Koneoppiminen selitettynä: miten tekoäly oikeasti oppii (ilman hölynpölyä)
Äidin reseptikirja
Kerron sinulle äidistäni. Hän tekee parasta omenapiirakkaa, jota olen koskaan maistanut. Täydellistä. Joka ikinen kerta.
Ja tässä se juju on: hän ei ole koskaan käyttänyt reseptiä. Ei kertaakaan. Hän on tehnyt sitä piirakkaa 40 vuotta. Hän vain tietää, mikä toimii.
Miten hän oppi?
Hän aloitti äitinsä reseptillä. Ensimmäinen piirakka? Ihan kelvollinen. Toinen piirakka? Hän lisäsi vähän enemmän kanelia, koska ensimmäinen oli mauton. Kolmas piirakka? Vähemmän sokeria, koska toinen oli liian makea. Neljäs piirakka? Enemmän voita pohjaan, koska se oli liian kuiva.
Vuosi vuodelta, piirakka piirakalta hän hienosääti. Huomasi kaavoja. "Kun omenat ovat liian happamia, lisää sokeria. Kun ne ovat makeita, lisää vähemmän. Jos on kosteaa, käytä vähemmän vettä pohjassa. Jos on kuivaa, käytä enemmän."
Hän oppi kokemuksesta. Palautteesta. Tekemällä satoja piirakoita ja huomaamalla, mikä toimi ja mikä ei.
Juuri näin koneoppiminen toimii. Paitsi että piirakoiden tekemisen sijaan tietokoneet tekevät ennusteita. Ja 40 vuoden sijaan ne tekevät sen muutamassa tunnissa.
Näytän sinulle, miten.
Mitä "oppiminen" oikeasti tarkoittaa (koneille)
Kun ihmiset sanovat, että tietokone on "oppinut" jotain, he eivät tarkoita, että se ymmärsi. He tarkoittavat, että se parani jossakin tehtävässä harjoituksen avulla.
Äitini ei ymmärtänyt kemiaa siitä, miten voi tekee pohjasta hiutaleisen. Hän vain tiesi, että se tekee niin. Hän löysi kaavan: enemmän voita tarkoittaa hiutaleisempaa pohjaa. Se on oppimista.
Tietokoneet tekevät saman asian, mutta datalla piirakoiden sijaan.
Annan sinulle oikean esimerkin, jonka kohtaat joka päivä: sähköpostisi roskapostisuodattimen.
Vanha tapa (ennen oppimista)
Käsinsäännöt, jotka hajosivat jatkuvasti
Jonkun piti kirjoittaa säännöt: "Jos sähköpostissa lukee 'nigerialainen prinssi', se on roskapostia. Jos siinä lukee 'Olet voittanut lotossa', se on roskapostia. Jos siinä on yli 10 huutomerkkiä, se on roskapostia."
Ongelma? Roskapostittajat sopeutuivat. He alkoivat kirjoittaa "N1gerialainen pr1nssi" tai "L0tto". Säännöt hajosivat. Jonkun piti kirjoittaa uudet säännöt käsin. Uudestaan ja uudestaan. Ikuisesti.
Uusi tapa (oppimisen kanssa)
Tietokone löytää itse kaavat
Näytät tietokoneelle 10 000 sähköpostia. "Nämä 5 000 ovat roskapostia. Nämä 5 000 ovat aitoja." Tietokone katsoo niitä ja löytää kaavoja, joita et koskaan pyytänyt sitä etsimään:
- → Roskapostissa tietyt sanat esiintyvät usein yhdessä
- → Se tulee tietyntyyppisistä sähköpostiosoitteista
- → Siinä on epätavallisia välimerkkejä
- → Sen linkit näyttävät epäilyttäviltä tietyillä tavoilla
Kun roskapostittajat muuttavat taktiikkaansa, näytät vain tietokoneelle uusia esimerkkejä roskapostista. Se löytää uudet kaavat. Uusia sääntöjä ei tarvitse kirjoittaa käsin.
Se on koneoppimista: tietokoneet parantuvat tehtävissä löytämällä kaavoja esimerkeistä, eivät noudattamalla jonkun kirjoittamia sääntöjä.
Kolme tapaa, joilla koneet harjoittelevat
Aivan kuten ihmiset oppivat eri tavoilla, koneilla on erilaisia oppimismenetelmiä eri tilanteisiin. Kerron kolmesta tärkeimmästä esimerkkien avulla, joihin voit samaistua.
Oppiminen opettajan kanssa (ohjattu oppiminen)
Muistatko kertotaulujen opettelun koulussa? Opettaja antoi sinulle tehtäviä JA vastaukset. "Paljonko on 7 kertaa 8?" "56." Harjoittelit, kunnes osasit vastata katsomatta.
Sitä ohjattu oppiminen on. Tietokone saa kysymykset ja vastaukset yhdessä.
Esimerkki: Tietokoneen opettaminen tunnistamaan valokuvia
Näytät sille 1 000 valokuvaa. Jokaisesta kerrot, mitä siinä on:
- 📷 Tässä kuvassa: kissa
- 📷 Tässä kuvassa: koira
- 📷 Tässä kuvassa: auto
Tietokone alkaa arvata sattumanvaraisesti. Aluksi arvaukset ovat surkeita. Sitten se huomaa kaavoja: "Kuvat, joissa on terävät korvat ja viikset, ovat yleensä kissoja. Kuvat, joissa on lerpat korvat ja märkä kuono, ovat yleensä koiria. Kuvat, joissa on pyörät ja ikkunat, ovat yleensä autoja."
Se harjoittelee näillä 1 000 valokuvalla, kunnes siitä tulee todella hyvä. Sitten testaat sitä uusilla kuvilla, joita se ei ole koskaan nähnyt. Jos se on oppinut kaavat hyvin, se tunnistaa ne oikein.
Näin puhelimesi tunnistaa kasvoja, näin lääkärit käyttävät tekoälyä sairauksien havaitsemiseen röntgenkuvista ja näin ääniavustajat ymmärtävät, mitä sanot.
Oppiminen ilman opettajaa (ohjaamaton oppiminen)
Kuvittele nyt, että lajittelet edesmenneen tätisi nappikokoelmaa. Hänellä oli satoja nappeja, kaikki sekaisin. Sinulla ei ole opasta. Ala vain lajitella niitä kasoiksi, jotka tuntuvat järkeviltä.
Kaavojen löytäminen itse
- → Isot napit tänne. Pienet napit tuonne.
- → Metalliset tähän kasaan. Muoviset tuohon kasaan.
Löydät kaavoja ilman, että kukaan kertoo, mitä etsiä.
Sellaista on ohjaamaton oppiminen. Tietokone etsii kaavoja ilman, että sille kerrotaan, mikä vastauksen pitäisi olla.
Esimerkki: Asiakasryhmien löytäminen
Kaupalla on tiedot 10 000 asiakkaasta: mitä he ostavat, milloin he asioivat, kuinka paljon he käyttävät rahaa. Kukaan ei kerro tietokoneelle, mitä ryhmiä on olemassa. Se vain katselee ja löytää kaavoja:
Ryhmä 1: Nuoret, jotka asioivat myöhään illalla, ostavat pieniä määriä ja käyvät usein
Ryhmä 2: Perheet, jotka asioivat viikonloppuisin, ostavat suuria määriä ja käyvät viikoittain
Ryhmä 3: Eläkeläiset, jotka asioivat arkisin keskipäivällä, ostavat tiettyjä tuotteita ja ovat hyvin säännöllisiä
Kukaan ei kertonut sille, että nämä ryhmät ovat olemassa. Se löysi ne huomaamalla, mitkä asiakkaat käyttäytyvät samalla tavalla.
Näin Netflix ryhmittelee sarjat, joista saatat pitää, näin petosten tunnistus löytää epätavalliset tapahtumat ja näin tutkijat löytävät kaavoja DNA:sta.
Oppiminen kokeilemalla (vahvistusoppiminen)
Muistatko, kun koiraa opetettiin istumaan? Et selitä, mitä istuminen on. Sanot vain "istu", ja kun koira istuu, annat sille herkun. Kun se ei istu, herkkua ei tule. Koira päättelee: istuminen tarkoittaa herkkuja. Istumatta jättäminen tarkoittaa, ettei herkkuja tule.
Sitä vahvistusoppiminen on. Kokeile asioita. Katso, mikä toimii. Tee enemmän sitä, mikä toimii.
Esimerkki: Tietokoneen opettaminen pelaamaan shakkia
Tietokone ei aluksi tunne sääntöjä. Se vain kokeilee siirtoja. Satunnaisesti. Useimmat ovat kamalia.
Mutta tässä on juju: kun se voittaa pelin, sanot sille "hyvin tehty". Kun se häviää, sanot sille "ei toiminut". Se alkaa huomata:
- ✓ Kuningattaren siirtäminen tänne johtaa usein voittoon
- ✗ Kuninkaan jättäminen suojaamatta johtaa yleensä tappioon
- ✓ Laudan keskustan hallinta on hyödyllistä
Miljoonien itseään vastaan pelattujen pelien jälkeen siitä tulee todella, todella hyvä. Ei siksi, että joku olisi opettanut sille strategiaa. Vaan siksi, että se kokeili kaikkea ja oppi, mikä toimii.
Näin tekoäly oppi voittamaan maailmanmestarit shakissa ja gossa, näin robotit oppivat kävelemään ja näin itseajavat autot oppivat ajamaan.
Kolme oppimistyyliä
Näin harjoittelu oikeasti tapahtuu (salainen prosessi)
Okei, tietokone siis harjoittelee katsomalla esimerkkejä. Mutta mitä sen sisällä oikeasti tapahtuu? Käyn sen läpi kanssasi kuin katsoisit tietokoneen olan yli.
Vaihe 1: Aloita villeistä arvauksista
Kuin arvaisi kurpitsan painon
Kuvittele, että yrität arvata kurpitsan painon pelkästään sitä katsomalla. Et ole koskaan tehnyt tätä aiemmin, joten heität vain jonkin satunnaisen luvun. "Ööh... 15 paunaa?"
Juuri näin tietokone toimii. Se aloittaa satunnaisista arvauksista. Täysin satunnaisista. Se on kuin kysyisi vastasyntyneeltä vauvalta värien tunnistamista. Arvaukset ovat kamalia. Se on ihan ok. Se on lähtökohta.
Vaihe 2: Tarkista, kuinka väärässä olet
Virheen mittaaminen
Nyt laitat kurpitsan vaa'alle. Se on oikeasti 23 paunaa. Olit väärässä 8 paunaa. Se on sinun virheesi.
Tietokone tekee saman asian. Se arvaa, tarkistaa oikean vastauksen ja laskee, kuinka väärässä se oli. "Sanoin, että tämä valokuva on koira. Se on oikeasti kissa. Olin hyvin väärässä."
Vaihe 3: Säädä seuraavaa arvaustasi
Oppiminen virheistä
Seuraava kurpitsa näyttää samanlaiselta kuin ensimmäinen. Et arvaa enää 15 paunaa. Opit, että tällaiset kurpitsat ovat painavampia kuin luulit. Joten arvaat 22 paunaa. Lähempänä!
Tietokone tekee juuri näin. Se säätää arvausmenetelmäänsä virheidensä perusteella. "Arvasin jatkuvasti 'koira', kun näin lerpat korvat, mutta olin väärässä. Kiinnitän jatkossa enemmän huomiota myös muihin piirteisiin."
Vaihe 4: Toista tuhansia kertoja
Harjoitus tekee mestarin
Kun arvailisit 1 000 kurpitsan painon ja tarkistaisit joka kerta vaa'asta, sinusta tulisi siinä aika hyvä. Huomaisit kaavoja: "Isot, pyöreät kurpitsat, joissa on paksu kanta, ovat yleensä painavia. Pitkät ja hoikat ovat yleensä kevyempiä."
Tietokone tekee tämän tuhansia tai miljoonia kertoja. Joka kerta se paranee hiukkasen. Lopulta se on todella hyvä siinä tehtävässä, jota se harjoittelee.
Siinä on koko prosessi. Arvaa. Tarkista, kuinka väärässä olit. Säädä. Toista, kunnes olet tarpeeksi hyvä. Yksinkertainen idea. Mutta kun sen tekee miljoonia kertoja todella nopeasti, tulokset ovat vaikuttavia.
Miksi tämä toimii näin hyvin (ja miksi se ei ole taikuutta)
Tässä on hämmästyttävää: tämä uskomattoman yksinkertainen prosessi toimii uskomattoman monenlaisissa tehtävissä.
Sama perusidea (harjoittelu palautteen kanssa) voi:
- ✓ oppia tunnistamaan kasvosi puhelimen avaamista varten
- ✓ oppia kääntämään kielten välillä
- ✓ oppia havaitsemaan kasvaimia lääketieteellisistä kuvista
- ✓ oppia ennustamaan, sataako huomenna
- ✓ oppia suosittelemaan elokuvia, joista pidät todennäköisesti
Miksi se toimii kaikissa näissä eri asioissa?
Koska ne ovat kaikki pohjimmiltaan kuvantunnistusongelmia. Kasvoissasi on kaavoja. Kielissä on kaavoja. Kasvaimissa on kaavoja. Säällä on kaavoja. Elokuvamieltymyksissäsi on kaavoja.
Tietokone löytää nämä kaavat harjoittelemalla esimerkkien avulla. Se ei "ymmärrä" kasvoja, kieliä tai lääketiedettä. Se vain huomaa: kun näen tämän kaavan, vastaus on yleensä tuo.
Se on vaikuttavaa. Mutta se ei ole taikuutta. Se on kuvioiden tunnistamista, harjoitettuna mittakaavassa, johon ihminen ei pysty.
Mitä tietokone oikeasti oppii (totuus saattaa yllättää)
Tässä on asia, jonka useimmat ymmärtävät väärin: tietokone ei opi ymmärrystä. Se oppii oikoteitä.
Näytän, mitä tarkoitan, aidolla tarinalla.
Ihosyövän tekoäly, joka huijasi
Tutkijat opettivat tekoälyn tunnistamaan ihosyövän valokuvista. Siitä tuli todella hyvä. Parempi kuin joistakin lääkäreistä. Mahtavaa, eikö?
Sitten he huomasivat jotain outoa. Tekoäly katsoi viivaimia. Monissa syöpäkuvissa oli viivain (mittakaavan näyttämiseksi). Monissa ei-syöpäkuvissa ei ollut.
Tekoäly oppi: "Jos näen viivaimen, se on todennäköisesti syöpää." Se on teknisesti ottaen kaava, joka toimi harjoitusdatassa. Mutta se ei ole syövän ymmärtämistä. Se on oikotie.
Tätä tapahtuu koko ajan:
Esimerkkejä tekoälyn oppimista vinoumista ja oikoteistä
- ⚠️ Rekrytointitekoäly oppi, että ansioluettelot, joissa oli nimi "Jared", johtivat todennäköisemmin työpaikkaan (koska harjoitusdata sisälsi vinoutuneita inhimillisiä päätöksiä)
- ⚠️ Kasvojentunnistusjärjestelmä toimi paremmin valkoihoisilla miehillä (koska he olivat yliedustettuina harjoituskuvissa)
- ⚠️ Lainanmyöntöjärjestelmä syrji tiettyjä asuinalueita (koska se oppi historiallisesti vinoutuneesta lainadatasta)
Tietokone löytää kaavoja datasta, jonka sille annat. Jos datassa on vinoumia, se oppii vinoumat. Jos datassa on oikoteitä, se oppii oikotiet. Se ei tiedä paremmin. Se vain löytää sen, mikä toimii esimerkeissä, jotka se näki. Siksi koneoppiminen vaatii huolellista huomiota. Se on voimakasta, mutta se ei ole viisasta.
Kaksi tapaa harjoitella (perinteinen vs. erilainen)
Muistatko, kun sanoin, että tietokoneet oppivat säätämällä arvauksiaan virheiden perusteella? On kaksi pääasiallista tapaa tehdä tuo säätö.
Perinteinen tapa: Pieniä säätöjä numeroihin
Näin suurin osa tekoälystä toimii nykyään
Tietokoneessa on miljoonia pieniä säätimiä (joita kutsutaan painoiksi). Jokainen säädin on asetettu tiettyyn numeroon.
Kun tietokone tekee virheen, se selvittää, mitä säätimiä kääntää ja mihin suuntaan. Se kääntää niitä vain hiukkasen. Sitten se tekee uuden arvauksen, tekee uuden virheen ja kääntää säätimiä taas. Uudestaan ja uudestaan. Kun tämä on toistettu miljoonia kertoja, kaikki säätimet on asetettu numeroihin, jotka tuottavat hyviä arvauksia.
Hyvää
Se toimii todella hyvin. Se pystyy löytämään uskomattoman monimutkaisia kaavoja. Se on testattu ja luotettava.
Huonoa
Se kuluttaa valtavasti tietokoneen tehoa. Näiden järjestelmien kouluttaminen maksaa miljoonia dollareita sähkössä. Ja kun se on valmis, sinulla on miljoonia säädinasetuksia, mutta et voi oikein selittää, miksi ne on asetettu juuri niihin numeroihin. Se on musta laatikko.
Erilainen tapa: Sääntöjen löytäminen numeroiden sijaan
Näin jotkut uudemmat järjestelmät toimivat
Jotkut järjestelmät (kuten ne, joita esimerkiksi Dweve rakentaa) toimivat toisin. Sen sijaan, että ne säätäisivät miljoonia numeronuppeja, ne etsivät loogisia sääntöjä.
Sen sijaan, että ne oppisivat "paino 47 pitäisi olla 0,8234", ne oppivat "jos sähköpostissa on kiireellisiä sanoja JA se on tullut tuntemattomalta lähettäjältä JA siinä on outoja linkkejä, se on todennäköisesti roskapostia".
Se muistuttaa enemmän sitä, miten ihmiset oppivat
Sinulla ei ole numeroita päässäsi. Sinulla on nyrkkisääntöjä: "Jos leipä tuoksuu happamalta, se on todennäköisesti pilaantunut. Jos taivas on tumma ja raskas, voi sataa."
Hyvät puolet
Päätökset voi oikeasti selittää. "Sähköposti merkittiin roskapostiksi, koska se täytti nämä kolme ehtoa." Se on myös paljon tehokkaampi. Kuluttaa paljon vähemmän virtaa.
Huonot puolet
Kaikki ongelmat eivät ratkea hyvin sääntöjen avulla. Jotkin asiat todella tarvitsevat ne miljoonat pienet numerosäädöt.
Kumpikaan tapa ei ole aina parempi. Ne ovat työkaluja. Käytät oikeaa työkalua oikeaan tehtävään.
Miltä oppimisprosessi oikeasti näyttää
Missä Tämä Oikeasti Näkyy Arjessasi
Näytän sinulle, missä käytät koneoppimista joka ikinen päivä, todennäköisesti huomaamattasi.
⏰ Herätyskellosi Aamulla
Puhelimesi herätyskellossa on todennäköisesti toiminto, joka nostaa äänenvoimakkuutta vähitellen. Se on yksinkertaista. Mutta jotkut puhelimet myös oppivat, milloin heräät luonnostaan, ja ehdottavat parempia herätysaikoja. Koneoppiminen huomasi: "Painat aina torkkua 6:00 herätyksestä, mutta heräät luonnostaan 6:30. Ehdota 6:30 sen sijaan."
🚗 Työmatkasi
Karttasovellukset ennustavat liikennettä. Miten? Ne oppivat miljoonista matkoista: "Tiistaiaamuisin tämä moottoritie ruuhkautuu noin 7:45. Sateella tämä reitti hidastuu 15 minuuttia." Datasta löydettyjä kaavoja.
📧 Sähköpostisi
Jokainen roskaposti, joka ei päädy postilaatikkoosi? Koneoppimista. Jokainen sähköposti, joka lajitellaan automaattisesti kansioihin? Koneoppimista. Sähköpostisovelluksesi on oppinut miljoonista esimerkeistä, miltä roskaposti näyttää ja mikä on juuri sinulle tärkeää.
🎬 Viihdehetkesi
Netflix ehdottaa sarjoja. Spotify luo soittolistoja sinulle. YouTube suosittelee videoita. Kaikki koneoppimista. Ne ovat oppineet: "Ihmiset, jotka katsoivat nämä kolme sarjaa, pitävät yleensä myös tästä neljännestä. Ihmiset, jotka kuuntelevat tätä artistia, pitävät yleensä myös näistä muista artisteista."
🛒 Ostoksesi
"Asiakkaat, jotka ostivat tämän, ostivat myös..." Koneoppimista. "Saatat myös pitää tästä..." Koneoppimista. Jopa näkemäsi hinnat saattavat olla koneoppimisen säätämiä kysyntämallien perusteella.
🔒 Turvallisuutesi
Luottokorttiyhtiösi estää epäilyttävän tapahtuman? Koneoppiminen huomasi kaavan: "Tämä veloitus ei vastaa tämän henkilön normaalia kulutuskäyttäytymistä. Se saattaa olla petos."
Kaikki nämä järjestelmät oppivat esimerkeistä. Ne löysivät kaavoja. Ne kehittyivät harjoituksen myötä. Se on koneoppimista, joka koskettaa elämääsi kymmeniä kertoja päivässä.
Rehelliset rajat (mitä se ei osaa)
Koneoppiminen on tehokasta, mutta se ei ole taikuutta. Kerron rehellisesti, mitä se ei osaa.
Se ei opi ilman esimerkkejä
Tarvitset dataa. Paljon sitä. Haluatko opettaa tietokoneen tunnistamaan harvinaisen taudin? Tarvitset tuhansia esimerkkejä kyseisestä taudista. Eikö niitä ole? Järjestelmää ei voi kouluttaa. Se on niin yksinkertaista.
Se ei ymmärrä asiayhteyttä kuten ihminen
Ihminen näkee lumen peittämän "STOP"-kyltin ja tietää, että se on edelleen stop-kyltti. Tietokone ei välttämättä tunnista sitä, koska kaikki sen harjoitusesimerkit näyttivät puhtaat ja näkyvät stop-kyltit. Se oppi täydellisten stop-kylttien kaavan, ei "stop"-käsitettä.
Se ei osaa selittää päättelyään (yleensä)
Kysy lääkäriltä, miksi hän uskoo sinulla olevan flunssa: "Sinulla on kuumetta, lihassärkyä ja on flunssakausi." Selkeä päättely.
Kysy useimmilta tekoälyjärjestelmiltä, miksi ne tekivät päätöksen: "Koska nämä 47 miljoonaa numeroa on asetettu näihin tiettyihin arvoihin." Ei auta.
Se oppii sinun ennakkoluulosi
Jos koulutat sen puolueellisella datalla, se oppii puolueellisuuden. Jos historiallinen palkkausdata osoittaa ennakkoluuloja tiettyjä ryhmiä kohtaan, tekoäly oppii olemaan ennakkoluuloinen. Se ei tiedä paremmin. Se vain oppii sen, mitä datassa on.
Se ei sopeudu täysin uusiin tilanteisiin
Ihmiset ovat tässä hyviä. Et ole koskaan nähnyt violettia kirahvia, mutta jos näkisit sellaisen, tunnistaisit sen kirahviksi, joka sattuu olemaan violetti.
Tavallisilla kirahveilla koulutettu tietokone saattaisi olla täysin ymmällään violetista kirahvista. Sitä ei ollut harjoitusdatassa. Järjestelmä ei osaa yleistää sillä tavalla.
Nämä eivät ole pieniä ongelmia. Ne ovat perustavanlaatuisia koneoppimisen toiminnan kannalta. Näiden rajoitusten ymmärtäminen on yhtä tärkeää kuin mahdollisuuksien ymmärtäminen.
Mitä sinun tulee muistaa
Jos tämä tuntuu paljolta, tässä on se, millä on oikeasti merkitystä:
- 1 Koneoppiminen on harjoittelua palautteen avulla. Tietokone tekee arvauksia, tarkistaa ovatko ne oikein, säätää toimintaansa ja toistaa. Aivan kuten oppisit minkä tahansa asian harjoittelemalla.
- 2 Päätyyppejä on kolme. Ohjattu oppiminen (vastausavainten kanssa), ohjaamaton oppiminen (kuvioiden löytäminen itse) ja vahvistusoppiminen (oppiminen kokeilemalla). Jokainen sopii erilaisiin ongelmiin.
- 3 Se löytää kuvioita, ei ymmärrystä. Tietokone ei "tajua" asiaa. Se vain huomaa: kun näen tämän kuvion, vastaus on yleensä tuo. Tehokasta, mutta ei sama asia kuin ihmisen ymmärrys.
- 4 Käytät sitä jatkuvasti. Sähköpostisi, karttasi, viihteesi, ostoksesi. Koneoppiminen koskettaa elämääsi kymmeniä kertoja päivässä.
- 5 Sillä on todellisia rajoitteita. Tarvitsee paljon dataa. Oppii vinoumia. Ei osaa helposti selittää itseään. Ei yleistä kuten ihminen. Rajoitteiden ymmärtäminen on yhtä tärkeää kuin mahdollisuuksien ymmärtäminen.
- 6 On olemassa erilaisia lähestymistapoja. Useimmat tekoälyt säätävät miljoonia numeronuppeja. Jotkut järjestelmät oppivat loogisia sääntöjä. Erilaisia työkaluja erilaisiin tehtäviin.
Lopputulos
Koneoppiminen ei ole mystistä. Se on vain tietokone, joka tulee paremmaksi jossakin harjoittelemalla.
Näytä sille esimerkkejä. Anna sen arvata. Kerro sille, kun se on väärässä. Katso, kun se säätää ja paranee. Toista tuhansia kertoja. Lopulta se on todella hyvä tehtävässä.
Se ei opi samalla tavalla kuin sinä opit pyöräilemään, lukemaan tai hankkimaan ystäviä. Se ei kehitä ymmärrystä, viisautta tai maalaisjärkeä.
Se löytää tilastollisia kuvioita datasta toistuvan harjoittelun ja säätämisen avulla. Siinä kaikki. Mutta kun se tehdään mittakaavassa, johon ihmiset eivät pysty, miljoonilla esimerkeillä, se tuottaa aidosti hyödyllisiä tuloksia.
Roskapostisuodattimesi toimii. Ääniavustajasi ymmärtää sinua. Karttasi ohjaa sinut liikenteen ohi. Kaikki siksi, että tietokoneet harjoittelivat miljoonilla esimerkeillä, kunnes ne löysivät toimivia kuvioita.
Sana "oppiminen" saa sen kuulostamaan taianomaiselta. Todellisuus on matemaattinen. Mutta se matematiikka, harjoitettuna suuressa mittakaavassa, muuttaa elämääsi joka ikinen päivä.
Nyt tiedät, miten se toimii. Mysteeri on poissa. Koneoppiminen on kuvioiden löytämistä harjoittelun avulla. Yksinkertainen käsite. Tehokas toteutus. Ja käytät sitä juuri nyt lukiessasi näitä sanoja laitteella, joka on täynnä järjestelmiä, jotka oppivat helpottamaan elämääsi.
Jotkut yritykset, kuten Dweve, tutkivat erilaisia tapoja "harjoitella" pelkkien numeroarvojen säätämisen sijaan. Loogisten sääntöjen oppimista numeeristen painojen sijaan. Rajoitteiden etsimistä harjoitusparametrien sijaan. Erilaisia lähestymistapoja erilaisiin ongelmiin. Koska koneoppimisen ei tarvitse olla yksi koko kaikille -ratkaisu.