Indhold
- Automation i Con of Information Technology
- Er automatisering fremtiden for maskinlæring?
- Ingen fejl, ingen stress - Din trinvis vejledning til oprettelse af livsændrende software uden at ødelægge dit liv
- Casestudie
- Maskinlæring kan erstatte job
- Konklusion
Kilde: Krulua / Dreamstime.com
Tag væk:
Maskinindlæring er et systems evne til at ændre sin egen programmering. Men når et system kan gøre dette, er mennesker stadig nødvendige?
Maskinlæring har været en af de største fremskridt i computerhistorien, og nu menes det at være i stand til at påtage sig betydelige roller inden for big data og analyse. Big data-analyse er en enorm udfordring set fra virksomhedernes perspektiv. F.eks. Kan aktiviteter såsom at give mening for enorme mængder af forskellige dataformater, dataforberedelse til analyse og filtrering af overflødige data bruge mange ressourcer. At ansætte dataforskere og specialister er et dyrt forslag og ikke inden for enhver virksomheds midler. Eksperter mener, at maskinlæring er i stand til at automatisere mange opgaver relateret til analyse - både rutinemæssigt og komplekst. Automatisering af maskinlæring kan frigøre en masse ressourcer, der kan bruges i mere komplekse og innovative job. Det ser ud til, at maskinindlæring har været på vej i den retning. (Se The Promises and Fallfall of Machine Learning) for at lære mere om brugen af maskinlæring.
Automation i Con of Information Technology
I forbindelse med IT er automatisering sammenkobling af forskellige systemer og software, så de er i stand til at udføre specifikke job uden nogen menneskelig indgriben. I it-branchen kan automatiserede systemer udføre både enkle og komplekse job. Et eksempel på et simpelt job kunne være at integrere en formular med en PDF og indsætte dokumentet til den rigtige modtager, mens levering af en offsite-sikkerhedskopi kan være et eksempel på et komplekst job.
For at gøre sit job skal et automatiseret system programmeres eller gives eksplicitte instruktioner. Hver gang et automatiseret system kræves for at ændre omfanget af dets job, skal programmet eller instruktionssættet opdateres af et menneske. Mens automatiserede systemer er effektive på deres job, kan der opstå fejl på grund af forskellige årsager. Når der opstår fejl, skal grundårsagen identificeres og rettes. For at udføre deres job er automatiserede systemer helt afhængige af mennesker. Jo mere kompleks jobbet er, jo højere er sandsynligheden for fejl og problemer.
Normalt tildeles rutinemæssige og gentagne job til automatiserede systemer. Et almindeligt eksempel på automatisering i IT-branchen er automatisering af testen af webbaserede brugergrænseflader. Testkasser indføres i automatiseringsskripts, og brugergrænsefladerne testes i overensstemmelse hermed. (For mere om praktisk anvendelse af maskinlæring, se Machine Learning & Hadoop i Next-Generation Fraud Detection.)
Argumentet til fordel for automatisering har været, at det udfører rutinemæssige og gentagne opgaver og frigør medarbejderne til at udføre mere komplekse og kreative opgaver. Det hævdes imidlertid også, at automatisering har fortrængt en masse job eller roller, der tidligere var udført af mennesker. Nu, hvor maskinlæring finder vej ind i forskellige brancher, kunne automatisering tilføje en ny dimension helt.
Er automatisering fremtiden for maskinlæring?
Selve essensen af maskinlæring er systemernes evne til løbende at lære af data og udvikle sig uden indblanding fra mennesker. Maskinlæring er i stand til at opføre sig som den menneskelige hjerne. For eksempel kan en anbefalingsmotor på et e-handelswebsted vurdere en brugers unikke præferencer og smag og tilbyde anbefalinger om produkter og tjenester, der bedst passer til brugerens valg. I betragtning af denne mulighed betragtes maskinlæring som ideel til automatisering af komplekse opgaver relateret til big data og analyse. Det har allerede overvundet hovedbegrænsningen af de traditionelle automatiseringssystemer, der ikke kan fungere uden regelmæssig menneskelig indgriben. Der er flere casestudier, der viser, at maskinlæring er i stand til at udføre sofistikerede dataanalyseopgaver, som det vil blive drøftet senere i denne artikel.
Som allerede påpeget er big data-analyse et udfordrende forslag for virksomheder, og det kan delvist delegeres til maskinindlæringssystemer. Fra en virksomheds perspektiv kan dette medføre en masse fordele, såsom frigørelse af datavidenskabelige ressourcer til mere kreative og kritiske opgaver, større arbejdsmængde, færre tid på at gennemføre opgaver og omkostningseffektivitet.
Ingen fejl, ingen stress - Din trinvis vejledning til oprettelse af livsændrende software uden at ødelægge dit liv
Du kan ikke forbedre dine programmeringsevner, når ingen er interesseret i softwarekvalitet.
Casestudie
I 2015 begyndte MIT-forskere at arbejde på et datavidenskabeligt værktøj, der er i stand til at skabe forudsigelige datamodeller ud af enorme mængder rå data ved hjælp af en teknik kaldet Deep Feature Synthesis-algoritmen. Algoritmen, ifølge forskerne, kan kombinere de bedste funktioner ved maskinlæring. Ifølge forskerne har de allerede testet algoritmen på tre forskellige datasæt og vil udvide testomfanget til flere datasæt. Forskerne James Max Kanter og Kalyan Veeramachaneni, der beskriver hvordan de gør det, sagde i et papir, der skulle præsenteres på en international datavidenskabs- og analytikerkonference, “Ved hjælp af en auto-tuning-proces optimerer vi hele vejen uden menneskelig involvering, hvilket gør det muligt for det at generalisere til forskellige datasæt. ”
Lad os undersøge, hvor kompliceret opgaven har været: algoritmen har en kapacitet, der er kendt som auto-tuning evne, ved hjælp af hvilken den henter eller udtrækker indsigt eller værdier fra rå data som alder eller køn, og efter det, den kan oprette forudsigelige datamodeller. Algoritmen bruger komplekse matematiske funktioner og en sandsynlighedsteori kendt som Gaussian Copula. Så det er let at forstå, hvor omfattende kompleksiteten algoritmen er i stand til at håndtere. Teknikken har også vundet præmier i konkurrencer.
Maskinlæring kan erstatte job
Det diskuteres over hele verden, at maskinlæring kan erstatte mange job, fordi den udfører opgaver med en menneskelig hjerne. Der er faktisk en vis bekymring for, at maskinlæring vil erstatte dataforskere - og der ser ud til at være grundlag for sådanne bekymringer.
For de almindelige brugere, der ikke har dataanalyseevnerne, men stadig har brug for analyser i deres daglige liv i forskellige grader, er det ikke muligt at have computere, der er i stand til at analysere enorme datamængder og tilbyde analyser. Men naturlige sprogbehandlingsteknologier (NLP) -teknologier kan overvinde denne begrænsning ved at lære computere at acceptere og behandle det naturlige, talte sprog hos mennesker. På den måde har den almindelige bruger ikke brug for sofistikerede analysefunktioner eller færdigheder.
IBM mener, at behovet for datavidenskabsmænd kan minimeres eller fjernes med dets produkt Watson naturlige sproganalyseplatform. Ifølge sin vicepræsident for Watson Analytics og Business Intelligence, Marc Atschuller, "Med et kognitivt system som Watson har du bare medt dit spørgsmål - eller hvis du ikke har et spørgsmål, uploader du bare dine data, og Watson kan se på det og udlede hvad du måske vil vide. ”
Konklusion
Automation er det næste logiske trin for maskinlæring, og vi har allerede oplevet virkningerne i vores daglige liv - på e-handelswebsteder, veneforslag, LinkedIn-netværksanbefalinger og Airbnb-søgerangeringer. I betragtning af de givne eksempler kan ingen tvivl kastes på kvaliteten af output produceret af automatiserede maskinindlæringssystemer. For alle dens kvaliteter og fordele kan tanken om maskinlæring, der forårsager enorm arbejdsløshed, virke lidt af en overreaktion. Maskiner har erstattet mennesker på mange områder af vores liv i flere årtier, og alligevel har mennesker udviklet sig og tilpasset sig til at forblive relevante i branchen. Afhængigt af perspektivet er maskinlæring, for al dens forstyrrelse, bare en sådan bølge, som folk vil tilpasse sig.