Czy maszyny potrafią uczyć się same? A jeżeli tak, to czy mogą w niektórych procesach całkowicie zastąpić ludzi? Wizja przyszłości kreślona w filmach science-fiction jest znacznie bliżej, niż nam się wydaje – ze sztuczną inteligencją, w tym z Machine Learning, stykamy się tak naprawdę każdego dnia, korzystając chociażby z popularnych aplikacji mobilnych czy przeglądając strony internetowe.
Gwałtowny rozwój technologiczny w ostatnich latach sprawił, że zaczęliśmy generować ogromne ilości danych – właśnie za sprawą naszych smartfonów, tabletów czy komputerów. Te dane same w sobie nic by nie znaczyły, gdyby nie były odpowiednio przetwarzane i analizowane. Ilość danych, z jakimi mamy obecnie do czynienia, znacząco przekracza możliwości ludzkiego mózgu w tym zakresie. Już w 2020 roku mówiło się o około 44 bilionach gigabajtów danych wytwarzanych przez nas na całym świecie, a prognozuje się, że w 2025 roku liczba ta może sięgnąć nawet 175 bilionów gigabajtów! I tu cały na biało wchodzi Machine Learning.
Czym jest Machine Learning?
Machine Learning to pojęcie, które oznacza uczenie maszynowe, a jego pierwsze algorytmy opracowane zostały w latach 50. przez Arthura Samuela. Przedstawił on następującą definicję: Uczenie maszynowe daje komputerom możliwość „uczenia się” bez bycia konkretnie zaprogramowanym do danego zadania. Jest to więc metoda analizy danych, bazująca na technikach sztucznej inteligencji, w ramach której dostarczamy programowi zdolności do automatycznego uczenia się i samodoskonalenia na podstawie danych tworzących modele analityczne. Oznacza to, że program zapamiętuje dostarczone mu dane i schematy, a następnie na ich podstawie nabywa umiejętności do samodzielnego analizowania i reagowania na nowe dane już bez dodatkowej ingerencji człowieka.
Aby w pełni zrozumieć to zagadnienie, warto dodać, że sztuczna inteligencja (AI) jest techniką umożliwiającą komputerom naśladowanie ludzkiej inteligencji. To pojęcie znaczeniowo szersze niż uczenie maszynowe, które z kolei wykorzystuje w swoim obrębie różne techniki (np. Deep Learning – uczenie głębokie) i algorytmy (np. sieci neuronowe). ML jest więc jedną z podkategorii AI.
Jak działa Machine Learning?
Podstawą uczenia maszynowego jest eksploracja danych. Komputer gromadzi ich ogromne ilości, które następnie wykorzystuje do analizowania i prognozowania przyszłych zdarzeń oraz wypracowania reguł rozwiązujących dany problem. To właśnie na podstawie tych danych komputer „się uczy”. Zatem im większy jest zbiór przetwarzanych danych, tym bardziej precyzyjną analizę i dokładniejsze odpowiedzi można uzyskać.
Oprócz danych potrzebne jest również oprogramowanie, algorytmy analityczne oraz środowisko wdrożeniowe, którym zazwyczaj jest serwer z odpowiednią mocą obliczeniową. Zastosowane algorytmy będą różnić się w zależności od zadania do wykonania, a także wymaganej mocy obliczeniowej.
Proces Machine Learning składa się z kilku etapów. Po wprowadzeniu danych do komputera są one przetwarzane i porządkowane. Następnie zostaje zastosowany algorytm, którego program się uczy i wykorzystuje do zbudowania, a później wytrenowania modelu analitycznego. W kolejnym etapie następuje testowanie modelu i jego ewentualne poprawki, a na końcu wdrożenie i korzystanie z wdrożonego modelu.
Najczęściej spotykanymi rodzajami uczenia się sklasyfikowanymi w procesach Machine Learning są:
- uczenie nadzorowane, gdzie algorytmy uczą się na podstawie opatrzonych etykietami przykładów (np. rozpoznawanie twarzy lub gdy do programu dostarczane są wyniki badań USG piersi z informacją o tym, które z nich mogą świadczyć o nowotworze, a które o tym, że pacjentka jest zdrowa)
- uczenie nienadzorowane, gdzie algorytm sam musi rozszyfrować, co zostało mu dostarczone i znaleźć zależności pomiędzy danymi (np. tworzenie rekomendacji w serwisach streamingowych lub segmentacja klientów podczas kampanii marketingowych)
- uczenie przez wzmocnienie, gdzie za każde poprawnie wykonane zadanie przewidziana jest nagroda (z nim w ML mamy do czynienia rzadziej, wykorzystywane jest np. w robotyce, grach lub nawigacji).
Zastosowanie Machine Learning
Uczenie maszynowe posiada szereg zalet, dzięki którym w niektórych procesach ma szansę sprawdzić się znacznie lepiej niż człowiek – pozwala na optymalizację procesów, podnosi ich wydajność oraz efektywność, przyczynia się do redukowania kosztów dzięki temu, że maszyny mogą procować przez całą dobę. Dodatkowo wiele rozwiązań technologicznych, z których korzystamy na co dzień, byłoby wręcz niemożliwych, gdyby nie Machine Learning, ponieważ umysł ludzki nie jest w stanie przetworzyć tak dużej ilości danych w tak krótkim czasie.
W jaki sposób uczenie maszynowe wykorzystywane jest we współczesnym świecie? Przykładów jest mnóstwo, choć pewnie nie ze wszystkich zdajesz sobie sprawę. Wśród branż, w których Machine Learning znajduje swoje zastosowanie, można wymienić:
- usługi finansowe (uczenie maszynowe wykorzystywane jest przez banki i inne instytucje finansowe do identyfikowania ważnych informacji o klientach, zapobiegania oszustwom i wyłudzeniom oraz w systemach obsługi kart kredytowych)
- administracja publiczna (stosują je m.in. organy bezpieczeństwa oraz przedsiębiorstwa komunalne, np. do analizy danych z czujników czy w celu wykrywania nadużyć i ograniczania przypadków kradzieży tożsamości)
- ochrona zdrowia (Machine Learning umożliwia rozwój telemedycyny, a także powszechny dostęp do urządzeń pozwalających na diagnozę stanu zdrowia pacjenta w czasie rzeczywistym – technologia ta może przyczynić się do poprawy diagnostyki i skuteczności leczenia)
- przemysł wydobywczy (uczenie maszynowe ma tutaj szerokie zastosowanie: od poszukiwania nowych źródeł energii, poprzez analizę mineralną gruntu, aż po przewidywania awarii czujników w rafinerii)
- sprzedaż i marketing (dzięki analizowaniu m.in. historii zakupów klientów w sklepie internetowym otrzymujesz rekomendacje konkretnych produktów i usług, które mogłyby Cię zainteresować; ML wykorzystywane jest także przy prowadzeniu kampanii marketingowych, dzięki czemu widzisz personalizowane reklamy Google na stronach internetowych lub podpowiedzi profili do obserwowania w mediach społecznościowych)
- transport (analiza danych, a także aspekty związane z modelowaniem w uczeniu maszynowym to istotne narzędzia dla firm kurierskich, sektora transportu publicznego czy innych firm transportowych).
Machine Learning jest kluczową technologią także dla różnego rodzaju aplikacji mobilnych, których działanie opiera się na rozpoznaniu obrazu – np. popularna aplikacja do rozpoznawania rodzaju roślin i podpowiadania sposobu pielęgnacji albo aplikacja znajdująca wolne miejsca parkingowe i weryfikująca, czy Twój samochód zmieści się na danym miejscu.
Dopasowane do Twoich upodobań rekomendacje muzyczne i filmowe na Spotify i Netflix, autokorekta w słowniku na smartfonie, tłumaczenie stron WWW, asystent głosowy (Siri, Alexa lub Asystent Google) czy filtrowanie spamu w skrzynce e-mailowej to jedne z wielu przykładów na wykorzystanie Machine Learning, z którymi spotykasz się w codziennym życiu.
Choć wizja technologii przyszłości realizuje się tak naprawdę właśnie teraz, to nie jest ona jeszcze na tyle zaawansowana, aby już wkrótce roboty mogły całkowicie zastąpić ludzi. Wciąż do zaprogramowania maszyn niezbędny jest człowiek. Stosowanie Machine Learning daje jednak duży wachlarz możliwości do tworzenia nowych technologicznych rozwiązań oraz usprawniania wielu dotychczasowych procesów we współczesnym świecie.
Źródła:
https://www.sas.com/pl_pl/insights/analytics/machine-learning.html
https://learn.microsoft.com/pl-pl/azure/machine-learning/concept-deep-learning-vs-machine-learning
https://www.telepolis.pl/wiadomosci/prawo-finanse-statystyki/komisja-europejska-akt-w-sprawie-danych
https://przemyslprzyszlosci.gov.pl/wielki-wybuch-danych/ https://newdatalabs.com/sztuczna-inteligencja-i-machine-learning/
