Maşın öyrənməsinə 7 addım: Avtomatlaşdırılmış bir gələcəyə necə hazırlaşmaq olar

Şəkil: Sdecoret / Shutterstock

Getdikcə rəqəmsal iqtisadiyyat, idarə heyəti üzvlərindən və idarəçilərdən sürətlə dəyişən rəqəmsal mənzərəni yaxşı bir şəkildə anlamağı tələb edir. Süni intellekt (AI) əlbətdə vacib bir tərəfdir. Avtomatlaşdırılmış bir gələcəyə hazırlaşmaq istəyən şirkətlər AI haqqında hərtərəfli anlayışa sahib olmalıdırlar. Bununla birlikdə, AI, şirkətə bir az fərqli şəkildə təsir edən bir neçə fənni əhatə edən bir çətir terminidir.

Süni intellektə baxsaq, onu üç fərqli sahəyə bölmək olar:

  1. Fiziki dünya ilə əlaqəli və insanlarla birbaşa qarşılıqlı əlaqə qura bilən robotlar. Robototexnika ilə işimizi müxtəlif yollarla inkişaf etdirə bilərik. Forddan ekzoskelet və ya Boston Dynamics-dən kömək edən robotlar da daxil olmaqla.
  2. İnsan dünyası ilə əlaqəli idrak sistemləri. Chatbotlar AI-nin bir hissəsi kimi bilişsel sistemin yaxşı bir nümunəsidir. Chatbotlar insanlar və maşınların bir məqsədə çatmaq üçün necə birlikdə çalışdıqlarına çox bariz bir nümunədir. Bir chatbot, fərdlərə və təşkilatlara söhbət etməyə imkan verən bir ünsiyyət interfeysi.
  3. İnformasiya dünyası ilə məşğul olan maşın öyrənməsi. Maşınlar öyrənmək üçün məlumatlardan istifadə edir və maşın öyrənməsi bu məlumatlardan məna almağı hədəfləyir. Maşın öyrənməsi statistik metodlardan istifadə edir ki, maşınlar maşınlarla yaxşılaşsın. Maşın öyrənməsinin bir alt hissəsi çoxhəcmli neyron şəbəkələrini təmin edən dərin öyrənmədir.

Süni intellekt robototexnika, bilişsel sistemlər və maşın öyrənmələrinin ardıcıl inteqrasiyasından ibarətdir.

Şəkil 1: Süni intellekt - Goel & Davies'dən uyğunlaşdırılmış, 2019

Maşın öyrənməsinə 7 addım

Bu sahələrdən birini daha dərindən araşdıraq: maşın öyrənməsi. Maşın öyrənməsində məqsəd məlumatdan məna çıxarmaqdır. Buna görə məlumatlar, maşın öyrənməsini açmaq üçün açardır. Maşın öyrənməsinin yeddi addımı var və hər addım məlumat haqqında:

Şəkil 2: Maşın öyrənməsinə 7 addım

1. Məlumatların əldə edilməsi

Maşın öyrənməsi üçün çox təlim məlumatları tələb olunur (ya etiketli, nəzarət edilən öyrənmə deməkdir və ya işarələnməmiş, nəzarətsiz öyrənmə deməkdir). Məlumatların əldə edilməsi və ya yoxlanılması da yeni D2 + A2 modelimdəki ilk addımdır.

2. Məlumatların hazırlanması

Təkcə xam məlumatlar çox faydalı deyil. Məlumatlar hazırlanmalı, normallaşdırılmalı, çoxaldılmalı və səhvlər və təhriflər aradan qaldırılmalıdır. Məlumatların vizuallaşdırılması düzgün məlumatların toplandığını və ya məlumatların olmadığını müəyyənləşdirmək üçün nümunələri və xarici materialları axtarmaq üçün istifadə edilə bilər.

3. Bir model seçin

Üçüncü addım düzgün model seçməkdir. Çox fərqli məqsədlər üçün istifadə edilə bilən bir çox model var. Model seçərkən modelin iş məqsədinə uyğun olduğundan əmin olmalısınız. Modelin nə qədər hazırlıq tələb etdiyini, onun nə qədər düzgün olduğunu və modelin nə dərəcədə genişləndiyini də bilməlisiniz. Daha mürəkkəb bir model həmişə daha yaxşı bir model deyil. Ən çox istifadə edilən maşın öyrənmə alqoritmlərinə xətti reqressiya, logistik reqressiya, qərar ağacları, K orta, əsas komponent analizi (PCA), dəstək vektor maşınları (SVM), sadəlövh bayılar, təsadüfi meşə və neyron şəbəkələri daxildir.

4. Təlim

Modelinizi öyrətmək maşın öyrənməsinin əsas hissəsini təşkil edir. Məqsəd təlim məlumatlarınızı istifadə etmək və modelin proqnozlarını tədricən yaxşılaşdırmaqdır. Hər çəki və əvvəlcədən yükləmə yeniləmə dövrü bir təlim addımdır. Nəzarət olunan maşın öyrənməsi etiketli nümunə məlumatlarından istifadə edərək modeli qurur, diqqətsiz maşın öyrənmə etiketlənməmiş məlumatlardan (məlum və ya etiketlənmiş nəticələrə istinad olmadan) nəticə çıxarmağa çalışır.

5. Qiymətləndirmə

Təlimdən sonra model modeli qiymətləndirir. Bu, işləməsini yoxlamaq üçün istifadə edilməmiş bir nəzarət qeydinə qarşı öyrənmə testini tələb edir. Bu, modelin gerçək dünyada necə işlədiyinin nümayəndəsi ola bilər, ancaq belə olmalı deyil. Gerçək dünyada dəyişənlərin sayı nə qədər çox olarsa, təlim və test məlumatları da o qədər böyük olmalıdır.

6. Parametr tənzimlənməsi

Modelinizi qiymətləndirdikdən sonra AI-ni yaxşılaşdırmaq üçün ilkin təyin olunmuş parametrləri sınamalısınız. Təlim dövrlərinin sayının artması daha dəqiq nəticələrə səbəb ola bilər. Bununla birlikdə, bir modelin nə vaxt yaxşı olduğunu təyin etməlisiniz, əks halda modeli daha da optimallaşdıracaqsınız. Bu təcrübi bir prosesdir.

7. Proqnoz

Məlumatların toplanması, məlumatların hazırlanması, model seçimi, təlim və qiymətləndirmə, eləcə də parametrlərin optimallaşdırılması başa çatdıqdan sonra proqnozlardan istifadə edərək suallara cavab verməyin vaxtı gəldi. Bunlar təsvirin tanınmasından semantikaya qədər proqnozlaşdırılan analitikaya qədər bütün proqnozlar ola bilər.

Son düşüncələr

Maşın öyrənməsi proqramın nəticələrini daha dəqiq proqnozlaşdırmasına imkan verir. Önümüzdəki illərdə bütün iş prosesləri olmasa çoxlarını inkişaf etdirəcəkdir. Bununla da maşın öyrənməsi sabahın avtomatlaşdırılmış təşkilatının tərkib hissəsinə çevrilir. Həmişə daha sürətli aparat sayəsində daha yaxşı proqnozlara sahib daha güclü modellər görülə bilər.

Təəssüf ki, qərəzli məlumatlar və məlumat alimləri sayəsində qərəzli modellərin çətinliyi heç vaxt uzaqlaşmır. Müəssisələrin Aİ-dən həqiqətən bəhrələnməsi üçün, modellərinin və məlumatlarının qərəzsiz olmasını, yaxşı öyrədildiyini və qiymətləndirildiyini və düzgün əlaqələndirilməsini təmin etməlidirlər. Yalnız bundan sonra şirkətlər maşın təlimindən həqiqətən faydalana bilərlər.

Diqqətinizi bu nöqtəyə yönəldə bilsəm, bu hekayənin sizə necə təsir etdiyini izah edən bir şərh buraxın və ya bu məzmundan daha çoxunu əldə etmək üçün həftəlik bülletenimə abunə olun:

Dr. Mark van Rijmenam Datafloq-un qurucusu və böyük məlumatlar, blockchain və AI üçün dünya səviyyəsində tanınan bir dinləyicidir. Bir strateq və üç idarəetmə kitabının müəllifidir: Böyük düşün, Blockchain və Sabahın Təşkilatı. Ən son kitabımın pulsuz baxışı ilə burada tanış ola bilərsiniz. LinkedIn-də mənimlə əlaqə qur və ya Twitter-də salam söylə və bu hekayəni xatırla.

Məsləhət işləri və ya mühazirələr haqqında mənimlə danışmaq istəyirsinizsə, https://vanrijmenam.nl saytında mənimlə əlaqə saxlaya bilərsiniz.