Vélanám: Að kenna vélum að læra af mönnum

• Höfundur:
• Höfundur nafn

  Quantumrun Foresight
• September 1, 2022

Innsýn samantekt

Vélanám (ML) þjálfar hugbúnað til að þróast með því að greina mikið magn gagna, sem leiðir til forrita á fjölmörgum sviðum. Það flokkast í tvo flokka: undir eftirliti, þar sem tölvan lærir af merktum gögnum, og án eftirlits, þar sem hún uppgötvar mynstur í gögnum án sérstakra útkomu. Þessi tækni eykur ekki aðeins skilvirkni í ýmsum geirum heldur knýr hún einnig fram nýstárlegar lausnir, svo sem í forspárvænni krabbameinsfræði og netöryggi.

Samhengi við vélanám

Vélræn nám hefur gert einhverja af öflugustu tækni sem völ er á í dag með því að leyfa hugbúnaði og stafrænum tólum að vera þjálfaðir og framfarir með tímanum. ML leggur áherslu á að hanna og þróa reiknirit sem gera tölvum kleift að greina mikið magn upplýsinga (stór gögn) og læra af þeim. Notkun ML hefur aukist vegna framboðs stórra gagna og stöðugt batnandi reiknikrafts tölvubúnaðar. 

Það eru tvær áberandi tegundir vélanáms: undir eftirliti og án eftirlits. Í námi undir eftirliti fær tölvan úthlutað þjálfunargagnasetti og verkefni hennar er að læra líkan sem hægt er að nota til að búa til spár um ný gögn. Þessi tegund vélanáms krefst þess að upplýsingarnar séu merktar, sem þýðir að það er þekkt framleiðsla fyrir hvert inntak. Í námi án eftirlits er tölvan úthlutað gagnasafni en ekki gefið ráð um útkomuna. Verkefni tölvunnar er að uppgötva uppbyggingu eða mynstur í gögnunum. Þessi síðarnefnda aðferðafræði er þar sem ML skín sannarlega með því að leyfa tölvum að greina upplýsingar með tímanum og bera kennsl á nýja hegðun eða hugsanlegar aðgerðir.

Samkvæmt 2021 könnun frá ráðgjafafyrirtækinu PwC, gáfu 86 prósent svarenda til kynna að fyrirtæki þeirra noti mikið gervigreindartækni. Reyndar, á meðan á COVID-19 heimsfaraldrinum stóð, reyndust gervigreind/ML verkfæri vera mjög gagnleg og meira en helmingur svarenda PwC könnunarinnar ætlar að flýta fyrir ættleiðingaráætlunum um gervigreind/ML. 

Truflandi áhrif

Vélnám getur fljótt skipulagt og flokkað stóra gagnagrunna yfir langan tíma þannig að reiknirit geti haldið áfram að skanna og greina gögn hvenær sem er dagsins. Að auki batnar vélanám með útsetningu fyrir upplýsingum og endurteknum verkefnum. Til dæmis, í forspárkrabbameinslækningum, getur ML skannað þúsundir sjúklingagagnagrunna, hundruð æxlistegunda og yfir 20 tegundir krabbameins. Vélræn reiknirit getur síðan borið saman möguleg lyf út frá raunverulegum niðurstöðum. Þessar upplýsingar gera rannsakendum og krabbameinslæknum kleift að nálgast nákvæma tilvísun í bestu meðferðir byggðar á mismunandi aðstæðum. 

Á sama hátt getur vélanám haft víðtæk forrit. Til dæmis getur gervigreind/ML hjálpað til við að fylgjast með netöryggi fyrirtækis. Þessi tækni getur skannað tengd tæki hratt til að bera kennsl á og flagga áhættu áður en fyrirtæki er nýtt. 

ML getur dregið úr kostnaði og tíma fyrir stofnanir með því að gera sjálfvirkan verklag og greina úrgang í aðfangakeðjum. Samkvæmt könnun PwC treysta 75 prósent stjórnenda nú á gervigreind til að búa til gagnadrifnar viðskiptaáætlanir. Að auki sögðu 75 prósent fyrirtækja sem aðhylltust gervigreindarlausnir að þau gætu haldið áfram nýsköpun og bætt vörur sínar og þjónustu til að passa þarfir viðskiptavina. Samkvæmt Nasdaq er gert ráð fyrir að gervigreind/ML markaðurinn vaxi um 20 milljarða dala frá 2021 til 2025.

Afleiðingar vélanáms

Víðtækari áhrif vélanáms geta falið í sér: 

• Hröðun lyfja- og bóluefnaþróunar, sem leiðir til hraðari aðgengi að læknismeðferðum.
• Sjálfvirk greining, umönnun sjúklinga og meðferðarstjórnun, sem eykur árangur og skilvirkni sjúklinga.
• Fágaðar auglýsingaaðferðir og mjög sérsniðnar vörur og þjónusta, auka þátttöku og ánægju neytenda.
• Sjálfvirkni birgða- og birgðakeðju, sem leiðir til bættrar skilvirkni og kostnaðarlækkunar.
• Bílaframleiðendur samþætta gervigreind/ML í sjálfkeyrandi bíla, draga verulega úr slysatíðni og bæta umferðaröryggi.
• Fjármálastofnanir sem beita ML til að uppgötva svik og áhættustýringu, draga verulega úr tilfellum fjármálasvika og auka öryggi viðskiptavina.
• Persónuleg námsupplifun sem leiðir til betri námsárangurs og minni námsbils.
• Forspárgreining í birgðastjórnun, sem leiðir til hámarks birgðastigs og minni sóun.
• Ríkisstjórnir innleiða vélanám fyrir borgarskipulag og opinbera þjónustu, sem leiðir til skilvirkari og móttækilegra borgarstjórnunar.
• Hagræðing endurnýjanlegrar orku, sem stuðlar að minnkun kolefnislosunar og framfarir í átt að markmiðum um sjálfbæra orku.

Spurningar sem þarf að íhuga

• Hver gæti verið hugsanleg áhætta í vélanámi?
• Hvernig heldurðu að þessi tækni muni enn frekar breyta því hvernig samfélagið eða iðnaðurinn vinnur úr gögnum?