:

Ինչպես արդեն նշվեց, մեծ տվյալների վերլուծությունը դժվար առաջարկ է բիզնեսի համար, որը մասամբ կարող է փոխանցվել մեքենայական ուսուցման համակարգերին: Բիզնեսի տեսանկյունից դա կարող է բերել բազմաթիվ օգուտներ, ինչպիսիք են տվյալների գիտության ռեսուրսների ազատումն ավելի ստեղծագործական և առաքելության համար կարևոր առաջադրանքների համար, ավելի մեծ ծանրաբեռնվածություն, առաջադրանքների կատարման ավելի քիչ ժամանակ և ծախսարդյունավետություն:

Գործի ուսումնասիրությունը

2015 -ին MIT- ի հետազոտողները սկսեցին աշխատել տվյալների գիտության գործիքի վրա, որը կարող է կանխատեսելի տվյալների մոդելներ ստեղծել մեծ քանակությամբ հում տվյալների միջոցով ՝ օգտագործելով տեխնիկայի խորը սինթեզի ալգորիթմներ: Գիտնականները պնդում են, որ ալգորիթմը կարող է համատեղել մեքենայական ուսուցման լավագույն հատկությունները: Ըստ գիտնականների ՝ նրանք փորձարկել են այն երեք տարբեր տվյալների հավաքածուների վրա և ընդլայնում են փորձարկումը ՝ ներառելով ավելի շատ: Տվյալների գիտության և վերլուծության միջազգային գիտաժողովին ներկայացվելիք հոդվածում հետազոտողներ Jamesեյմս Մաքս Կանտերը և Կալյան Վեերամախանենին ասում են. «Օգտագործելով ավտոմատ կարգավորման գործընթացը ՝ մենք օպտիմալացնում ենք ամբողջ ճանապարհը ՝ առանց մարդու ներգրավման, ինչը թույլ է տալիս ընդհանրացնել տարբեր տվյալների հավաքածուներ»:

Եկեք նայենք առաջադրանքի բարդությանը. մոդելներ կարող են ստեղծվել: Ալգորիթմը օգտագործում է բարդ մաթեմատիկական գործառույթներ և հավանականության տեսություն, որը կոչվում է Գաուսյան կոպուլա: Հետևաբար, հեշտ է հասկանալ այն բարդության մակարդակը, որը կարող է լուծել ալգորիթմը: Այս տեխնիկան նաև մրցանակներ է նվաճել մրցույթներում:

Մեքենայական ուսուցումը կարող է փոխարինել տնային աշխատանքը

Ամբողջ աշխարհում քննարկվում է, որ մեքենայական ուսուցումը կարող է փոխարինել բազմաթիվ աշխատատեղերի, քանի որ այն առաջադրանքներ է կատարում մարդու ուղեղի արդյունավետությամբ: Իրականում կա որոշակի մտահոգություն, որ մեքենայական ուսուցումը կփոխարինի տվյալների գիտնականներին, և թվում է, որ նման մտահոգության հիմք կա:

Միջին օգտագործողի համար, ով չունի տվյալների վերլուծության հմտություններ, բայց ամենօրյա կյանքում ունի տարբեր աստիճանի վերլուծական կարիքներ, անհնար է օգտագործել համակարգիչներ, որոնք կարող են վերլուծել տվյալների հսկայական ծավալներ և ապահովել վերլուծական տվյալներ: Այնուամենայնիվ, բնական լեզվի մշակման (NLP) տեխնիկան կարող է հաղթահարել այս սահմանափակումը ՝ սովորեցնելով համակարգիչներին ընդունել և մշակել բնական մարդկային լեզուն: Այս կերպ, սովորական օգտագործողին պետք չեն բարդ վերլուծական գործառույթներ կամ հմտություններ:

IBM- ն կարծում է, որ տվյալների գիտնականների կարիքը կարող է նվազագույնի հասցվել կամ վերացվել իր արտադրանքի ՝ Watson Natural Language Analytics հարթակի միջոցով: Ըստ Watson- ի վերլուծական և գործարար հետախուզության փոխնախագահ Մարկ Ացխուլլերի, «Watson- ի նման ճանաչողական համակարգով դուք պարզապես տալիս եք ձեր հարցը. և եզրակացնել այն, ինչ դուք կարող եք իմանալ: »

Եզրակացություն

Ավտոմատացումը մեքենայական ուսուցման հաջորդ տրամաբանական քայլն է, և մենք արդեն զգում ենք դրա հետևանքները մեր առօրյա կյանքում ՝ էլեկտրոնային առևտրի կայքեր, Facebook ընկերների առաջարկներ, LinkedIn ցանցի առաջարկներ և Airbnb որոնման վարկանիշ: Հաշվի առնելով բերված օրինակները ՝ կասկած չկա, որ դա կարելի է վերագրել մեքենայական ուսուցման ավտոմատացված համակարգերի արտադրած արտադրանքի որակին: Չնայած իր բոլոր հատկություններին և առավելություններին ՝ մեքենայական ուսուցման գաղափարը, որն առաջացնում է հսկայական գործազրկություն, մի փոքր չափազանց արձագանք է թվում: Տասնամյակներ շարունակ մեքենաները փոխարինում են մարդկանց մեր կյանքի շատ մասերում, սակայն մարդիկ զարգացել և հարմարվել են արդյունաբերության մեջ համապատասխան մնալու համար: Ըստ տեսակետի, մեքենայական ուսուցումն իր բոլոր խափանումներով ընդամենը հերթական ալիքն է, որին մարդիկ կհարմարվեն:


Գրառման ժամանակը ՝ օգոստոսի 03-2021