Из техничких разлога садржај читалишта можете пратити искључиво на латиници.

Mašinsko obučavanje: Kada koristiti koji metod i tehniku

Šta tačno možete uraditi sa mašinskim obučavanjem? Objašnjavamo različite metode i tehnike koje su vam na raspolaganju. Verovatno sve više čujete o mašinskom obučavanju, podskupu veštačke inteligencije. Ali šta tačno možete uraditi sa mašinskim obučavanjem? Ova tehnologija obuhvata niz metoda i tehnika, a svaka od njih ima skup potencijalnih slučajeva korišćenja. Bilo bi dobro da ih preduzeće ispita pre nego što zaroni u planove za ulaganje u alate i infrastrukturu za mašinsko obučavanje.

{/xа}Методи машинског обучавања

Надгледано обучавање

Надгледано обучавање је идеално ако знате шта желите да машина учи. Можете је изложити огромном скупу података за обуку, прегледати излаз и подесити параметре док не добијете резултате које очекујете. Касније можете видети шта је машина научила тако што ће предвидети резултате за скуп контролних података које није раније видела. Најчешц́и задаци надгледаног обучавања укључују класификацију и предвиђање или регресију.
Методи надгледаног обучавања могу се користити за примене као што су одређивање финансијског ризика појединаца и организација, на основу претходних информација о финансијским учинцима. Такође могу пружити добар увид у то како ц́е клијенти поступити или какве су њихове преференције, на основу претходних образаца понашања.

На пример, онлајн тржиште за кредитне позајмице Лендинг Трее користи аутоматизовану платформу за обучавање рачунара од ДатаРобот-а како би прилагодила искуства својих купаца и предвиђала њихове намере на основу онога што су радили у прошлости, каже Аксхаи Тандон, потпредседник и шеф стратегије и аналитике.

Предвиђањем намера купаца - првенствено преко бодовања веза - Лендинг Трее може да препозна људе који само прегледају цене насупрот оних који заиста траже кредит и спремни су да поднесу захтев. Користец́и технике надгледаног обучавања, направљен је класификациони модел за дефинисање вероватноц́е склапања посла.

Ненадгледано обучавање

Ненадгледано обучавање омогуц́ава машини да истражује скуп података и идентификује скривене обрасце који повезују различите променљиве. Овај метод се може користити за груписање података у кластере само на основу њихових статистичких својстава. Добра примена ненадгледаног обучавања је алгоритам груписања који се користи за вршење пробабилистичког повезивања записа, технике која извлачи везе међу елементима података и гради на њима како би идентификовала појединце и организације и њихове везе у физичком или виртуелном свету.

Ово је нарочито корисно за предузец́а која морају, на пример, да интегришу податке из различитих извора и/или различитих пословних јединица како би изградили конзистентан и свеобухватан увид у своје купце, каже Флавио Вилланустре, потпредсједник технологије фирме ЛеxисНеxис Риск Солутионс, компаније која користи аналитику како би помогла корисницима да предвиде и управљају ризиком.

Ненадгледано обучавање може се користити за анализу осећања, која идентификује емоционално стање појединаца на основу њихових постова на друштвеним медијима, е-пошти или другим писаним повратним информацијама, каже Салли Епстеин, инжењер специјалиста за машинско обучавање консултантске фирме Цамбридге Цонсултантс. Ова фирма увиђа да све вец́и број компанија у финансијским услугама користи ненадгледано обучавање да би стекле увид у задовољство купаца.

Делимично надгледано обучавање

Делимично надгледано обучавање је хибрид надгледаног и ненадгледаног обучавања. Означавањем малог подскупа података, тренер може машини да да смернице како требало да групише остатак скупа података. Делимично надгледано обучавање може се користити за откривање крађе идентитета, између осталог. На срец́у, преваре нису толико честе као законите активности, напомиње Вилланустре, па се као такве непоштена активност може сматрати "аномалијом" у свету легитимних активности. Ипак, преваре постоје, а методи делимично надгледаног обучавање за детекцију аномалија могу се користити за моделовање решавања ове врсте проблема. Ова врста обучавања се поставља како би се идентификовале преваре у онлајн трансакцијама.

Делимично надгледано обучавање може се користити и када постоји мешавина означених и неозначених података, што се често види у поставкама великих предузец́а, каже Епстеин. Амазон је успео да побољша понуду разумевање природног језика у својој Алеxи обучавањем алгоритмима вештачке интелигенције на мешавини означених и неозначених података, каже она. То је помогло да се повец́а тачност Алеxиног реаговања, каже она.

Обучавање појачавањем

За обучавање појачавањем, пуштате машину у интеракцију са својим окружењем (на пример, гурање оштец́ених производа са транспортера у канту) и обезбеђујете награду када уради то што желите. Аутоматизовањем обрачуна награде, можете оставити машину да учи сама. Један пример обучавања појачавањем је сортирање одец́е и других предмета у малопродајном објекту. Неки трговци опреме експериментишу са новим типовима технологија, као што је роботика, за разврставање ствари попут одец́е, обуц́е и додатне опреме, каже Давид Сцхатски, аналитичар консултантске фирме Делоитте која се фокусира на нове технологије и пословне трендове.

Роботи користе обучавање појачавањем (као и дубоко обучавање) како би сазнали колико притиска треба користити приликом хватања предмета и како најбоље хватати ове ствари код инвентарисања, каже Сцхатски.

Варијација обучавања појачавањем је дубоко обучавање појачавањем, што је погодно за аутономно доношење одлука у којем надгледано обучавање или ненадгледане технике обучавања не могу саме да обаве посао.

Дубоко обучавање

Дубоко обучавање врши типове учења, као што је ненадгледано обучавање или обучавање појачавањем. Уопштено гледано, дубоко обучавање подсец́а на неке аспекте начина на који људи уче, углавном користец́и неуронске мреже да би се све детаљније идентификовале карактеристике скупа података.

Дубоко обучавање, у облику дубоких неуронских мрежа (ДНН), коришц́ено је за убрзавање скенирања великих садржаја за откривања лекова, каже Шатски. То подразумева примену ДНН техника убрзања да би се обрадило више слика у знатно крац́ем времену, при чему се добија вец́и увид у карактеристике слика које модел на крају научи.

Овај метод машинског обучавања такође омогућава многим компанијама да се боре против превара, побољшавајуц́и степен откривања користец́и аутоматизацију за откривање неправилности.

Дубоко учење се такође може користити у аутомобилској индустрији. Једна компанија је развила систем заснован на неуронским мрежама који омогуц́ава рано откривање проблема са аутомобилима, каже Сцхатски. Овај систем препознаје буку и вибрације, и користи одступања од норме за тумачење природе недостатка. Он може да постане део предиктивног одржавања, јер утврђује вибрације свих покретних делова аутомобила и може да примети чак и мање промене у њиховим перформансама.

Технике машинског обучавања

Неуронске мреже

Неуронске мреже су дизајниране да имитирају структуру неурона у људском мозгу, при чему се сваки вештачки неурон повезује са другим неуронима унутар система. Неуронске мреже су распоређене у слојеве, са неуронима из једног слоја који преносе податке у више неурона у следец́ем слоју и тако даље. На крају они стижу у излазни слој, где мрежа представља своје најбоље претпоставке за решавање проблема, идентификује објекат и тако даље.

Примери коришћења неуронских мрежа налазе се у низу индустријских грана:

  • У науци о животу и здравственој заштити, оне се могу користити за анализу медицинских слика како би се убрзали дијагностички процеси и за откривања дрога, каже Сцхатски.
  • У телекомуникацијама и медијима, неуронске мреже могу се користити за преводе језика, откривање превара и услуге виртуелних помоц́ника.
  • У финансијским услугама, оне се могу користити за откривање превара, управљање портфељима и за анализу ризика.
  • У малопродаји се могу користити за елиминисање редова за наплату и персонализовање искуства корисника.

Стабла одлучивања

Алгоритам стабла одлучивања има за циљ да класификује ставке тако што идентификује питања о њиховим атрибутима која ц́е помоц́и у одлучивању у коју класу да се ставе. Сваки чвор у стаблу је питање, са гранама које доводе до додатних питања о ставкама, док листови представљају последњу класификацију.

Примери коришћења стабла одлучивања могу да буду изградња платформи за управљање знањем за услуге клијентима, предвиђања цена и планирање производа.

Компанија за осигурање може користити стабло одлучивања када захтева увид у врсту осигурања и прилагођавање премије на основу потенцијалног ризика, каже Раи Јохнсон, главни научни саветник у пословно технолошкој консултантској фирми СПР. Користец́и податке о локацији укрштене са подацима о губицима везаним за временске прилике, могу се правити категорије ризика на основу поднетих потраживања и износа расхода. Онда се могу проценити нове примене за осигуране своте према моделима како би се утврдила категорија ризика и потенцијални финансијски резултат, каже он.

Насумичне шуме

Иако се једно стабло одлучивања мора обучити да би пружало тачне резултате, алгоритам насумичне шуме узима групу случајно креираних стабала одлучивања која базирају своје одлуке на различитим скуповима атрибута и пушта их да гласају о најпопуларнијој класи. Насумичне шуме су свестрани алати за проналажење односа у скуповима података и брзо се обучавају, каже Епштајн. На пример, нежељена електронска пошта вец́ дуго представља проблем, не само за кориснике, вец́ и за добављаче интернет услуга који морају да управљају повец́аним оптерец́ењем на серверима. Као одговор на овај проблем, развијене су аутоматизоване методе за филтрирање нежељене поште од нормалне е-поште, користец́и случајне шуме да брзо и тачно идентификују нежељену е-пошту, каже она.

Друге употребе насумичних шума укључују идентификовање болести анализом медицинске документације пацијента, откривање превара у банкарству, предвиђање обима позива у позивним центрима и прогнозирање добити или губитака од куповине одређене акције.

Груписање

Алгоритми груписања користе технике као што су К-средине, померања средина или максимизација очекивања за груписање тачака података на основу заједничких или сличних карактеристика. Ово је ненадгледана техника обучавања која се може применити на проблеме класификације. Техника груписања је нарочито корисна када треба да се сегментира или категоризује, каже Сцхатски. Примери укључују сегментирање купаца по различитим карактеристикама да би се боље одредиле маркетиншке кампање, препоручивали чланци вести за одређене читаоце и за ефикасно наметање политика.

Груписање је такође ефикасно да би се у комплексним скуповима података откривале групе које можда нису очигледне људском оку. Примери варирају од категоризације сличних докумената у бази података, па до идентификације локација са великом вероватноћом криминала из криминалних извјештаја, каже Епстеин.

Учење правила придруживања

Учење правила придруживања је ненадгледана техника која се користи у моторима препорука, за тражење односа међу променљивима. Ово је техника која стоји иза препорука у стилу "људи који су купили X су такође купили Y" на многим сајтовима е-трговине, а примери коришћења су чести. Конкретан случај употребе може бити специјализована малопродајна трговина храном која жели да подстакне додатну продају, каже Јохнсон.
Користила би ову технику да испита понашање купаца и обезбеди посебне лименке и паковања за производе који славе догађаје, спортске тимове и тако даље. Техника правила придруживања даје увиде који могу да открију када и где су купци куповали омиљену комбинацију производа. Употреба информација о прошлим куповинама и временским оквирима омогуц́ава компанији проактивно креирање програма награђивања, каже Јохнсон, и давање посебно прилагођених понуда за подстицање будуц́е продаје.

Извор: ИнфоWорлд{/xа}

Рачунарски факултет Рачунарски факултет 011-33-48-079