Kaip iš tikrųjų mokosi dirbtinis intelektas: mašininis mokymasis be pramogų
Jūsų motinos receptų knyga
Papasakosiu apie savo motiną. Ji kepa geriausią obuolių pyragą, kokį tik esu ragavęs. Tiesiog tobulas. Kiekvieną kartą.
Štai kas įdomiausia: ji niekada nenaudojo recepto. Nė karto. Tą pyragą ji kepa jau 40 metų. Ji tiesiog žino, kas tinka.
Kaip ji išmoko?
Pradėjo nuo savo motinos recepto. Pirmas pyragas? Pakenčiamas. Antras? Įdėjo šiek tiek daugiau cinamono, nes pirmasis buvo beskonis. Trečias? Mažiau cukraus, nes antrasis buvo per saldus. Ketvirtas? Daugiau sviesto į tešlą, nes ji buvo per sausa.
Metai iš metų, pyragas po pyrago, ji koregavo. Pastebėdavo dėsningumus. „Kai obuoliai per rūgštūs, įdėk daugiau cukraus. Kai saldūs, įdėk mažiau. Jei drėgna, į tešlą pilk mažiau vandens. Jei sausa, pilk daugiau.“
Ji mokėsi iš patirties. Iš atsiliepimų. Iš šimtų iškeptų pyragų ir pastebėjimo, kas veikia, o kas ne.
Būtent taip veikia mašininis mokymasis. Tik vietoj pyragų kompiuteriai daro prognozes. Ir vietoj 40 metų jiems užtenka kelių valandų.
Parodysiu, kaip.
Ką „mokymasis“ iš tikrųjų reiškia (mašinoms)
Kai žmonės sako, kad kompiuteris kažko „išmoko“, jie neturi omenyje, kad jis suprato. Jie turi omenyje, kad jis patobulėjo atlikdamas užduotį per praktiką.
Mano motina nesuprato chemijos, kaip sviestas daro tešlą sluoksniuotą. Ji tiesiog žinojo, kad taip yra. Ji pastebėjo dėsningumą: kuo daugiau sviesto, tuo sluoksniuotesnė tešla. Tai ir yra mokymasis.
Kompiuteriai daro tą patį, tik su duomenimis vietoj pyragų.
Pateiksiu realų pavyzdį, su kuriuo susiduriate kasdien: jūsų el. pašto šiukšlių filtras.
Senasis būdas (prieš mokymąsi)
Rankinės taisyklės, kurios nuolat žlugdavo
Kažkas turėjo rašyti taisykles: „Jei el. laiške rašoma „Nigerijos princas“, tai šiukšlės. Jei rašoma „Laimėjote loterijoje“, tai šiukšlės. Jei jame yra daugiau nei 10 šauktukų, tai šiukšlės.“
Problema? Šiukšlių siuntėjai prisitaikė. Jie pradėjo rašyti „N1gerijos pr1ncas“ arba „L0terija“. Taisyklės žlugo. Kažkas turėjo ranka rašyti naujas taisykles. Vėl ir vėl. Be galo.
Naujasis būdas (su mokymusi)
Kompiuteris pats randa dėsningumus
Parodote kompiuteriui 10 000 el. laiškų. „Šie 5 000 yra šlamštas. Šie 5 000 yra tikri.“ Kompiuteris į juos pažiūri ir randa dėsningumų, kurių ieškoti jūs jam nesakėte:
- → Šlamšto laiškuose tam tikri žodžiai dažnai būna kartu
- → Jie ateina iš tam tikrų tipų el. pašto adresų
- → Juose yra neįprastų skyrybos dėsningumų
- → Juose esančios nuorodos tam tikrais būdais atrodo įtartinos
Kai šlamšto siuntėjai pakeičia taktiką, jūs tiesiog parodote kompiuteriui naujų šlamšto pavyzdžių. Jis randa naujus dėsningumus. Nereikia ranka rašyti naujų taisyklių.
Tai yra mašininis mokymasis: kompiuteriai tobulėja atlikdami užduotis, nes randa dėsningumus pavyzdžiuose, o ne laikosi kažkieno parašytų taisyklių.
Trys būdai, kaip mašinos praktikuojasi
Kaip ir žmonės mokosi įvairiai, taip ir mašinos turi skirtingus mokymosi metodus įvairioms situacijoms. Papasakosiu apie tris pagrindinius, naudodamas pavyzdžius, su kuriais tikrai susidursite.
Mokymasis su mokytoju (mokymasis su mokytoju)
Prisimenate, kaip mokykloje mokėtės daugybos lentelės? Mokytojas davė užduočių IR atsakymų. „Kiek yra 7 kartus 8?“ „56.“ Praktikavotės, kol galėjote atsakyti nežiūrėdami.
Tai yra mokymasis su mokytoju. Kompiuteris gauna klausimus ir atsakymus kartu.
Pavyzdys: kaip išmokyti kompiuterį atpažinti nuotraukas
Parodote jam 1 000 nuotraukų. Prie kiekvienos pasakote, kas joje yra:
- 📷 Šioje nuotraukoje: katė
- 📷 Šioje nuotraukoje: šuo
- 📷 Šioje nuotraukoje: automobilis
Kompiuteris pradeda spėlioti atsitiktinai. Iš pradžių spėjimai baisūs. Paskui jis pastebi dėsningumus: „Nuotraukos su smailiomis ausimis ir ūsais dažniausiai yra katės. Nuotraukos su kabančiomis ausimis ir šlapiomis nosimis dažniausiai yra šunys. Nuotraukos su ratais ir langais dažniausiai yra automobiliai.“
Jis treniruojasi su tomis 1 000 nuotraukų, kol pradeda labai gerai atpažinti. Tada išbandote jį su naujomis nuotraukomis, kurių jis dar niekada nematė. Jei dėsningumus išmoko gerai, jas atpažįsta teisingai.
Būtent taip jūsų telefonas atpažįsta veidus, gydytojai naudoja dirbtinį intelektą ligoms rentgeno nuotraukose aptikti, o balso asistentai supranta, ką sakote.
Mokymasis be mokytojo (nemokomas mokymasis)
Įsivaizduokite, kad rūšiuojate velionės tetos sagų kolekciją. Ji turėjo šimtus sagų, visas sumaišytas. Neturite jokio vadovo. Tiesiog pradedate jas dėti į krūveles, kurios jums atrodo prasmingos.
Dėsningumų ieškojimas savarankiškai
- → Didelės sagos čia. Mažos ten.
- → Metalinės į šią krūvelę. Plastikinės į tą.
Dėsningumus randate patys, niekam nesakius, ko ieškoti.
Tai ir yra nemokomas mokymasis. Kompiuteris ieško dėsningumų, nesakius jam, koks turėtų būti atsakymas.
Pavyzdys: klientų grupių radimas
Parduotuvė turi 10 000 klientų duomenis: ką jie perka, kada apsipirkinėja, kiek išleidžia. Niekas kompiuteriui nesako, kokios grupės egzistuoja. Jis tiesiog žiūri ir randa dėsningumus:
1 grupė: jauni žmonės, kurie apsipirkinėja vėlai vakare, perka nedaug, užsuka dažnai
2 grupė: šeimos, kurios apsipirkinėja savaitgaliais, perka dideliais kiekiais, užsuka kas savaitę
3 grupė: pensininkai, kurie apsipirkinėja darbo dienomis vidurdienį, perka konkrečias prekes, labai pastovūs
Niekas nesakė, kad šios grupės egzistuoja. Jis jas rado pastebėjęs, kurie klientai elgiasi panašiai.
Būtent taip „Netflix“ grupuoja jums galinčius patikti serialus, kaip sukčiavimo aptikimas randa neįprastas operacijas ir kaip mokslininkai atranda DNR dėsningumus.
Mokymasis bandant (sustiprinamasis mokymasis)
Prisimenate, kaip mokėte šunį sėdėti? Neaiškinate, kas yra sėdėjimas. Tiesiog sakote „sėdėk“, o kai šuo atsisėda, duodate jam skanėstą. Kai neatsisėda, skanėsto nėra. Šuo supranta: sėdėjimas reiškia skanėstus. Nesėdėjimas reiškia jokių skanėstų.
Tai ir yra sustiprinamasis mokymasis. Išbandyk dalykus. Pažiūrėk, kas veikia. Daryk daugiau to, kas veikia.
Pavyzdys: kompiuterio mokymas žaisti šachmatais
Kompiuteris iš pradžių nežino taisyklių. Jis tiesiog bando ėjimus. Atsitiktinai. Dauguma jų baisūs.
Bet štai kas svarbu: kai jis laimi partiją, sakote jam „gerai padirbėta“. Kai pralaimi, sakote „taip neveikia“. Jis pradeda pastebėti:
- ✓ Valdovės perkėlimas čia dažnai veda į pergalę
- ✗ Paliktas neapsaugotas karalius paprastai veda į pralaimėjimą
- ✓ Lentos centro kontrolė yra naudinga
Sužaidęs milijonus partijų su savimi, jis tampa tikrai, tikrai geras. Ne todėl, kad kas nors jį mokė strategijos. O todėl, kad jis išbandė viską ir sužinojo, kas veikia.
Taip dirbtinis intelektas išmoko įveikti pasaulio čempionus šachmatuose ir go, kaip robotai išmoksta vaikščioti ir kaip savavaldžiai automobiliai išmoksta vairuoti.
Trys mokymosi būdai
Kaip praktika iš tikrųjų vyksta (slaptasis procesas)
Gerai, tad kompiuteris praktikuojasi žiūrėdamas į pavyzdžius. Bet kas iš tikrųjų vyksta viduje? Leisk man tau tai paaiškinti taip, lyg žiūrėtum kompiuteriui per petį.
1 žingsnis: pradėk nuo laukinių spėjimų
Kaip spėjant moliūgo svorį
Įsivaizduok, kad bandai atspėti moliūgo svorį vien jį apžiūrėdamas. Niekada to nedarei, tad tiesiog išmeti atsitiktinį skaičių. „Hmm... 15 svarų?"
Būtent tai ir daro kompiuteris. Jis pradeda nuo atsitiktinių spėjimų. Visiškai atsitiktinių. Tai tarsi prašyti naujagimio atpažinti spalvas. Spėjimai baisūs. Bet tai gerai. Tai atspirties taškas.
2 žingsnis: patikrink, kiek klysti
Klaidos matavimas
Dabar padedi moliūgą ant svarstyklių. Jis iš tikrųjų sveria 23 svarus. Suklydai 8 svarais. Tai tavo klaida.
Kompiuteris daro tą patį. Jis spėja, patikrina teisingą atsakymą ir apskaičiuoja, kiek suklydo. „Sakiau, kad šioje nuotraukoje šuo. Iš tikrųjų tai katė. Labai suklydau."
3 žingsnis: pakoreguok kitą spėjimą
Mokymasis iš klaidų
Kitas moliūgas panašus į pirmąjį. Vėl nespėji 15 svarų. Supratai, kad tokie moliūgai sunkesni, nei manei. Tad spėji 22 svarus. Arčiau!
Kompiuteris daro būtent tai. Jis koreguoja savo spėjimo būdą pagal savo klaidas. „Vis spėdavau „šuo", kai matydavau nukarusias ausis, bet klysdavau. Leisk man atkreipti dėmesį ir į kitus požymius."
4 žingsnis: kartok tūkstančius kartų
Practice makes perfect
After guessing the weight of 1,000 pumpkins and checking the scale each time, you'd get pretty good at it. You'd notice patterns: "Big, round pumpkins with thick stems are usually heavy. Tall, skinny ones are usually lighter."
The computer does this thousands or millions of times. Each time, it gets a tiny bit better. Eventually, it's really good at whatever task it's practicing.
That's the whole process. Make a guess. Check how wrong you are. Adjust. Repeat until you're good enough. Simple idea. But do it millions of times really fast, and you get powerful results.
Why This Works So Well (And Why It's Not Magic)
Here's what's amazing: this incredibly simple process works for an incredible variety of tasks.
Same basic idea (practice with feedback) can:
- ✓ Learn to recognize your face to unlock your phone
- ✓ Learn to translate between languages
- ✓ Learn to spot tumors in medical scans
- ✓ Learn to predict if it's going to rain tomorrow
- ✓ Learn to recommend movies you'll probably like
Why does it work for all these different things?
Because they're all pattern recognition problems at their core. Your face has patterns. Languages have patterns. Tumors have patterns. Weather has patterns. Your movie preferences have patterns.
The computer finds those patterns by practicing with examples. It doesn't "understand" faces or languages or medicine. It just finds: when I see this pattern, the answer is usually that.
That's powerful. But it's not magic. It's pattern matching, practiced at a scale humans can't match.
What the Computer Actually Learns (The Truth May Surprise You)
Here's something most people get wrong: the computer doesn't learn understanding. It learns shortcuts.
Let me show you what I mean with a true story.
Dirbtinio intelekto odos vėžio atpažinimo apgaulė
Mokslininkai išmokė dirbtinį intelektą atpažinti odos vėžį iš nuotraukų. Jis tapo tikrai geras. Geresnis nei kai kurie gydytojai. Nuostabu, ar ne?
Tada jie pastebėjo kažką keisto. Dirbtinis intelektas žiūrėjo į liniuotes. Daugelyje vėžio nuotraukų buvo liniuočių (masteliui parodyti). Daugelyje ne vėžio nuotraukų jų nebuvo.
Dirbtinis intelektas išmoko: „Jei matau liniuotę, tikriausiai tai vėžys.“ Techniškai tai modelis, kuris veikė su mokymo duomenimis. Bet tai ne vėžio supratimas. Tai spartusis kelias.
Taip nutinka nuolat:
Dirbtinio intelekto šališkumo ir spartųjų kelių pavyzdžiai
- ⚠️ Įdarbinimo dirbtinis intelektas išmoko, kad gyvenimo aprašymai su vardu „Jared“ dažniau sulaukia kvietimo į pokalbį (nes mokymo duomenyse buvo šališkų žmonių sprendimų)
- ⚠️ Veidų atpažinimo sistema geriau veikė su baltaodžiais vyrais (nes jie buvo per daug atstovaujami mokymo nuotraukose)
- ⚠️ Paskolų tvirtinimo sistema diskriminavo tam tikrus rajonus (nes mokėsi iš istoriškai šališkų skolinimo duomenų)
Kompiuteris randa modelius duomenyse, kuriuos jam duodate. Jei duomenyse yra šališkumo, jis išmoksta šališkumą. Jei duomenyse yra spartųjų kelių, jis išmoksta spartųjų kelių. Jis nežino geriau. Jis tiesiog randa tai, kas veikia su pavyzdžiais, kuriuos matė. Štai kodėl mašininiam mokymuisi reikia kruopštaus dėmesio. Jis galingas, bet ne išmintingas.
Du būdai praktikuotis (tradicinis ir kitoks)
Pamenate, kaip sakiau, kad kompiuteriai mokosi koreguodami spėjimus pagal klaidas? Yra du pagrindiniai būdai tai daryti.
Tradicinis būdas: maži skaičių koregavimai
Kaip šiandien veikia dauguma dirbtinio intelekto sistemų
Kompiuteris turi milijonus mažų rankenėlių (vadinamų svoriais). Kiekviena rankenėlė nustatyta į konkretų skaičių.
Kai kompiuteris suklysta, jis nustato, kurias rankenėles pasukti ir kuria kryptimi. Jas pasuka tik truputį. Tada vėl spėja, vėl suklysta, vėl pasuka rankenėles. Ir taip vėl ir vėl. Po milijonų pakartojimų visos tos rankenėlės nustatomos į skaičius, kurie duoda gerus spėjimus.
Privalumai
Tai veikia tikrai gerai. Gali rasti nepaprastai sudėtingus modelius. Išbandyta ir patikima.
Trūkumai
Tam reikia didžiulio kompiuterinės galios kiekio. Tokių sistemų mokymas kainuoja milijonus dolerių vien už elektrą. O kai viskas baigta, turite milijonus rankenėlių nustatymų, bet negalite paaiškinti, kodėl jos nustatytos būtent į tuos skaičius. Tai juodoji dėžė.
Kitoks būdas: taisyklių paieška vietoj skaičių
Kaip veikia kai kurios naujesnės sistemos
Kai kurios sistemos (pavyzdžiui, tos, kurias kuria tokios įmonės kaip Dweve) veikia kitaip. Vietoj to, kad reguliuotų milijonus skaičių rankenėlių, jos ieško loginių taisyklių.
Vietoj to, kad išmoktų „svoris 47 turėtų būti 0,8234", jos išmoksta „jei el. laiške yra skubių žodžių IR jis atėjo iš nežinomo siuntėjo IR jame yra keistų nuorodų, tada jis tikriausiai yra šlamštas".
Tai panašiau į tai, kaip mokosi žmonės
Tavo galvoje nėra skaičių. Turi nykščio taisykles: „Jei duona kvepia rūgščiai, tikriausiai sugedusi. Jei dangus tamsus ir sunkus, gali palyti."
Gerai
Sprendimus tikrai gali paaiškinti. „El. laiškas pažymėtas kaip šlamštas, nes atitiko šiuos tris šablonus." Be to, tai daug efektyviau. Sunaudoja daug mažiau energijos.
Blogai
Ne kiekviena problema puikiai tinka taisyklėms. Kai kuriems dalykams tikrai reikia tų milijonų mažyčių skaičių koregavimų.
Nė vienas būdas ne visada yra geresnis. Jie yra įrankiai. Naudoji tinkamą darbui.
Kaip iš tikrųjų atrodo mokymosi procesas
Kur tai iš tikrųjų veikia jūsų gyvenime
Leiskite parodyti, kur jūs jau naudojatės mašininiu mokymusi kiekvieną dieną, tikriausiai to net nesuvokdami.
⏰ Jūsų rytinis žadintuvas
Jūsų telefono žadintuvas tikriausiai turi funkciją, kuri palaipsniui didina garsą. Tai paprasta. Tačiau kai kurie telefonai taip pat išmoksta, kada jūs paprastai pabundate natūraliai, ir pasiūlo geresnį žadinimo laiką. Mašininis mokymasis pastebėjo: „Jūs visada atidedate 6 val. žadintuvą, bet natūraliai pabundate 6:30. Leiskite man pasiūlyti 6:30.“
🚗 Jūsų kelionė į darbą
Žemėlapių programėlės prognozuoja eismą. Kaip? Jos išmoko iš milijonų kelionių: „Antradienio rytais šiame greitkelyje apie 7:45 susidaro spūstys. Kai lyja, šis maršrutas sulėtėja 15 minučių.“ Iš duomenų rasti dėsningumai.
📧 Jūsų el. paštas
Kiekvienas brukalo laiškas, kuris nepasiekia jūsų pašto dėžutės? Mašininis mokymasis. Kiekvienas el. laiškas, automatiškai surūšiuotas į aplankus? Mašininis mokymasis. Jūsų el. pašto programėlė išmoko iš milijonų pavyzdžių, kaip atrodo brukalas ir kas svarbu būtent jums.
🎬 Jūsų pramogos
Netflix siūlo serialus. Spotify kuria jums grojaraščius. YouTube rekomenduoja vaizdo įrašus. Visa tai mašininis mokymasis. Jie išmoko: „Žmonės, kurie žiūrėjo šiuos tris serialus, paprastai taip pat mėgsta šį ketvirtąjį. Žmonės, kurie klausosi šio atlikėjo, paprastai mėgsta ir šiuos kitus atlikėjus.“
🛒 Jūsų apsipirkimas
„Klientai, kurie pirko šią prekę, taip pat pirko...“ Mašininis mokymasis. „Jums taip pat gali patikti...“ Mašininis mokymasis. Netgi kainos, kurias matote, gali būti koreguojamos mašininio mokymosi pagalba, atsižvelgiant į paklausos dėsningumus.
🔒 Jūsų saugumas
Jūsų kredito kortelės bendrovė blokuoja įtartiną operaciją? Mašininis mokymasis pastebėjo dėsningumą: „Šis mokėjimas neatitinka įprasto šio žmogaus pirkimo elgesio. Tai gali būti sukčiavimas.“
Visos šios sistemos mokėsi iš pavyzdžių. Jos rasdavo dėsningumus. Tobulėjo praktikuodamosi. Tai mašininis mokymasis, kuris jus liečia dešimtis kartų per dieną.
Nuoširdžios ribos (ko ji negali)
Mašininis mokymasis yra galingas, bet ne stebuklingas. Būsiu visiškai nuoširdus, ko jis negali.
Negali mokytis be pavyzdžių
Reikia duomenų. Daug duomenų. Norite išmokyti kompiuterį atpažinti retą ligą? Reikia tūkstančių tos ligos pavyzdžių. Jų neturite? Negalite išmokyti sistemos. Taip paprasta.
Negali suprasti konteksto kaip žmonės
Žmogus pamato sniegu padengtą „STOP" ženklą ir žino, kad tai vis tiek stop ženklas. Kompiuteris gali jo nebeatpažinti, nes visi jo mokymosi pavyzdžiai rodė švarius, matomus stop ženklus. Jis išmoko tobulo stop ženklo dėsningumą, o ne „stop" sąvoką.
Negali paaiškinti savo sprendimų (paprastai)
Paklauskite gydytojo, kodėl, jo manymu, sergate gripu: „Jūs karščiuojate, skauda kūną, ir dabar gripo sezonas." Aiškus samprotavimas.
Paklauskite daugumos dirbtinio intelekto sistemų, kodėl jos priėmė sprendimą: „Nes šie 47 milijonai skaičių nustatyti į šias konkrečias reikšmes." Nebeturtinga.
Perims jūsų šališkumą
Jei mokysite ją iš šališkų duomenų, ji išmoks šališkumo. Jei istoriniai įdarbinimo duomenys rodo šališkumą tam tikrų grupių atžvilgiu, dirbtinis intelektas taip pat išmoks būti šališkas. Jis nežino geriau. Jis tiesiog išmoksta tai, kas yra duomenyse.
Negali prisitaikyti prie visiškai naujų situacijų
Žmonės tai puikiai moka. Niekada nesate matę violetinės žirafos, bet jei pamatytumėte, atpažintumėte ją kaip žirafą, kuri tiesiog yra violetinė.
Kompiuteris, išmokytas iš įprastų žirafų, gali visiškai susipainioti pamatęs violetinę. Jos nebuvo mokymosi duomenyse. Sistema nemoka taip apibendrinti.
Tai nėra smulkmenos. Tai esmė to, kaip veikia mašininis mokymasis. Suprasti šiuos apribojimus yra taip pat svarbu, kaip suprasti galimybes.
Ką Reikia Atsiminti
Jei atrodo, kad to daug, štai kas iš tikrųjų svarbu:
- 1 Mašininis mokymasis yra praktika su grįžtamuoju ryšiu. Kompiuteris spėja, tikrina, ar spėjimas teisingas, koreguoja ir kartoja. Lygiai taip pat, kaip išmoktumėte bet ko praktikuodamiesi.
- 2 Egzistuoja trys pagrindiniai tipai. Mokymas su mokytoju (su atsakymų raktais), mokymas be mokytojo (savarankiškai ieškant dėsningumų) ir mokymasis su pastiprinimu (mokantis bandant). Kiekvienas tinka skirtingoms problemoms.
- 3 Jis randa dėsningumus, o ne supratimą. Kompiuteris nieko „nesupranta". Jis tik pastebi: kai matau šį dėsningumą, atsakymas paprastai yra toks. Galinga, bet ne tas pats, kas žmogaus supratimas.
- 4 Jūs jį naudojate nuolat. Jūsų el. paštas, žemėlapiai, pramogos, apsipirkimas. Mašininis mokymasis liečia jūsų gyvenimą dešimtis kartų per dieną.
- 5 Jis turi realių ribų. Reikia daug duomenų. Išmoksta šališkumų. Negali lengvai paaiškinti savęs. Neapibendrina taip, kaip žmonės. Suprasti ribas svarbu taip pat, kaip suprasti galimybes.
- 6 Egzistuoja skirtingi metodai. Dauguma dirbtinio intelekto sistemų reguliuoja milijonus skaičių rankenėlių. Kai kurios sistemos vietoj to mokosi loginių taisyklių. Skirtingi įrankiai skirtingiems darbams.
Esmė
Mašininis mokymasis nėra paslaptingas. Tai tiesiog kompiuteris, kuris praktikuodamasis tampa geresnis kažką darydamas.
Parodyk jam pavyzdžių. Leisk jam spėti. Pasakyk, kai klysta. Stebėk, kaip jis koreguojasi ir tobulėja. Kartok tūkstančius kartų. Galiausiai jis tikrai gerai atlieka užduotį.
Tai ne mokymasis taip, kaip tu išmokai važiuoti dviračiu, skaityti ar susirasti draugų. Tai ne supratimo, išminties ar sveiko proto ugdymas.
Tai statistinių dėsningumų radimas duomenyse per pakartotinę praktiką ir koregavimą. Ir viskas. Tačiau atliekant tai tokiu mastu, kokio žmonės negali pasiekti, su milijonais pavyzdžių, gaunami tikrai naudingi rezultatai.
Tavo šiukšlių filtras veikia. Tavo balso asistentas tave supranta. Tavo žemėlapiai parodo kelią aplink spūstis. Viskas todėl, kad kompiuteriai praktikavosi su milijonais pavyzdžių, kol rado veikiančius dėsningumus.
Žodis „mokymasis“ skamba stebuklingai. Realybė matematinė. Tačiau ta matematika, praktikuojama dideliu mastu, kiekvieną dieną keičia tavo gyvenimą.
Dabar žinai, kaip tai veikia. Paslaptis dingo. Mašininis mokymasis yra dėsningumų atradimas per praktiką. Paprasta idėja. Galingas įgyvendinimas. Ir tu tai naudoji dabar, skaitydamas šiuos žodžius įrenginyje, pripildytame sistemų, kurios išmoko palengvinti tavo gyvenimą.
Kai kurios įmonės, kaip Dweve, tyrinėja skirtingus „praktikavimosi“ būdus, ne tik reguliuodamos skaičių skalę. Mokytis loginių taisyklių vietoj skaitinių svorių. Ieškoti apribojimų vietoj treniravimo parametrų. Skirtingi metodai skirtingoms problemoms. Nes mašininis mokymasis nebūtinai turi būti vienodo dydžio visiems.