Machine learning: Ngajari mesin kanggo sinau saka manungsa

• Babagan Author:
• Jeneng panganggit

  Quantumrun Foresight
• September 1, 2022

Ringkesan wawasan

Machine learning (ML) nglatih piranti lunak supaya bisa berkembang kanthi nganalisa data sing akeh, sing ndadékaké aplikasi ing pirang-pirang lapangan. Digolongake dadi rong kategori: diawasi, ing ngendi komputer sinau saka data sing diwenehi label, lan tanpa pengawasan, ing ngendi dheweke nemokake pola ing data tanpa asil tartamtu. Teknologi kasebut ora mung nambah efisiensi ing macem-macem sektor, nanging uga nyurung solusi inovatif, kayata onkologi prediktif lan keamanan jaringan.

Konteks machine learning

Pembelajaran mesin wis ngaktifake sawetara teknologi paling kuat sing kasedhiya saiki kanthi ngidini piranti lunak lan piranti digital bisa dilatih lan maju saka wektu. ML fokus ing ngrancang lan ngembangaken algoritma sing ngidini komputer kanggo njelasno volume gedhe saka informasi (data amba) lan sinau saka iku. Aplikasi ML saya tambah amarga kasedhiyan data gedhe lan daya komputasi hardware komputasi sing terus saya tambah. 

Ana rong jinis machine learning sing misuwur: diawasi lan ora diawasi. Ing pembelajaran sing diawasi, komputer diwenehi set data latihan, lan tugase yaiku sinau model sing bisa digunakake kanggo mbangun prediksi ing data anyar. Jinis pembelajaran mesin iki mbutuhake informasi kasebut diwenehi label, tegese ana output sing dikenal kanggo saben input. Ing learning unsupervised, komputer diwenehi set data nanging ora menehi saran babagan asil. Tugas komputer yaiku nemokake struktur utawa pola ing data. Metodologi sing terakhir iki yaiku ML pancen sumunar kanthi ngidini komputer nganalisa informasi liwat wektu lan ngenali prilaku sing muncul utawa tumindak potensial.

Miturut survey 2021 saka firma konsultasi PwC, 86 persen responden nuduhake manawa perusahaane akeh nggunakake teknologi AI. Nyatane, sajrone pandemi COVID-19, alat AI / ML kabukten migunani banget, lan luwih saka setengah responden survey PwC ngrancang nyepetake rencana adopsi AI / ML. 

Dampak gangguan

Machine learning bisa kanthi cepet ngatur lan nggolongake database gedhe ing wektu sing luwih dawa supaya algoritma bisa terus mindhai lan nganalisa data ing sembarang jam dina. Kajaba iku, pembelajaran mesin saya apik kanthi paparan informasi lan tugas sing bola-bali. Contone, ing onkologi prediktif, ML bisa mindai ewu database pasien, atusan jinis tumor, lan luwih saka 20 jinis kanker. Algoritma pembelajaran mesin banjur bisa mbandhingake obat potensial adhedhasar asil nyata. Informasi iki ngidini peneliti lan ahli onkologi ngakses referensi rinci babagan perawatan optimal adhedhasar kahanan sing beda. 

Kajaba iku, machine learning bisa uga duwe aplikasi sing adoh banget. Contone, AI/ML bisa mbantu ngawasi keamanan jaringan organisasi. Teknologi iki bisa mindai piranti sing disambungake kanthi cepet kanggo ngenali lan menehi tandha risiko sadurunge ngeksploitasi organisasi. 

ML bisa nyuda biaya lan wektu kanggo organisasi kanthi ngotomatisasi prosedur lan ngenali sampah ing rantai pasokan. Miturut survey PwC, 75 persen tim manajemen saiki ngandelake AI kanggo nggawe strategi bisnis sing didorong data. Kajaba iku, 75 persen perusahaan sing nganut solusi AI ujar manawa bisa terus nggawe inovasi lan nambah produk lan layanan supaya cocog karo kabutuhan pelanggan. Miturut Nasdaq, pasar AI / ML samesthine bakal tuwuh $ 20 milyar wiwit taun 2021 nganti 2025.

Implikasi saka machine learning

Implikasi machine learning sing luwih akeh bisa uga kalebu: 

• Pangembangan obat lan vaksin kanthi cepet, nyebabake kasedhiyan perawatan medis sing luwih cepet.
• Diagnosis otomatis, perawatan pasien, lan manajemen perawatan, nambah asil lan efisiensi pasien.
• Strategi pariwara sing apik lan produk lan layanan sing cocog banget, nambah keterlibatan lan kepuasan konsumen.
• Inventarisasi lan otomatisasi rantai pasokan, nyebabake efisiensi lan nyuda biaya.
• Produsen mobil nggabungake AI/ML ing mobil sing nyopir dhewe, kanthi signifikan nyuda tingkat kacilakan lan ningkatake safety dalan.
• Institusi keuangan sing nglamar ML kanggo deteksi penipuan lan manajemen risiko, kanthi nyata nyuda kasus penipuan finansial lan nambah keamanan pelanggan.
• Pengalaman sinau sing dipersonalisasi, ngasilake asil pendidikan sing luwih apik lan nyuda kesenjangan sinau.
• Analitik prediktif ing manajemen saham, ndadékaké tingkat persediaan sing dioptimalake lan nyuda sampah.
• Pamrentah sing ngetrapake pembelajaran mesin kanggo perencanaan kutha lan layanan umum, ngarahake manajemen kutha sing luwih efisien lan responsif.
• Optimisasi energi sing bisa dianyari, nyumbang kanggo nyuda emisi karbon lan kemajuan menyang tujuan energi lestari.

Pitakon sing kudu dipikirake

• Apa risiko potensial ing machine learning?
• Kepiye carane teknologi iki bakal ngganti cara masyarakat utawa industri ngolah data?