Masjienleer: Leer masjiene om by mense te leer

• Author:
• Author naam

  Quantumrun Foresight
• September 1, 2022

Insig opsomming

Masjienleer (ML) lei sagteware op om te ontwikkel deur groot hoeveelhede data te ontleed, wat lei tot toepassings in talle velde. Dit val in twee kategorieë: onder toesig, waar die rekenaar uit benoemde data leer, en sonder toesig, waar dit patrone in data ontdek sonder spesifieke uitkomste. Hierdie tegnologieë verbeter nie net doeltreffendheid in verskeie sektore nie, maar dryf ook innoverende oplossings, soos in voorspellende onkologie en netwerksekuriteit.

Masjienleerkonteks

Masjienleer het van die kragtigste tegnologieë wat vandag beskikbaar is moontlik gemaak deur toe te laat dat sagteware en digitale gereedskap opgelei kan word en mettertyd vorder. ML fokus op die ontwerp en ontwikkeling van algoritmes wat rekenaars toelaat om groot volumes inligting (groot data) te ontleed en daaruit te leer. Die toepassing van ML het toegeneem as gevolg van die beskikbaarheid van groot data en die voortdurend verbeterde rekenkrag van rekenaarhardeware. 

Daar is twee prominente tipes masjienleer: onder toesig en sonder toesig. In leer onder toesig word 'n opleidingsdatastel aan die rekenaar toegeken, en sy taak is om 'n model te leer wat gebruik kan word om voorspellings op nuwe data te konstrueer. Hierdie tipe masjienleer vereis dat die inligting gemerk word, wat beteken dat daar 'n bekende uitset vir elke inset is. By leer sonder toesig word 'n datastel aan die rekenaar toegeken, maar word nie oor die uitkoms ingelig nie. Die taak van die rekenaar is om 'n struktuur of patroon in die data te ontdek. Laasgenoemde metodologie is waar ML werklik skitter deur rekenaars toe te laat om inligting oor tyd te ontleed en ontluikende gedrag of potensiële optrede te identifiseer.

Volgens 'n 2021-opname van die konsultasiefirma PwC, het 86 persent van die respondente aangedui dat hul maatskappy KI-tegnologieë baie gebruik. Trouens, tydens die COVID-19-pandemie het KI/ML-instrumente baie voordelig geblyk te wees, en meer as die helfte van die PwC-opname-respondente beplan om KI/ML-aannemingsplanne te versnel. 

Ontwrigtende impak

Masjienleer kan groot databasisse vinnig organiseer en kategoriseer oor lang tydperke sodat algoritmes kan voortgaan om data te skandeer en te analiseer op enige uur van die dag. Boonop verbeter masjienleer met blootstelling aan inligting en herhalende take. Byvoorbeeld, in voorspellende onkologie kan ML duisende pasiëntdatabasisse, honderde tumortipes en meer as 20 soorte kanker skandeer. ’n Masjienleeralgoritme kan dan potensiële medikasie vergelyk op grond van werklike resultate. Hierdie inligting stel navorsers en onkoloë in staat om toegang te verkry tot 'n gedetailleerde verwysing van optimale behandelings gebaseer op verskillende toestande. 

Net so kan masjienleer verreikende toepassings hê. KI/ML kan byvoorbeeld help om 'n organisasie se netwerksekuriteit te monitor. Hierdie tegnologie kan gekoppelde toestelle vinnig skandeer om risiko's te identifiseer en te vlag voordat 'n organisasie uitgebuit word. 

ML kan koste en tyd vir organisasies verminder deur prosedures te outomatiseer en afval in voorsieningskettings te identifiseer. Volgens 'n PwC-opname maak 75 persent van bestuurspanne nou staat op KI om data-gedrewe besigheidstrategieë te maak. Boonop het 75 persent van maatskappye wat KI-oplossings aangeneem het gesê dat hulle in staat was om voort te gaan om hul produkte en dienste te vernuwe en te verbeter om aan kliënte se behoeftes te voldoen. Volgens Nasdaq sal die KI/ML-mark na verwagting met $20 miljard van 2021 tot 2025 groei.

Implikasies van masjienleer

Wyer implikasies van masjienleer kan die volgende insluit: 

• Versnelde geneesmiddel- en entstofontwikkeling, wat lei tot vinniger beskikbaarheid van mediese behandelings.
• Outomatiese diagnose, pasiëntsorg en behandelingsbestuur, wat pasiëntuitkomste en doeltreffendheid verbeter.
• Verfynde advertensiestrategieë en hoogs pasgemaakte produkte en dienste, wat verbruikersbetrokkenheid en -tevredenheid verhoog.
• Voorraad- en voorsieningsketting-outomatisering, wat lei tot verbeterde doeltreffendheid en kostevermindering.
• Motorvervaardigers wat KI/ML in selfbesturende motors integreer, wat ongeluksyfers aansienlik verminder en padveiligheid verbeter.
• Finansiële instellings wat ML toepas vir bedrogopsporing en risikobestuur, wat gevalle van finansiële bedrog aansienlik verminder en kliëntesekuriteit verbeter.
• Gepersonaliseerde leerervarings, wat lei tot verbeterde opvoedkundige uitkomste en verminderde leergapings.
• Voorspellende analise in voorraadbestuur, wat lei tot geoptimaliseerde voorraadvlakke en verminderde vermorsing.
• Regerings wat masjienleer vir stedelike beplanning en openbare dienste implementeer, wat lei tot meer doeltreffende en responsiewe stadsbestuur.
• Optimalisering van hernubare energie, wat bydra tot 'n vermindering in koolstofvrystellings en bevordering na volhoubare energiedoelwitte.

Vrae om te oorweeg

• Wat kan die potensiële risiko's in masjienleer wees?
• Hoe dink jy sal hierdie tegnologie verder verander hoe die samelewing of industrie data verwerk?