// Machine Learning: новое исследование от KaurIoT

История и суть технологии:

Машинное обучение — это один из способов применения искусственного интеллекта в компьютерных технологиях при работе с различными данными. Благодаря машинному обучению, программные приложения могут точнее прогнозировать результаты и анализировать данные. Основная цель и идея машинного обучения - позволить компьютерам обучаться самим, автоматически и без вмешательства человека.

По прогнозам специалистов, машинное обучение - это будущее. По мере того, как люди становятся все более зависимыми от машин и гаджетов, грядет мировая технологическая революция, благодаря которой появятся новые профессии и исчезнут старые.

В 1959 году Артур Самуэль, исследователь искусственного интеллекта, ввел термин «машинное обучение». Он изобрел первую самообучающуюся компьютерную программу по игре в шашки. Самуэль определил машинное обучение как процесс, в результате которого компьютеры способны показать такое поведение, которое в них не было запрограммировано изначально.

Ниже рассмотрим другие важные даты в истории машинного обучения:

1946 Появился компьютер ЭНИАК — сверхсекретный проект армии США.

1950 Алан Тьюринг создает “Тьюринг тест” для оценки интеллекта компьютера.

1958 Фрэнк Розенблатт придумал Персептрон — первую искусственную нейронную сеть и создал первый нейрокомпьютер «Марк-1».

1959 Марвин Минский создал первую машину SNARC со случайно связанной нейросетью.

1967 Написан метрический алгоритм по классификации данных. Алгоритм позволил компьютерам применять простые шаблоны распознавания.

1985 Терри Сейновски создает NetTalk - искусственную нейронную сеть.

1997 Компьютер Deep Blue обыграл чемпиона мира, Гарри Каспарова, в шахматы.

2006 Джеффри Хинтон, ученый в области искусственных нейросетей, ввел термин «Глубинное обучение» (Deep learning).

2011 Эндрю Энг и Джефф Дин основали Google Brain.

2012 В Google X Lab разработали алгоритм, позволяющий идентифицировать видеоролики, в которых показываются коты :)

2012 Google запускает облачный сервис Google Prediction API для машинного обучения. Он помогает анализировать неструктурированные данные.

2014 В Facebook изобрели DeepFace для распознавания лиц. Точность алгоритма 97%.

2015 Amazon запустила собственную платформу машинного обучения — Amazon Machine Learning.

2015 Microsoft создает платформу Distributed Learning Machine Toolkit, предназначенную для децентрализованного машинного обучения.

2020 Технологии искусственного интеллекта применяются практически в каждом программном продукте.

Сферы применения и основные игроки Machine Learning:

Наука. Есть множество сфер, где машинное обучение помогает работать с большим количеством данных.

Например, астрофизика: от планирования наблюдений телескопом до поиска планет у других звезд. И все это требует фильтрации большого количества информации.

Образование. Схоже с предыдущим пунктом. Благодаря внедрению искусственного интеллекта, разработчики создали обучающие системы, симулирующие поведение учителя. Они могут выявлять уровень знаний учащихся, анализировать их ответы, ставить оценки и даже определять персональный план обучения.

К примеру, AutoTutor, обучает студентов компьютерной грамотности, физике и критическому мышлению. Knewton учитывает характеристику обучения каждого студента и разрабатывает для него уникальную учебную программу. ВВС США используют систему SHERLOCK, чтобы обучить пилотов находить технические неисправности в самолетах.

Поисковики. Поисковые системы используют машинное обучение, чтобы улучшить свои функции.

Например, Google внедрила машинное обучение в распознавание голоса и поиск изображений. В 2019 году Google представила Teachable Machine 2.0 - самообучающуюся нейросеть, способную распознавать звуки речи, интонации и позы. С помощью веб-камеры и микрофона пользователь обучает нейронные сети без написания кода и экспортирует их в сторонние приложения, носители или на веб-сайты. 

Digital-маркетинг. Машинное обучение в данной сфере обеспечивает глубокую персонализацию клиента. Таким образом, компании могут взаимодействовать с клиентом на личном уровне, становясь к нему ближе. Благодаря алгоритмам сложной сегментации, машина фокусируется на “нужном клиенте в нужное время”, чтобы эффективно продавать продукты. Кроме того, благодаря правильным данным о клиентах, компании располагают информацией, которую можно использовать для изучения их поведения и реакций.

Например, Nova использует машинное обучение для написания электронной рассылки клиентам, делая письма при этом персонализированными. Машина знает, у каких электронных писем ранее была высокая конверсия, и, соответственно, предлагает изменения в рассылках для лучших продаж.

Здравоохранение. У IBM есть разработка Watson. Это суперкомпьютер для медицинских исследований, основанный на машинном обучении. Технология Watson for Oncology обрабатывает большой объем медицинских данных, в том числе изображения, на которых можно точно диагностировать рак. Watson for Oncology сейчас используется в больницах Нью-Йорка, Бангкока и Индии. В июле 2016 года IBM стала сотрудничать с 16 медицинскими центрами и технологическими стартапами, чтобы ускорить развитие программ для точной диагностики.

Тренды и тенденции рынка:

1. Активная работа с нейросетями: сложность обработки неструктурированных данных в виде изображений или звуковых элементов.
2. Упрощение использования технологии: разработка таких программ, с помощью которых даже не квалифицированные специалисты смогли бы автоматизировать те или иные объекты.
3. Повышение безопасности: повышение защищенности в связи с возможностью обучения инфицированию данных.

Потребности целевой аудитории:

1. Для отделов маркетинга: "меньше трафика - больше клиентов"
2. Для остальных, ранее озвученных видов бизнеса/науки/государственных структур: высокая скорость сбора и обработки данных, а также наиболее точное определение объектов (голос, изображение и др.).
3. B2C (клиент по отношению к покупке товаров): в случае отсутствия нужного товара - получение наиболее схожего по характеристикам продукта (аналогичность).

Кратко подведем итоги:

1. Будущее технологий за машинным обучением. В ближайшее десятилетие машинное обучение будет конкурентным преимуществом не только у топовых компаний, но и у перспективных стартапов.

2. То, что сегодня делается вручную, завтра будут делать машины. Следует добавить, что алгоритмы машинного обучения не только будут использованы в бизнесе и экономике, но и прочно войдут в повседневность (распознавание голосовых команд для умного дома). 

3. Сегодня машинное обучение приобретает новые формы и постоянно развивается. Машинное обучение строится на концепции, что компьютеры могут учиться. Т.е. они могут делать то, на что не были запрограммированы изначально. 

4. В данный момент исследователи искусственного интеллекта хотят протестировать, смогут ли компьютеры учиться на полученных данных. Интерактивный аспект машинного обучения важен, поскольку машины способны постоянно учиться и самостоятельно адаптироваться. Компьютеры учатся на предыдущих вычислениях и показателях, чтобы получить надежные и успешные решения и результаты для создания лучшего будущего.