Що таке машинне навчання, що воно таке та його цілі

Машинне навчання — це гілка штучного інтелекту, яка займається імітацією людського мислення, надаючи машині можливість вчитися на поведінці, а отже, на історичних даних.

Перш ніж читати цю статтю, рекомендуємо прочитати Що за Data Science, що він робить і з якими цілями

Машина, анімована за допомогою алгоритму машинного навчання, перед початком експлуатації пройшла фазу навчання, тобто навчання, більш відому як навчання. На цьому етапі машина вивчає доступні історичні дані.

Перш ніж перейти до достоїнств машинного навчання та відмінностей між класичним програмуванням і машинним навчанням, давайте розглянемо приклад, який, безумовно, допоможе нам краще зрозуміти.

Приклад машинного навчання

Припустімо, ми передаємо одній із наших програм інформацію про час у дорозі на автомагістралі за найкращих умов руху, щоб дати команду алгоритму, здатному реагувати на нас, як на голосового помічника.

Для кожного шляху ми передамо наступну інформацію алгоритму:

1. місце відправлення та місце прибуття
2. використовувані транспортні засоби із зазначенням робочого об’єму та типу двигуна (електричний, гібридний, дизельний тощо)
3. загальний час у дорозі

Потім через голосовий помічник ми повідомимо машині:

• від Турина до Мілана з 1000 двигунами та бензиновими автомобілями ми їхали 1 годину 20 хвилин
• від Турина до Мілана з двигуном 2000 і бензином ми їхали 50 хвилин
• Ми їхали 2000 хвилин з Турина до Мілана на 40 двигунах і електромобілях
• Ми їхали 1200 хвилин з Турина до Мілана на 50 бензинових мотоциклах
• … і так далі …

Оскільки ми передали дані через голосовий помічник, наша програма передасть таблицю такого типу:

Зрештою, якби нашу машину анімували за допомогою алгоритму машинного навчання, вона навчилася б на основі наданої інформації та передбачила результат у вигляді часу подорожі. Тому ми можемо поставити запитання нашій програмі: "від Турина до Мілана з 1000 автомобілями та дизелем ... скільки це займе часу?"

Приклад неточний, але досить реалістичний. Однак це допомагає підсумувати мету машинного навчання.

Беручи приклад із прикладу, давайте спробуємо побачити різницю між класичним програмуванням і машинним навчанням.

Що буде в класичному програмуванні

Традиційно програміст, який пише класичний код, повинен:

1. розв’язати проблему, яка перед ним поставлена;
2. написати «розгорнутий» алгоритм розв’язання задачі;
3. написати код, який реалізує алгоритм;
4. протестуйте написаний код і переконайтеся, що він працює правильно.

Тоді інтелект людини використовується для написання програмного коду, який може вирішити проблему.

У цьому випадку програмісту доведеться подумати про систему зберігання та структурування отриманої інформації. Згодом, коли оператор програми, написаної за допомогою класичного програмування, задає запитання, машина відповідає найближчою відомою інформацією, більш схожою на збережену.

Що відбувається в машинному навчанні

У машинному навчанні цештучний інтелект програми, здатної вивчати історичні дані, створювати модель, яка буде застосована для вирішення проблеми, і, нарешті, машина робить модель доступною для програміста.

У машині, оживленій за допомогою машинного навчання, програма вчиться сама передбачати час у дорозі, тому що перед тим, як почати роботу, машина пройшла фазу навчання. Тоді машина навчилася реагувати найбільш розумною інформацією, найближчою до реальності на основі логіки, продиктованої та інтерпретованої моделлю.

У машинному навчанні модель стає серцевиною процесу. Після створення та навчання його можна зберігати доступним. Кожен новий запит із новими даними в тому самому форматі, що й ті, що використовуються для навчання, дасть новий результат.

А науковець даних?

Роль Data Scientist дещо змінюється, тобто він повинен буде супроводжувати програму до генерації моделі через етап навчання. Для цього він подбає про вибір стратегій, планування цілей, підготовку даних і, перш за все, тестування моделі, щоб перевірити її ефективність, а також будь-яку можливість вдосконалення.

Цей процес можна ітерувати, повторювати кілька разів з метою додавання покращених і реальних елементів до кожної ітерації. Таким чином ви можете наблизитися до оптимального рішення для подальших кроків, покращуючи навчання, покращуючи тест, а отже, і машину.

Кінцевою метою завжди є створення моделі, яка знає історичні дані, розуміє їх логіку та закономірності, а отже, здатна передбачити результат майбутніх ситуацій.

Ercole Palmeri: Пристрасть до інновацій