ChmuraRośnie skala zastosowania machine learning > redakcja Opublikowane 15 grudnia 20210 0 120 Podziel się Facebook Podziel się Twitter Podziel się Google+ Podziel się Reddit Podziel się Pinterest Podziel się Linkedin Podziel się Tumblr Machine learning i sztuczna inteligencja to najszybciej rozwijająca się gałąź technologii w ostatnim czasie i jeden z top tematów, poruszanych również w kontekście ekonomii i gospodarki. Nic nie wskazuje na to, by miało się to szybko zmienić.Jest wprost przeciwnie – zdaniem ekspertów przed nami kolejny technologiczny boom oparty o te właśnie rozwiązania. Wraz z ich upowszechnieniem całokształt funkcjonowania znanych nam instytucji może ulec zmianie.Co należy rozumieć przez Machine Learning?Według pierwotnej definicji stworzonej w latach 50. ubiegłego wieku przez amerykańskiego naukowca Arthura Samuela, machine learning polega na uczeniu się przez komputer nowych umiejętności bez bezpośredniego ich programowania, czyli na przykład zapamiętywaniu i stosowaniu w praktyce wcześniej przetworzonych algorytmów. Innymi słowy – doskonalenia się na podstawie doświadczenia. Dziś mówimy o deep learning, czyli uczeniu się bazującym na rozwiązaniach AI, robotyce, statystyce, rozpoznawaniu wzorców, psychologii czy kognitywistyce w oparciu o sieci neuronowe. System zmienia swoje wewnętrzne parametry tak, aby rozpoznać charakter pojawiających się danych.Machine learning to technologia pozwalająca na automatyczne przetwarzanie i analizę dużej ilości danych. Pozwala na kategoryzację danych, analizę powiązań między zmiennymi oraz grupowanie ich w klastry o podobnych właściwościach.Wyróżnia się trzy najważniejsze sposoby uczenia się machine learning:supervised learning (uczenie nadzorowane) – na wstępie do systemu wprowadzane są dane wejściowe i wyjściowe, odpowiednio: pomiary i etykiety. System tworzy reguły, które mapują wejście na wyjście. Dzięki temu system jest w stanie przypisać wyjście danej, której nie było na wejściu;unsupervised learning (uczenie nienadzorowane) – system nie dostaje danych wejściowych, musi sam utworzyć regułę wejścia i zgeneralizować ją;reinforcement learning (uczenie wzmocnione) – system nie dostaje żadnych danych na wejściu ani na wyjściu, dostaje tylko wskazówki, czy kategoryzacja przebiega poprawnie. Przypomina to metodę kar i nagród.W zależności od problemu, jaki ma być przeanalizowany, wybierany jest odpowiedni sposób uczenia się. Machine learning wykorzystuje się do: zabezpieczania przed oszustwami w transakcjach finansowych i przewidywania trendów finansowych i ekonomicznych,zabezpieczania systemów i baz danych (też ochronie antywirusowej),nawigacji na nieznanym terenie,rozpoznawania mowy oraz rozpoznawania twarzy,rozpoznawania wzorców (pattern recognition),klasyfikacji dokumentów,diagnostyki medycznej i kosmetycznej,tworzenia systemów rekomendacji onlinerozpoznawania elementów na zdjęciu (object recognition),sterowania pojazdami autonomicznymi,spersonalizowanego dostosowywania reklam (marketing).Nowa generacja AVCyberbezpieczeństwo to bardzo ważny obszar zastosowania technologii uczenia maszynowego. Producenci oprogramowania antywirusowego wykorzystują umiejętność rozpoznawania wzorców i tworzenie kategorii plików do analizy danych pod kątem zagrożenia.– Oprogramowanie antywirusowe nowej generacji, oparte na machine learningu jest w stanie wykrywać szkodliwe oprogramowanie oraz uczyć się, jakie cechy lub grupy cech są podejrzane- tłumaczy Robert Dziemianko z G DATA. – Dzięki tej funkcjonalności możliwe jest przewidywanie zagrożenia oraz tworzenie prawdopodobnych modeli szkodliwych elementów. Odbywa się to poprzez zestawienie cech szkodliwego oprogramowania, które wcześniej zostało poddane analizie – dodaje ekspert z G DATA.Przewidywane kierunki rozwoju machine learningWedług analityka Daniela Newmana, w 2019 roku możemy spodziewać się nowych zastosowań uczenia się maszyn w wielu różnych branżach. Dla sektora produkcyjnego i wojska będzie to rozwój systemów, które przewidują, kiedy maszyny, albo w przypadku wojska – pojazdy bojowe, będą potrzebowały naprawy czy wymiany części lub płynów. Rozwój polega na podniesieniu efektywności działania poprzez gromadzenie danych na temat eksploatacji i wyciąganie z nich wniosków na przyszłość. Taki sposób działania umożliwia unikanie przestojów w produkcji, ponieważ dostarcza precyzyjnych danych na temat eksploatacji maszyn czy narzędzi.Podobne zastosowanie machine learning zaczyna pojawiać się w branży automotive. Z dużą dozą prawdopodobieństwa już niedługo nasze samochody będą informowały nas o tym, że niedługo coś się w nich zepsuje. Nie byłby to pierwszy przypadek transferu technologii używanej w armii do produkcji cywilnej.Kolejny dość prawdopodobny kierunek rozwoju ML to giełda papierów wartościowych. Już dziś ML ma u inwestorów wiele zastosowań, jednak przewidywanym przez ekspertów scenariuszem jest wykorzystanie uczenia się maszyn do przewidywania sytuacji na rynku w oparciu o publicznie dostępne informacje o zarobkach. Jeśli zestawi się te dane z cenami papierów wartościowych oraz danymi o rozpoczętych w danym okresie inwestycjach, można otrzymać narzędzie prognozujące.Na podobnej zasadzie można przewidzieć prawdopodobieństwo śmierci pacjenta. W fazie testów ML analizujący taki problem wykazał się 95% dokładnością. W jaki sposób? Zestawiając ze sobą dane medyczne osoby, dane demograficzne, środowiskowe czy związane z obserwowanymi online zainteresowaniami danego człowieka. Śmierć da się przewidzieć z dokładnością do 24 godzin. Ten pomysł brzmi nieco makabrycznie, zwłaszcza, gdy pomyśli się o zastosowaniu go przez towarzystwo ubezpieczeniowe. Jednak na tym nie kończy się spektrum możliwych zastosowań. Teoretycznie w ten sposób można uczynić system opieki zdrowotnej bardziej wydajnym, a nawet uratować komuś życie reagując w odpowiednim momencie i udzielając pomocy.AutoML w Qlik Sense, czyli przewidywanie przyszłości
Cyberzagrożenia i dezinformacja to główne źródła niepokoju na świecie. Obawy Polaków powyżej średniej