რა არის მანქანათმცოდნეობა, რას ეხება და მისი მიზნები

მანქანათმცოდნეობა არის ხელოვნური ინტელექტის ფილიალი, რომელიც ეხება ადამიანის მსჯელობის მიბაძვას, მანქანას აყენებს იმ მდგომარეობაში, რომ ისწავლოს ქცევიდან და, შესაბამისად, ისტორიული მონაცემებიდან.

ამ სტატიის წაკითხვამდე გირჩევთ წაიკითხოთ Რა არის Data Science, რას აკეთებს და რა მიზნებით

მანქანა, რომელიც ანიმაციურია მანქანური სწავლის ალგორითმით, სერვისში შესვლამდე, გაიარა სასწავლო ფაზა, ეს არის სწავლა, უფრო ცნობილი როგორც ტრენინგი. ამ ეტაპზე მანქანა სწავლობს ხელმისაწვდომ ისტორიულ მონაცემებს.

სანამ მანქანათმცოდნეობის არსს და განსხვავებებს კლასიკურ პროგრამირებასა და მანქანათმცოდნეობას შორის გადავიდეთ, ვნახოთ მაგალითი, რომელიც აუცილებლად დაგვეხმარება უკეთ გავიგოთ.

მანქანათმცოდნეობის მაგალითი

დავუშვათ, რომ ჩვენს ერთ-ერთ პროგრამას მივაწვდით ინფორმაციას, რომელიც ეხება გზატკეცილზე მგზავრობის დროებს საუკეთესო სატრანსპორტო პირობებში, რათა დავავალოთ ალგორითმი, რომელსაც შეუძლია მოგვცეს პასუხი, თითქოს ეს იყოს ხმოვანი ასისტენტი.

თითოეული ბილიკისთვის ჩვენ მივაწვდით შემდეგ ინფორმაციას ალგორითმს:

1. გამგზავრების ადგილი და ჩამოსვლის ადგილი
2. გამოყენებული სატრანსპორტო საშუალებები, ძრავის მოცულობისა და ტიპის მითითებით (ელექტრო, ჰიბრიდი, დიზელი და ა.შ.)
3. მოგზაურობის მთლიანი დრო

შემდეგ ხმოვანი ასისტენტის საშუალებით ჩვენ მივდივართ, რომ ვუთხრათ მანქანას:

• ტურინიდან მილანამდე 1000 ძრავიანი და ბენზინის მანქანით გავიარეთ 1 საათი და 20 წუთი
• ტურინიდან მილანამდე 2000 ძრავის მოცულობითა და ბენზინით გავიარეთ 50 წუთი
• ტურინიდან მილანამდე 2000 წუთი ვიმოგზაურეთ 40 ძრავით და ელექტრომობილებით
• ტურინიდან მილანამდე 1200 წუთი ვიმოგზაურეთ 50 ბენზინის მოტოციკლით
• … და ასე შემდეგ …

რამდენადაც ჩვენ ვაგზავნით მონაცემებს ხმოვანი ასისტენტის საშუალებით, ჩვენი პროგრამა აწვდის ამ ტიპის ცხრილს:

საბოლოოდ, თუ ჩვენი მანქანა იყო ანიმაციური მანქანური სწავლის ალგორითმით, ის ისწავლის მოწოდებულ ინფორმაციას და, ამრიგად, იწინასწარმეტყველებს შედეგს მოგზაურობის დროის სახით. ამიტომ შეგვიძლია დავუსვათ კითხვა ჩვენს პროგრამას: "ტურინიდან მილანამდე 1000 მანქანით და დიზელით ... რამდენი დრო სჭირდება?"

მაგალითი არაზუსტია, მაგრამ საკმაოდ რეალური. თუმცა, ეს ხელს უწყობს მანქანათმცოდნეობის მიზნის შეჯამებას.

მაგალითიდან გამომდინარე, შევეცადოთ დავინახოთ განსხვავება კლასიკურ პროგრამირებასა და მანქანათმცოდნეობას შორის.

რა მოხდებოდა კლასიკურ პროგრამირებაში

ტრადიციულად, პროგრამისტი, რომელიც წერს კლასიკურ კოდს, უნდა:

1. გადაწყვიტოს პრობლემა, რომელიც მას აყენებს;
2. დაწერეთ პრობლემის გადაჭრის „დეტალური“ ალგორითმი;
3. დაწერეთ კოდი, რომელიც ახორციელებს ალგორითმს;
4. შეამოწმეთ დაწერილი კოდი და დარწმუნდით, რომ ის სწორად მუშაობს.

შემდეგ ადამიანის ინტელექტი გამოიყენება პროგრამის კოდის დასაწერად, რომელსაც შეუძლია პრობლემის გადაჭრა.

ამ შემთხვევაში პროგრამისტს მოუწევს იფიქროს მიღებული ინფორმაციის შენახვისა და სტრუქტურირების სისტემაზე. შემდგომში, როდესაც კლასიკური პროგრამირებით დაწერილი აპლიკაციის ოპერატორი სვამს კითხვას, მანქანა უპასუხებს ყველაზე ახლოს ცნობილ ინფორმაციას, უფრო მეტად შენახული ინფორმაციის მსგავსი.

რა ხდება მანქანათმცოდნეობაში

მანქანათმცოდნეობაში ეს არისხელოვნური ინტელექტი პროგრამას შეუძლია ისტორიული მონაცემების შესწავლა, პრობლემის გადასაჭრელად გამოსაყენებელი მოდელის შექმნა და ბოლოს მანქანა მოდელს პროგრამისტისათვის მისაწვდომს ხდის.

მანქანური სწავლებით ანიმაციურ მანქანაში, პროგრამა თავისთავად სწავლობს მოგზაურობის დროის პროგნოზირებას, რადგან სერვისში შესვლამდე მანქანამ გაიარა სწავლის ეტაპი. შემდეგ მანქანამ ისწავლა უპასუხოს ყველაზე გონივრული ინფორმაციით, რეალობასთან ყველაზე ახლოს მოდელის მიერ ნაკარნახევი და ინტერპრეტირებული ლოგიკის საფუძველზე.

მანქანათმცოდნეობაში მოდელი ხდება პროცესის გული. გენერირებისა და განათლების მიღების შემდეგ, ის შეიძლება ხელმისაწვდომი იყოს. ყოველი ახალი მოთხოვნა ახალი მონაცემებით, იგივე ფორმატის, როგორც ტრენინგისთვის გამოყენებული, ახალ შედეგს გამოიღებს.

და მონაცემთა მეცნიერი?

მონაცემთა მეცნიერის როლი ოდნავ იცვლება, ანუ მას მოუწევს პროგრამის თანხლება მოდელის გენერირებამდე, ტრენინგის ფაზაში. ამისათვის ის იზრუნებს სტრატეგიების არჩევაზე, მიზნების დაგეგმვაზე, მონაცემთა მომზადებაზე და უპირველეს ყოვლისა მოდელის ტესტირებაზე მისი ეფექტურობისა და გაუმჯობესების ნებისმიერი შესაძლებლობის შესამოწმებლად.

ეს პროცესი შეიძლება განმეორდეს, რამდენჯერმე განმეორდეს ყოველი გამეორებისთვის გაუმჯობესებული და რეალური ელემენტების დამატების მიზნით. ამ გზით თქვენ შეგიძლიათ მიუახლოვდეთ ოპტიმალურ გადაწყვეტას შემდგომი ნაბიჯებისთვის, ტრენინგის გაუმჯობესება, ტესტის გაუმჯობესება და, შესაბამისად, მანქანა.

საბოლოო მიზანი ყოველთვის არის მოდელის შექმნა, რომელმაც იცის ისტორიული მონაცემები, ესმის მისი ლოგიკა და ნიმუშები და, შესაბამისად, შეუძლია მომავალი სიტუაციების შედეგის პროგნოზირება.

Ercole Palmeri: ინოვაციაზე დამოკიდებული