Sisältö
- Automaatio tietotekniikan tilanteessa
- Onko automaatio koneoppimisen tulevaisuus?
- Ei vikoja, ei stressiä - vaiheittaiset ohjeet elämää muuttavien ohjelmistojen luomiseen tuhoamatta elämääsi
- Tapaustutkimus
- Koneoppiminen saattaa korvata työpaikat
- johtopäätös
Lähde: Krulua / Dreamstime.com
Ottaa mukaan:
Koneoppiminen on järjestelmän kyky muuttaa omaa ohjelmointia. Mutta milloin järjestelmä voi tehdä tämän, ovatko ihmiset edelleen välttämättömiä?
Koneoppiminen on ollut yksi suurimmista edistysaskeleista tietojenkäsittelyn historiassa, ja nyt sen uskotaan kykenevän ottamaan merkittävät roolit suurten tietojen ja analytiikan alalla. Big data -analyysi on valtava haaste yritysten näkökulmasta. Esimerkiksi sellaiset toiminnot, kuten monimuotoisten tietomuotojen valtavien määrien ymmärtäminen, tietojen valmistelu analytiikkaan ja tarpeettomien tietojen suodattaminen, voivat kuluttaa paljon resursseja. Tietotieteilijöiden ja asiantuntijoiden palkkaaminen on kallista ehdotusta, joka ei kuulu jokaisen yrityksen keinoihin. Asiantuntijat uskovat, että koneoppiminen pystyy automatisoimaan monia analytiikkaan liittyviä tehtäviä - sekä rutiininomaisia että monimutkaisia. Koneoppimisen automatisointi voi vapauttaa paljon resursseja, joita voidaan käyttää monimutkaisemmissa ja innovatiivisissa tehtävissä. Näyttää siltä, että koneoppiminen on ollut menossa siihen suuntaan. (Lisätietoja koneoppimisen käytöstä on kohdassa Koneoppimisen lupaukset ja sudenkuopat.)
Automaatio tietotekniikan tilanteessa
IT: n puitteissa automaatio on erilaisten järjestelmien ja ohjelmistojen yhdistämistä siten, että ne kykenevät tekemään erityisiä töitä ilman ihmisen väliintuloa. IT-teollisuudessa automatisoidut järjestelmät voivat suorittaa sekä yksinkertaisia että monimutkaisia töitä. Esimerkki yksinkertaisesta työstä voisi olla lomakkeen integrointi PDF-tiedostoon ja asiakirjan liittäminen oikeaan vastaanottajaan, kun taas ulkopuolisen varmuuskopion tarjoaminen voisi olla esimerkki monimutkaisesta työstä.
Suorittaakseen tehtävänsä automatisoitu järjestelmä on ohjelmoitava tai annettava nimenomaiset ohjeet. Aina kun automatisoitua järjestelmää vaaditaan muokkaamaan työtään, ihmisen on päivitettävä ohjelma tai ohjeet. Vaikka automatisoidut järjestelmät ovat tehokkaita työssään, virheitä voi tapahtua monista syistä. Kun virheitä tapahtuu, perussyy on tunnistettava ja korjattava. Automaattiset järjestelmät ovat luonnollisesti täysin riippuvaisia ihmisistä, jotta he voisivat tehdä työnsä. Mitä monimutkaisempi työn luonne on, sitä suurempi on virheiden ja ongelmien todennäköisyys.
Yleensä rutiinit ja toistettavat työt osoitetaan automatisoituihin järjestelmiin. Yleinen esimerkki IT-teollisuuden automatisoinnista on verkkopohjaisten käyttöliittymien testauksen automatisointi. Testitapaukset syötetään automaatioskripteihin ja käyttöliittymät testataan vastaavasti. (Lisätietoja koneoppimisen käytännön käytöstä, katso Koneoppiminen ja Hadoop seuraavan sukupolven petoksentunnistuksessa.)
Arviointi automatisoinnin puolesta on ollut se, että se suorittaa rutiininomaisia ja toistettavia tehtäviä ja vapauttaa työntekijät suorittamaan monimutkaisempia ja luovia tehtäviä. On kuitenkin myös väitetty, että automaatio on syrjäyttänyt paljon ihmisten aikaisemmin suorittamia töitä tai rooleja. Nyt, kun koneoppiminen on löytänyt tiensä eri aloille, automaatio voisi lisätä kokonaan uuden ulottuvuuden.
Onko automaatio koneoppimisen tulevaisuus?
Koneoppimisen ydin on järjestelmien kyky oppia jatkuvasti tiedoista ja kehittyä ilman ihmisten väliintuloa. Koneoppiminen kykenee käyttäytymään kuin ihmisen aivot. Esimerkiksi verkkokauppasivustossa oleva suositusmoottori voi arvioida käyttäjän yksilölliset mieltymykset ja maut ja tarjota suosituksia tuotteista ja palveluista, jotka sopivat parhaiten käyttäjän valintoihin. Tämän kyvyn vuoksi koneoppimista pidetään ihanteellisena suurten tietojen ja analytiikan monimutkaisten tehtävien automatisointiin. Se on jo ylittänyt perinteisten automaatiojärjestelmien päärajoituksen, jotka eivät voi toimia ilman säännöllistä ihmisen väliintuloa. On olemassa useita tapaustutkimuksia, jotka osoittavat, että koneoppiminen pystyy suorittamaan hienostuneet data-analyysitehtävät, kuten tämän artikkelin myöhemmässä vaiheessa keskustellaan.
Kuten jo todettiin, iso data-analyysi on haastava ehdotus yrityksille ja se voidaan delegoida osittain koneoppimisjärjestelmiin. Yrityksen kannalta tämä voi tuoda paljon etuja, kuten tietoteknisten resurssien vapauttaminen luovampiin ja kriittisiin tehtäviin, suurempi työn suorittamisen volyymi, vähemmän aikaa tehtävien suorittamiseen ja kustannustehokkuus.
Ei vikoja, ei stressiä - vaiheittaiset ohjeet elämää muuttavien ohjelmistojen luomiseen tuhoamatta elämääsi
Et voi parantaa ohjelmointitaitojasi, kun kukaan ei välitä ohjelmiston laadusta.
Tapaustutkimus
Vuonna 2015 MIT-tutkijat aloittivat tietoteknisen työkalun, joka pystyy luomaan ennustavia datamalleja valtavista raakadattamääristä käyttämällä Deep Feature Synthesis -algoritmia. Algoritmi, tutkijoiden mukaan, voi yhdistää koneoppimisen parhaat ominaisuudet. Tutkijoiden mukaan he ovat jo testanneet algoritmin kolmella eri tietokokonaisuudella ja aikovat laajentaa testauksen laajuutta useampaan tietojoukkoon. Kuvailemalla, miten he tekevät sen, tutkijat James Max Kanter ja Kalyan Veeramachaneni totesivat kansainvälisessä tietojenkäsittelytiede- ja analytiikkakonferenssissa esittelevässä artikkelissa: ”Automaattisen virityksen avulla optimoimme koko reitin ilman ihmisten osallistumista mahdollistaen sen yleistymisen eri tietojoukkoihin. ”
Tarkastellaan kuinka monimutkainen tehtävä on ollut: algoritmilla on automaattisen virityskyvyn mukainen ominaisuus, jonka avulla se johtaa tai poimii oivalluksia tai arvoja raa'ista tiedoista, kuten ikä tai sukupuoli, ja tämän jälkeen se osaa luoda ennustavia datamalleja. Algoritmi käyttää monimutkaisia matemaattisia funktioita ja Gaussian Copula -nimisen todennäköisyyden teoriaa. Joten, on helppo ymmärtää, missä määrin algoritmi pystyy käsittelemään. Tekniikka on myös voittanut palkintoja kilpailuissa.
Koneoppiminen saattaa korvata työpaikat
Koko maailmassa keskustellaan siitä, että koneoppiminen saattaa korvata monia työpaikkoja, koska se suorittaa tehtäviä ihmisen aivojen tehokkuudella. Itse asiassa on joitain huolenaiheita siitä, että koneoppiminen korvaa tietojen tutkijoiden - ja näille epäilyille näyttää olevan perusta.
Tavallisille käyttäjille, joilla ei ole tietojen analysointitaitoja, mutta jotka silti tarvitsevat analytiikkaa päivittäisessä elämässään vaihtelevassa määrin, ei ole mahdollista, että tietokoneella olisi kyky analysoida valtavia tietomääriä ja tarjota analytiikkaa. Mutta luonnollisen kielen käsittelytekniikka (NLP) voi ylittää tämän rajoituksen opettamalla tietokoneita hyväksymään ja käsittelemään ihmisten luonnollista puhuttua kieltä. Tällä tavalla tavallinen käyttäjä ei tarvitse kehittyneitä analytiikkaominaisuuksia tai -taitoja.
IBM uskoo, että tietotieteilijöiden tarve voidaan minimoida tai eliminoida Watsonin luonnollisen kielen analyysialustalla. Watson Analyticsiä ja Business Intelligence -johtajaa Marc Atschuller sanoo: “Watsonin kaltaisella kognitiivisella järjestelmällä tuo vain kysymyksesi - tai jos sinulla ei ole kysyttävää, lähetä vain tietosi, ja Watson voi tarkastella sitä ja päätellä mitä saatat haluta tietää. ”
johtopäätös
Automaatio on seuraava looginen askel koneoppimiselle, ja olemme jo kokeneet vaikutukset päivittäisessä elämässämme - verkkokauppasivustoilla, ystäväsuosituksilla, LinkedIn-verkostosuosituksissa ja Airbnb-hakutuloksissa. Annetut esimerkit huomioon ottaen ei voida epäillä automaattisen koneoppimisjärjestelmän tuottaman tuloksen laatua. Kaikkien ominaisuuksiensa ja etujensa kannalta ajatus koneoppimisesta, joka aiheuttaa valtavan työttömyyden, saattaa tuntua hiukan yliarvioinnilta. Koneet ovat korvanneet ihmisiä monilla elämämme alueilla jo vuosikymmenien ajan, ja silti ihmiset ovat kehittyneet ja mukautuneet pysymään merkityksellisinä teollisuudessa. Koneoppiminen on kaiken näkökulmasta riippuen vain yksi tällainen aalto, johon ihmiset mukautuvat.