Kā AI patiesībā mācās: mašīnmācīšanās bez liekā
Jūsu mātes recepšu grāmata
Ļaujiet man pastāstīt par manu māti. Viņa cep visgardāko ābolu pīrāgu, kādu esmu jebkad garšojis. Pilnīgi perfektu. Katru reizi.
Lūk, lieta: viņa nekad nav izmantojusi recepti. Ne reizi. Viņa cep šo pīrāgu jau 40 gadus. Viņa vienkārši zina, kas der.
Kā viņa iemācījās?
Viņa sāka ar savas mātes recepti. Pirmais pīrāgs? Pieņemams. Otrais pīrāgs? Viņa pievienoja nedaudz vairāk kanēļa, jo pirmais bija bezgaršīgs. Trešais pīrāgs? Mazāk cukura, jo otrais bija par saldu. Ceturtais pīrāgs? Vairāk sviesta mīklā, jo tā bija par sausu.
Gadu pēc gada, pīrāgu pēc pīrāga, viņa pielāgoja. Ievēroja likumsakarības. "Kad āboli ir par skābiem, pievieno vairāk cukura. Kad tie ir saldi, pievieno mazāk. Ja ir mitrs laiks, mīklā izmanto mazāk ūdens. Ja ir sauss, izmanto vairāk."
Viņa mācījās no pieredzes. No atsauksmēm. No simtiem pīrāgu cepšanas un ievērošanas, kas darbojās un kas nē.
Tieši tā darbojas mašīnmācīšanās. Tikai tā vietā, lai ceptu pīrāgus, datori veic prognozes. Un tā vietā, lai būtu vajadzīgi 40 gadi, viņi to izdara dažās stundās.
Ļaujiet man parādīt, kā.
Ko "mācīšanās" patiesībā nozīmē (mašīnām)
Kad cilvēki saka, ka dators kaut ko "iemācījies", viņi nedomā, ka tas saprata. Viņi domā, ka tas kļuva labāks kādā uzdevumā prakses rezultātā.
Mana māte nesaprata ķīmiju, kā sviests padara mīklu kārtiņainu. Viņa vienkārši zināja, ka tā notiek. Viņa atrada likumsakarību: vairāk sviesta nozīmē kārtiņaināku mīklu. Tā ir mācīšanās.
Datori dara to pašu, tikai ar datiem, nevis pīrāgiem.
Ļaujiet man sniegt reālu piemēru, ar ko saskaraties katru dienu: jūsu e-pasta surogātpasta filtrs.
Vecais veids (pirms mācīšanās)
Manuāli noteikumi, kas pastāvīgi lūza
Kādam bija jāraksta noteikumi: "Ja e-pastā ir 'Nigērijas princis', tas ir surogātpasts. Ja tajā ir 'Jūs esat laimējis loterijā', tas ir surogātpasts. Ja tajā ir vairāk nekā 10 izsaukuma zīmes, tas ir surogātpasts."
Problēma? Surogātpasta sūtītāji pielāgojās. Viņi sāka rakstīt "N1gērijas pr1ncis" vai "L0terija." Noteikumi lūza. Kādam bija manuāli jāraksta jauni noteikumi. Atkal un atkal. Mūžīgi.
Jaunais veids (ar mācīšanos)
Dators pats atrod modeļus
Tu rādi datoram 10 000 e-pastu. "Šie 5000 ir mēstules. Šie 5000 ir īsti." Dators tos aplūko un atrod modeļus, kurus tu tam nekad neliki meklēt:
- → Mēstulēs mēdz būt noteikti vārdi kopā
- → Tās nāk no noteikta veida e-pasta adresēm
- → Tajās ir neparasti pieturzīmju modeļi
- → Saites tajās izskatās aizdomīgi noteiktos veidos
Kad mēstules sūtītāji maina taktiku, tu vienkārši parādi datoram jaunus mēstules piemērus. Tas atrod jaunus modeļus. Nav jāraksta jauni noteikumi manuāli.
Tā ir mašīnmācīšanās: datori kļūst labāki uzdevumos, atrodot modeļus piemēros, nevis ievērojot kāda rakstītus noteikumus.
Trīs veidi, kā mašīnas praktizējas
Tāpat kā cilvēki mācās dažādos veidos, arī mašīnām ir dažādas mācīšanās metodes dažādām situācijām. Ļauj man pastāstīt par trim galvenajām, izmantojot piemērus, ar kuriem tu noteikti sastapsies.
Mācīšanās ar skolotāju (vadītā mācīšanās)
Atceries, kā skolā mācījies reizrēķinu? Skolotājs deva tev uzdevumus UN atbildes. "Cik ir 7 reiz 8?" "56." Tu praktizējies, līdz varēji atbildēt bez skatīšanās.
Tā ir vadītā mācīšanās. Dators saņem jautājumus un atbildes kopā.
Piemērs: kā iemācīt datoram atpazīt fotogrāfijas
Tu tam parādi 1000 fotogrāfijas. Par katru tu pasaki, kas tajā ir:
- 📷 Šajā fotogrāfijā: kaķis
- 📷 Šajā fotogrāfijā: suns
- 📷 Šajā fotogrāfijā: automašīna
Dators sāk minēt nejauši. Sākumā minējumi ir briesmīgi. Tad tas pamana modeļus: "Fotogrāfijās ar smailām ausīm un ūsām parasti ir kaķi. Fotogrāfijās ar nokarenām ausīm un slapjiem deguniem parasti ir suņi. Fotogrāfijās ar riteņiem un logiem parasti ir automašīnas."
Tas trenējas uz šīm 1000 fotogrāfijām, līdz kļūst patiešām labs. Tad tu to testē uz jaunām fotogrāfijām, kuras tas nekad nav redzējis. Ja tas ir labi apguvis modeļus, tas tās atpazīst pareizi.
Tieši tā tavs telefons atpazīst sejas, tā ārsti izmanto mākslīgo intelektu, lai rentgena attēlos pamanītu slimības, un tā balss asistenti saprot, ko tu saki.
Mācīšanās bez skolotāja (neuzraudzīta mācīšanās)
Tagad iedomājies, ka šķiro savas nelaiķa tantes pogu kolekciju. Viņai bija simtiem pogu, visas sajauktas kopā. Tev nav nekāda ceļveža. Tu vienkārši sāc tās šķirot kaudzītēs, kas tev šķiet loģiskas.
Modeļu atrašana pašam
- → Lielās pogas šeit. Mazās pogas tur.
- → Metāla pogas šajā kaudzē. Plastmasas pogas tajā kaudzē.
Tu atrodi modeļus bez tā, ka kāds tev pasaka, ko meklēt.
Tā ir neuzraudzīta mācīšanās. Dators meklē modeļus bez tā, ka tam pasaka, kādai jābūt atbildei.
Piemērs: klientu grupu atrašana
Veikalā ir dati par 10 000 klientiem: ko viņi pērk, kad iepērkas, cik daudz tērē. Neviens datoram nesaka, kādas grupas pastāv. Tas vienkārši skatās un atrod modeļus:
1. grupa: Jauni cilvēki, kuri iepērkas vēlu naktī, pērk mazos daudzumos, nāk bieži
2. grupa: Ģimenes, kuras iepērkas nedēļas nogalēs, pērk lielos daudzumos, nāk katru nedēļu
3. grupa: Pensionāri, kuri iepērkas darba dienu vidū, pērk konkrētas preces, ļoti regulāri
Neviens tam neteica, ka šīs grupas pastāv. Tas tās atrada, ievērojot, kuri klienti uzvedas līdzīgi.
Tieši tā Netflix grupē šovus, kas tev varētu patikt, kā krāpšanas atklāšana atrod neparastus darījumus un kā zinātnieki atklāj modeļus DNS.
Mācīšanās, mēģinot (pastiprinātā mācīšanās)
Atceries, kā mācīji suni sēdēt? Tu nepaskaidro, kas ir sēdēšana. Tu vienkārši saki "sēdi", un, kad suns apsēžas, tu iedod viņam kārumu. Kad tas neapsēžas, kāruma nav. Suns saprot: sēdēšana nozīmē kārumus. Nesēdēšana nozīmē nekādu kārumu.
Tā ir pastiprinātā mācīšanās. Izmēģini lietas. Redzi, kas strādā. Dari vairāk tā, kas strādā.
Piemērs: datora mācīšana spēlēt šahu
Dators sākumā nezina noteikumus. Tas vienkārši izmēģina gājienus. Nejauši. Lielākā daļa ir briesmīgi.
Bet lūk, kas ir svarīgi: kad tas uzvar spēli, tu tam saki "labi darīts". Kad tas zaudē, tu saki "tas nederēja". Tas sāk ievērot:
- ✓ Dāmas pārvietošana šeit bieži noved pie uzvaras
- ✗ Karaļa atstāšana neaizsargātu parasti noved pie zaudējuma
- ✓ Dēļa centra kontrole ir noderīga
Pēc miljoniem spēļu pret sevi tas kļūst patiešām, patiešām labs. Ne tāpēc, ka kāds tam mācīja stratēģiju. Tāpēc, ka tas izmēģināja visu un uzzināja, kas strādā.
Tā mākslīgais intelekts iemācījās pārspēt pasaules čempionus šahā un Go, tā roboti mācās staigāt un tā pašbraucošas automašīnas mācās braukt.
Trīs mācīšanās veidi
Kā prakse patiesībā notiek (slepenais process)
Labi, dators praktizējas, aplūkojot piemērus. Bet kas īsti notiek iekšpusē? Ļauj man tev to izstāstīt tā, it kā tu skatītos pāri datora plecam.
1. solis: sāc ar mežonīgiem minējumiem
Kā minēt ķirbja svaru
Iedomājies, ka mēģini uzminēt ķirbja svaru, tikai to aplūkojot. Tu to nekad iepriekš neesi darījis, tāpēc vienkārši izmet kādu nejaušu skaitli. "Hmm... 15 mārciņas?"
Tieši to dara dators. Tas sāk ar nejaušiem minējumiem. Pilnīgi nejaušiem. Tas ir tā, it kā prasītu jaundzimušam bērnam nosaukt krāsas. Minējumi ir briesmīgi. Tas ir normāli. Tas ir sākumpunkts.
2. solis: pārbaudi, cik ļoti kļūdies
Kļūdas mērīšana
Tagad tu uzliec ķirbi uz svariem. Tas patiesībā sver 23 mārciņas. Tu kļūdījies par 8 mārciņām. Tā ir tava kļūda.
Dators dara to pašu. Tas izsaka minējumu, pārbauda pareizo atbildi, aprēķina, cik ļoti kļūdījies. "Es teicu, ka šajā fotoattēlā ir suns. Patiesībā tas ir kaķis. Es ļoti kļūdījos."
3. solis: pielāgo nākamo minējumu
Mācīšanās no kļūdām
Nākamais ķirbis izskatās līdzīgs pirmajam. Tu vairs nemini 15 mārciņas. Tu esi sapratis, ka šādi ķirbji ir smagāki, nekā domāji. Tāpēc tu mini 22 mārciņas. Tuvāk!
Dators dara tieši to. Tas pielāgo savu minēšanas metodi, pamatojoties uz savām kļūdām. "Es visu laiku minēju 'suns', kad redzēju nokarenas ausis, bet es kļūdījos. Ļauj man vairāk pievērst uzmanību arī citām pazīmēm."
4. solis: atkārto tūkstošiem reižu
Prakse dara meistaru
Ja tu uzminētu 1000 ķirbju svaru un katru reizi pārbaudītu uz svariem, tu kļūtu tajā visai labs. Tu pamanītu likumsakarības: "Lieli, apaļi ķirbji ar resniem kātiem parasti ir smagi. Gari, tievi parasti ir vieglāki."
Dators to dara tūkstošiem vai miljoniem reižu. Katru reizi tas kļūst kaut nedaudz labāks. Galu galā tas kļūst patiešām labs tajā, ko trenējas darīt.
Tas ir viss process. Izdari minējumu. Pārbaudi, cik ļoti kļūdījies. Pielāgo. Atkārto, līdz esi pietiekami labs. Vienkārša ideja. Bet dari to miljoniem reižu patiešām ātri, un iegūsti spēcīgus rezultātus.
Kāpēc tas darbojas tik labi (un kāpēc tā nav maģija)
Lūk, kas ir apbrīnojami: šis neticami vienkāršais process darbojas neticami daudzveidīgiem uzdevumiem.
Tā pati pamatideja (trenēšanās ar atgriezenisko saiti) var:
- ✓ Iemācīties atpazīt tavu seju, lai atslēgtu telefonu
- ✓ Iemācīties tulkot starp valodām
- ✓ Iemācīties pamanīt audzējus medicīniskajos skenējumos
- ✓ Iemācīties paredzēt, vai rīt līs lietus
- ✓ Iemācīties ieteikt filmas, kas tev, visticamāk, patiks
Kāpēc tas darbojas visām šīm dažādajām lietām?
Jo pēc būtības tās visas ir modeļu atpazīšanas problēmas. Tavai sejai ir modeļi. Valodām ir modeļi. Audzējiem ir modeļi. Laikapstākļiem ir modeļi. Tavām filmu vēlmēm ir modeļi.
Dators atrod šos modeļus, trenējoties ar piemēriem. Tas "nesaprot" sejas, valodas vai medicīnu. Tas vienkārši atrod: kad redzu šo modeli, atbilde parasti ir tā.
Tas ir spēcīgi. Bet tā nav maģija. Tā ir modeļu saskaņošana, trenēta mērogā, kādu cilvēki nespēj sasniegt.
Ko dators patiesībā iemācās (patiesība var tevi pārsteigt)
Lūk, ko lielākā daļa cilvēku saprot nepareizi: dators neiemācās sapratni. Tas iemācās īsceļus.
Ļauj man parādīt, ko es domāju, ar patiesu stāstu.
Ādas vēža mākslīgais intelekts, kas krāpās
Zinātnieki apmācīja mākslīgo intelektu atpazīt ādas vēzi fotogrāfijās. Tas kļuva ļoti labs. Labāks par dažiem ārstiem. Apbrīnojami, vai ne?
Tad viņi pamanīja kaut ko dīvainu. Mākslīgais intelekts skatījās uz lineāliem. Daudzās vēža fotogrāfijās bija lineāli (lai parādītu mērogu). Daudzās ne-vēža fotogrāfijās to nebija.
Mākslīgais intelekts iemācījās: "Ja redzu lineālu, tas droši vien ir vēzis." Tehniski tas ir modelis, kas darbojās ar apmācības datiem. Bet tā nav vēža izpratne. Tas ir īsceļš.
Tas notiek visu laiku:
Piemēri, kā mākslīgais intelekts apgūst aizspriedumus un īsceļus
- ⚠️ Darbā pieņemšanas mākslīgais intelekts iemācījās, ka CV ar vārdu "Jared" biežāk tiek pieņemti darbā (jo apmācības datos bija neobjektīvi cilvēku lēmumi)
- ⚠️ Sejas atpazīšanas sistēma labāk darbojās ar baltādainiem vīriešiem (jo tie bija pārstāvēti vairāk apmācības fotogrāfijās)
- ⚠️ Aizdevuma apstiprināšanas sistēma diskriminēja noteiktus rajonus (jo tā mācījās no vēsturiski neobjektīviem aizdevumu datiem)
Dators atrod modeļus datos, ko tam sniedzat. Ja datos ir aizspriedumi, tas apgūst aizspriedumus. Ja datos ir īsceļi, tas apgūst īsceļus. Tas nezinās labāk. Tas vienkārši atrod to, kas darbojas piemēros, ko tas redzēja. Tāpēc mašīnmācīšanās prasa rūpīgu uzmanību. Tā ir spēcīga, bet tā nav gudra.
Divi veidi, kā praktizēt (tradicionālais un atšķirīgais)
Atceries, kā es teicu, ka datori mācās, pielāgojot savus minējumus pēc kļūdām? Ir divi galvenie veidi, kā veikt šo pielāgošanu.
Tradicionālais veids: sīkas korekcijas skaitļos
Kā mūsdienās darbojas lielākā daļa mākslīgā intelekta
Datoram ir miljoniem mazu regulatoru (tos sauc par svariem). Katrs regulators ir iestatīts uz konkrētu skaitli.
Kad dators pieļauj kļūdu, tas noskaidro, kuri regulatori jāpagriež un kādā virzienā. Tas tos pagriež pavisam nedaudz. Tad tas izdara vēl vienu minējumu, pieļauj vēl vienu kļūdu un atkal pagriež regulatorus. Atkal un atkal. Pēc tam, kad tas to darījis miljoniem reižu, visi šie regulatori ir iestatīti uz skaitļiem, kas nodrošina labus minējumus.
Labais
Tas darbojas ļoti labi. Tas spēj atrast ārkārtīgi sarežģītus modeļus. Tas ir pārbaudīts un uzticams.
Sliktais
Tas patērē milzīgu datorjaudu. Šādu sistēmu apmācība izmaksā miljoniem dolāru par elektrību. Un, kad tas ir paveikts, tev ir miljoniem regulatoru iestatījumu, bet tu nevari īsti izskaidrot, kāpēc tie ir iestatīti tieši uz šiem skaitļiem. Tā ir melnā kaste.
Atšķirīgs veids: noteikumu meklēšana skaitļu vietā
Kā darbojas dažas jaunākas sistēmas
Dažas sistēmas (piemēram, tās, ko veido tādi uzņēmumi kā Dweve) darbojas citādi. Tā vietā, lai pielāgotu miljoniem skaitļu pogu, tās meklē loģiskus noteikumus.
Tā vietā, lai apgūtu "svaram 47 jābūt 0,8234", tās apgūst "ja e-pastā ir steidzami vārdi UN tas nāk no nezināma sūtītāja UN tajā ir dīvainas saites, tad tas, visticamāk, ir mēstule."
Tas vairāk līdzinās tam, kā mācās cilvēki
Tev galvā nav skaitļu. Tev ir praktiski likumi: "Ja maize smaržo skābi, tā, visticamāk, ir sabojājusies. Ja debesis ir tumšas un smagas, iespējams, līs."
Labais
Tu tiešām vari izskaidrot lēmumus. "E-pasts tika atzīmēts kā mēstule, jo tas atbilda šiem trim modeļiem." Tas ir arī daudz efektīvāk. Patērē daudz mazāk enerģijas.
Sliktais
Ne katra problēma labi der noteikumiem. Dažām lietām patiešām ir vajadzīgi tie miljoniem sīko skaitļu pielāgojumu.
Neviens veids ne vienmēr ir labāks. Tie ir rīki. Tu izmanto piemērotāko darbam.
Kā mācīšanās process patiesībā izskatās
Kur tas īsti darbojas tavā ikdienā
Ļauj man parādīt, kur tu jau katru dienu izmanto mašīnmācīšanos, iespējams, pat to neapzinoties.
⏰ Tavs rīta modinātājs
Tava telefona modinātājam, visticamāk, ir funkcija, kas pakāpeniski palielina skaļumu. Tas ir vienkārši. Bet daži telefoni arī mācās, kad tu mēdz mosties dabiski, un iesaka labākus modinātāja laikus. Mašīnmācīšanās pamanīja: "Tu vienmēr atliec modinātāju uz 6:00, bet mosties dabiski 6:30. Ļauj man ieteikt 6:30 vietā."
🚗 Tavs ceļš uz darbu
Kartes lietotnes prognozē satiksmi. Kā? Tās mācās no miljoniem braucienu: "Otrdienu rītos šī šoseja ap 7:45 kļūst sastrēgumaina. Kad līst, šis maršruts palēninās par 15 minūtēm." Modeļi, kas atrasti datos.
📧 Tavs e-pasts
Katrs mēstuļu e-pasts, kas nenonāk tavā iesūtnē? Mašīnmācīšanās. Katrs e-pasts, kas automātiski tiek šķirots mapēs? Mašīnmācīšanās. Tava e-pasta lietotne no miljoniem piemēru ir iemācījusies, kā izskatās mēstules un kas ir svarīgi tieši tev.
🎬 Tava izklaide
Netflix iesaka seriālus. Spotify veido atskaņošanas sarakstus tieši tev. YouTube iesaka video. Viss ir mašīnmācīšanās. Tās ir iemācījušās: "Cilvēki, kuri skatījās šīs trīs izrādes, parasti patīk arī šī ceturtā izrāde. Cilvēkiem, kuri klausās šo mākslinieku, parasti patīk arī šie citi mākslinieki."
🛒 Tava iepirkšanās
"Klienti, kuri iegādājās šo, iegādājās arī..." Mašīnmācīšanās. "Tev varētu patikt arī..." Mašīnmācīšanās. Pat cenas, ko tu redzi, var tikt pielāgotas ar mašīnmācīšanos, pamatojoties uz pieprasījuma modeļiem.
🔒 Tava drošība
Tava kredītkartes kompānija bloķē aizdomīgu darījumu? Mašīnmācīšanās pamanīja modeli: "Šis maksājums neatbilst šīs personas parastajiem tēriņu paradumiem. Tā varētu būt krāpšana."
Visas šīs sistēmas mācījās no piemēriem. Tās atrada modeļus. Ar praksi tās kļuva labākas. Tā ir mašīnmācīšanās, kas skar jūsu dzīvi desmitiem reižu dienā.
Godīgie ierobežojumi (Ko tā nevar izdarīt)
Mašīnmācīšanās ir spēcīga, bet tā nav maģija. Ļaujiet man būt patiesam par to, ko tā nevar izdarīt.
Tā nevar mācīties bez piemēriem
Jums ir nepieciešami dati. Daudz datu. Vēlaties iemācīt datoram atpazīt retu slimību? Jums ir nepieciešami tūkstošiem šīs slimības piemēru. To nav? Tad nevar apmācīt sistēmu. Tik vienkārši.
Tā nevar saprast kontekstu kā cilvēki
Cilvēks redz sniegā pārklātu "STOP" zīmi un zina, ka tā joprojām ir stop zīme. Dators to var neatpazīt, jo visi tā apmācības piemēri rādīja tīras, redzamas stop zīmes. Tas apguva ideālu stop zīmju modeli, nevis "stop" jēdzienu.
Tā nevar izskaidrot savu pamatojumu (parasti)
Pajautājiet ārstam, kāpēc viņš domā, ka jums ir gripa: "Jums ir drudzis, sāp ķermenis, un ir gripas sezona." Skaidrs pamatojums.
Pajautājiet vairumam mākslīgā intelekta sistēmu, kāpēc tās pieņēma lēmumu: "Tāpēc, ka šie 47 miljoni skaitļu ir iestatīti uz šīm konkrētajām vērtībām." Noderīgi nav.
Tā apgūs jūsu aizspriedumus
Ja apmācīsiet to uz neobjektīviem datiem, tā apgūs neobjektivitāti. Ja vēsturiskie darbā pieņemšanas dati liecina par neobjektivitāti pret noteiktām grupām, mākslīgais intelekts iemācīsies būt neobjektīvs. Tas nezinās labāk. Tas vienkārši apgūst to, kas ir datos.
Tā nevar pielāgoties pilnīgi jaunām situācijām
Cilvēki to lieliski prot. Jūs nekad neesat redzējuši violetu žirafi, bet, ja tādu ieraudzītu, atpazītu to kā žirafi, kura vienkārši ir violeta.
Dators, kas apmācīts uz parastām žirafēm, varētu būt pilnīgi neizpratnē par violetu. Tā nebija apmācības datos. Sistēma neprot vispārināt šādā veidā.
Tās nav sīkas problēmas. Tās ir būtiskas pašai mašīnmācīšanās darbībai. Izprast šos ierobežojumus ir tikpat svarīgi kā izprast iespējas.
Kas jums jāatceras
Ja šķiet, ka tā ir daudz, lūk, kas patiešām ir svarīgi:
- 1 Mašīnmācīšanās ir prakse ar atgriezenisko saiti. Dators izsaka minējumus, pārbauda, vai tie ir pareizi, pielāgojas un atkārto. Tieši tāpat kā tu apgūtu jebko praksē.
- 2 Pastāv trīs galvenie veidi. Vadītā (ar atbilžu atslēgām), nevadītā (modeļu meklēšana pašam) un pastiprinātā (mācīšanās mēģinot). Katrs darbojas dažādām problēmām.
- 3 Tas atrod modeļus, nevis sapratni. Dators nevis "saprot", bet gan tikai pamana: kad redzu šo modeli, atbilde parasti ir tāda. Spēcīgi, bet ne tas pats, kas cilvēka sapratne.
- 4 Tu to lieto pastāvīgi. Tavs e-pasts, tavas kartes, tava izklaide, tava iepirkšanās. Mašīnmācīšanās skar tavu dzīvi desmitiem reižu dienā.
- 5 Tam ir reāli ierobežojumi. Nepieciešams daudz datu. Apgūst aizspriedumus. Nevar viegli izskaidrot sevi. Nevispārina kā cilvēki. Izprast ierobežojumus ir tikpat svarīgi kā izprast iespējas.
- 6 Pastāv dažādas pieejas. Lielākā daļa mākslīgā intelekta sistēmu pielāgo miljoniem skaitļu regulatoru. Dažas sistēmas tā vietā apgūst loģiskus noteikumus. Dažādi rīki dažādiem darbiem.
Būtība
Mašīnmācīšanās nav noslēpumaina. Tas ir tikai dators, kas praksē kļūst labāks kādā jomā.
Parādi tam piemērus. Ļauj tam izdarīt minējumus. Pasaki, kad tas kļūdās. Vēro, kā tas pielāgojas un uzlabojas. Atkārto tūkstošiem reižu. Galu galā tas patiešām labi veic uzdevumu.
Tas nemācās tā, kā tu mācījies braukt ar velosipēdu, lasīt vai sadraudzēties. Tas neveido izpratni, gudrību vai veselo saprātu.
Tas atrod statistiskus modeļus datos, atkārtoti praktizējoties un pielāgojoties. Tas arī viss. Bet, darot to mērogā, kādu cilvēki nespēj sasniegt, ar miljoniem piemēru, tas rada patiesi noderīgus rezultātus.
Tavs mēstuļu filtrs darbojas. Tava balss asistenta tevi saprot. Tavi karšu maršruti apiet sastrēgumus. Viss tāpēc, ka datori praktizējās uz miljoniem piemēru, līdz atrada modeļus, kas darbojas.
Vārds "mācīšanās" liek tam izklausīties maģiski. Īstenība ir matemātiska. Bet šī matemātika, praktizēta plašā mērogā, katru dienu maina tavu dzīvi.
Tagad tu zini, kā tas darbojas. Noslēpums ir zudis. Mašīnmācīšanās ir modeļu atklāšana praksē. Vienkārša koncepcija. Spēcīga izpilde. Un tu to lieto tieši tagad, lasot šos vārdus ierīcē, kas pilna ar sistēmām, kuras iemācījās atvieglot tavu dzīvi.
Daži uzņēmumi, piemēram, Dweve, pēta dažādus veidus, kā "praktizēt" ārpus vienkāršas skaitļu regulēšanas. Apgūt loģiskus likumus, nevis skaitliskus svarus. Meklēt ierobežojumus, nevis trenēšanas parametrus. Dažādas pieejas dažādām problēmām. Jo mašīnmācīšanās nav obligāti jāpielāgo visiem vienādi.