Paul Downey | Flickr
Maskininlärning är en fras som blir allt mer ofta bandierad, men många vet fortfarande inte exakt vad det är . Naturligtvis finns det en anledning till det. Det är fortfarande i dess mycket tidiga stadier, och många antar att det inte är något som påverkar den allmänna befolkningen ännu. I själva verket är det kanske inte så sant som vissa antar.
Så vad är maskininlärning? Och vad används det i dag? Här är vår guide om allt du behöver veta om maskininlärning.
Vad är maskininlärning?
Maskininlärning, helt enkelt uttryckt, är en form av konstgjord intelligens som gör det möjligt för datorer att lära sig utan extra programmering. Med andra ord kan mjukvaran lära sig nya saker på egen hand, utan att en programmerare eller ingenjör behöver "lära" det någonting. Maskininlärning kan ta data och upptäcka mönster och hitta lösningar och sedan använda dessa lösningar på andra problem.
Bild: K? Rlis Dambr? Ns | Flickr
Det är viktigt att notera att maskininlärning som ett koncept alls inte är nytt - det är svårt att spåra det exakta ursprunget till konceptet med tanke på att det är ett som går samman i och från andra former av teknik. Du kan hävda att maskininlärning går hela vägen tillbaka till skapandet av Turing-testet, som användes för att avgöra om en dator hade intelligens. Det första datorprogrammet som lärde sig var dock ett brickspel, som utvecklades 1952 av Arthur Samuel. Detta spel blev bättre ju mer det spelades.
Ny teknik förbättrar dock drastiskt maskininlärning. Till exempel kräver maskininlärning stora mängder processorkraft, så mycket att vi bara har börjat utveckla grundläggande maskininlärning i nyare historia.
Det finns några huvudsakliga sätt som programmerare implementerar maskininlärning. Den första kallas "övervakat lärande." Vad det egentligen betyder är att en maskin matas med problem där lösningen på problemet är känd. Lärningsalgoritmen kan ta emot dessa problem tillsammans med de önskade resultaten, identifiera mönster i problemen och agera i enlighet därmed. Övervakad inlärning används ofta för att förutsäga framtida händelser - till exempel när en kreditkortstransaktion kan vara bedräglig.
Den andra implementeringen av maskininlärning kallas "unsupervised learning". I det här fallet ges inte resultatet av ett problem till programvaran - istället matas det problem och måste upptäcka mönster i data. Målet här är att hitta en struktur i de data som den ges.
För det tredje är "semi-supervised learning." Denna metod för maskininlärning används ofta för samma saker som övervakad inlärning, men den tar data med en lösning och data utan. Semiövervakad inlärning genomförs ofta när medel är begränsade och företagen inte kan tillhandahålla fullständig uppsättning data för inlärningsprocessen.
Sist men inte minst är "förstärkningsinlärning", som används specifikt för saker som spel och robotar. Förstärkningsinlärning lär sig i princip genom test och fel - maskinen försöker saker och lär sig baserat på dess framgångar eller misslyckanden. Målet här är att maskinen ska ta reda på bästa möjliga resultat.
Naturligtvis innebär alla dessa metoder för maskininlärning att mata en maskin hundratusentals problem och enorma mängder data. Verkligen, desto mer data desto bättre.
Var används maskininlärning idag?
Bilder av pengar | Flickr
Det finns faktiskt många platser där maskininlärning används idag. Många av dessa är bakom kulisserna, men du kan bli förvånad över att veta att många av dem också är något du använder varje dag.
Kanske är det du använder mest i din personliga assistent - det stämmer, som Siri och Google Now använder maskininlärning, till stor del för att bättre förstå talmönster. Med så många miljoner människor som använder Siri kan systemet allvarligt utvecklas i hur det behandlar språk, accenter och så vidare.
Naturligtvis är Siri inte den enda konsumentapplikationen för maskininlärning. En annan användning är i banker, såsom bedrägeri upptäckt. Till exempel kan maskininlärningsalgoritmer spåra utgiftsmönster och bestämma vilka mönster som är mer benägna att vara bedrägliga baserat på tidigare bedräglig aktivitet.
Faktum är att även din e-post använder maskininlärning. Till exempel är skräppostmeddelanden ett problem och de har utvecklats över tid. E-postsystem använder maskininlärning för att spåra e-postmönster från skräppost och hur skräppostmeddelanden ändras och sedan lägga dem i din skräppostmapp baserat på dessa ändringar.
Slutsatser
Maskininlärning kommer att vara en stor del av hur vi använder teknik framöver och hur teknik kan hjälpa oss. Från Siri till US Bank blir maskininlärning allt mer genomgripande, och det kommer bara att fortsätta.
