Spis treści:
W dzisiejszym artykule przybliżamy podstawy koncepcji uczenia maszynowego – ML (ang. Machine Learning). Zautomatyzowane, samodoskonalące się zastosowania algorytmiki są niesamowite. Więcej tajemnic nie zdradzimy tak od razu – zapraszamy do lektury.
Co to jest machine learning?
Uczenie maszynowe to nauka o algorytmach komputerowych, które doskonalą się automatycznie poprzez doświadczenie i wykorzystanie danych. Jest ono postrzegane jako część sztucznej inteligencji. Algorytmy uczenia maszynowego budują model w oparciu o przykładowe dane, znane jako “dane treningowe”, w celu dokonywania przewidywań lub podejmowania decyzji bez wyraźnego zaprogramowania w tym celu. Algorytmy uczenia maszynowego są wykorzystywane w wielu różnych zastosowaniach takich jak medycyna, filtrowanie poczty elektronicznej, rozpoznawanie mowy i wizja komputerowa i wszędzie tam, gdzie trudne lub niewykonalne jest opracowanie konwencjonalnych algorytmów do realizacji tego, co zakładamy.
Dlaczego uczenie maszynowe stało się tak popularne? Ponieważ dzięki zastosowaniu prostych algorytmów możemy łatwo obniżyć zużycie zasobów. W artykule na temat płytek Tinker Edge poruszyliśmy problematykę działania systemów autoryzacji dostępu za pomocą skanu linii papilarnych. Jest to jednak prosty przykład – skupmy się teraz na bardziej zaawansowanych zastosowaniach.
Uczenie maszynowe w systemach rozpoznawania obrazu
Rozpoznawanie obrazu i odczyt jego elementów w pewnych kryteriach to bardzo zaawansowana metoda porównywania danych wejściowych. Dlaczego jest to takie trudne? Spróbujmy przeczytać nieznane nam wcześniej słowo z języka chińskiego. Po kilku minutach albo zniechęcimy się, albo poszukamy w internecie jego znaczenia. Możemy jednak nie rozpoznać słowa od razu. Jeśli składa się ono z dwóch innych wyrazów, to cały zabieg rozpoczynamy od podziału słowa na składowe.
Uznajmy, że zobaczyliśmy słowo czytane jako “nan”, w języku polskim znaczy ono: mężczyzna. Jednak słowo to składa się z dwóch innych słów; ze słowa “tian” – pole i “li” – siła. Tak więc dopiero znając dwie składowe możemy poznać sens pełnej frazy.
Podświadomie dzielimy obraz na charakterystyczne części i stałe punkty, które rzucają nam się w oczy. Bardzo podobnie jest w komputerowym rozpoznawaniu obrazu. Jeśli rozpoznajemy tekst, to analizujemy go przy pomocy silnika graficznego – najpierw krawędzie obrazu, później stałe jego punkty i kształt.
Jednak istnieje więcej niż tylko jedna czcionka (font). Możemy pisać kursywą, z podkreśleniem czy pogrubieniem, ale kilka stałych punktów odniesień pozostanie – i to właśnie na nich musimy się skupić. Dzięki uczeniu maszynowemu określamy te stałe punkty na bazie wcześniejszych analiz i sprawiamy, że odczyt jest z czasem coraz dokładniejszy.
Uczenie maszynowe - przykłady
Uczenie maszynowe jest istotne w wielu dziedzinach, branżach i ma zdolność do rozwoju w czasie. Oto proste przykłady tego, w jaki sposób wykorzystywane jest uczenie maszynowe.
Machine learning w marketingu internetowym
Nie od dziś wiadomo, że marketing internetowy to jedna z najskuteczniejszych form reklamy.
W kontekście dzisiejszego tematu tak naprawdę nie ma znaczenia, co reklamujemy. Uczenie maszynowe pomaga ograniczać koszta marketingu. W jaki sposób? Wyobraźmy sobie, że sprzedajemy meble. Mamy swoją stronę i sklep internetowy, jednak pomimo setek odwiedzin na obu witrynach nie sprzedaliśmy ani jednego produktu.
Zaczynamy się zastanawiać, co robimy źle. Badamy rynek i dochodzimy do wniosku, że stosunek ceny do jakości jest poprawny, a podobne produkty innych firm generują ogromne zyski. O co chodzi? Z czasem zaczynamy inwestować w marketing internetowy. To tutaj główną rolę odegra uczenie maszynowe – uruchamiamy kilka kampanii reklamowych, ale istotne jest to, że każda jest nieco inna. Podczas trwania kampanii algorytmy uczenia maszynowego sprawdzają kto (jacy użytkownicy) klikają w reklamy, kto przenosi się na witryny, kto dokonuje zakupów. Optymalizujemy naszą kampanię z myślą o użytkownikach, którzy najprawdopodobniej zrobią u nas zakupy. Po kilku tygodniach, a czasem nawet po kilku dniach, posiadamy już pewne informacje, które można strategicznie wykorzystać.
- Zestaw mebli kuchennych Jesion zyskuje popularność u mężczyzn w wieku 40-55 lat.
- Szafa do pokoju dziecięcego Ananas pozyskuje uwagę kobiet w wieku 25-35 lat.
- Półka do łazienki Oxford zyskuje popularność u osób w wieku 32-40 lat.
Dane te są oczywiście uproszczone i przykładowe, ale wystarczą, by uczenie maszynowe wyciągnęło pewne wnioski. Promocyjny spot reklamowy na Biurko Oxford będzie kierować do obu płci w wieku 32-40 lat. W jaki sposób zwiększy to nasze zyski? To proste – reklama będzie kierowana do osób, u których istnieje największe prawdopodobieństwo zakupu danego produktu. Wolne środki marketingowe przeznaczymy na inne kampanie. Tym sposobem machine learning przy tych samych kosztach marketingowych zwiększy sprzedaż i odwiedziny witryny. Zastosowań znajdziemy wiele – arbitraż, analiza zmiennych, zautomatyzowane strategie rynkowe…
Miasto bez korków i czekania na zielone
Systemy nawigacyjne od Google na bieżąco monitorują ruch i pomagają nam w szybszym dojechaniu do celu. Jednak mało kto wie, że niektóre miasta wprowadzają podobne algorytmy na swoich drogach. Jak one działają? Cała funkcjonalność polega na sprawdzeniu gdzie, kiedy i ile przejeżdża samochodów. Spróbujmy przykładu.
Uczenie maszynowe analizuje pomiary przejeżdżających samochodów. Na początek potrzebujemy oczywiście trochę danych. W godzinach 12:00 – 12:15 na pewnym skrzyżowaniu w kilku cyklach:
- po włączeniu się zielonego światła nr 1 przejeżdża 100 samochodów,
- po włączeniu się zielonego światła nr 2 przejeżdża 5 samochodów,
- po włączeniu się zielonego światła nr 3 przejeżdża 20 samochodów,
- po włączeniu się zielonego światła nr 4 przejeżdża 40 samochodów.
Po przeanalizowaniu danych decydujemy, które światła powinny pozwalać na najdłużej trwający przejazd. Dzięki prostej analizie możemy wykluczyć sytuacje, w których do świateł nr 1 ciągnie się długi korek, a przed światłami nr 3 nikogo nie ma. Zakładamy, że światła nr 1 i nr 2 są przeciwległe. System ustawi teraz algorytm w następujący sposób:
- światła nr 1 i nr 2 – 4 cykle trwające 3 minuty,
- światła nr 2 – 3 cykle trwające minutę.
Jak widzimy, te proste obliczenia powodują ominięcie zatorów drogowych. Każda zmiana natężenia ruchu jest zauważana przez system i zostaje wprowadzona korekta. Systemy uczenia maszynowego są coraz częściej wprowadzane do naszego otoczenia. Mamy nadzieję, że dzięki temu wpisowi łatwiej będzie je Wam zauważyć.
Sztuczna inteligencja tworzy piosenkę na Eurowizję
Mamy dla Was mały bonus. Podczas gdy w 2019 roku Europa była przyklejona do telewizorów i oglądała 64. edycję Eurovision Song Contest, pewien zespół artystów i programistów zadał sobie pytanie: co sprawia, że piosenka Eurowizji zapada w pamięć? Czy hit Eurowizji ma swoje “specjalne DNA”? Może jest po prostu uosobieniem chwytliwego kiczu?
Zespół projektowy wprowadził setki piosenek znanych z Eurowizji – zarówno melodie, jak i teksty – do sieci neuronów uczenia maszynowego. Następnie algorytmy stworzyły dzięki nim tysiące nowych utworów. Najprościej mówiąc – niektóre “jednostki muzyczne” spośród nich zostału starannie dobrane i “przypisane” do nowej piosenki.
Zachęcamy do śpiewania razem z ML!
Fragment tekstu piosenki napisanej przez sztuczną inteligencję:
“Blue Jeans and Bloody Tears”
I am lost when i’m with you
There’s no hesitation in your eyes
Baby bye bye bye
Oh bye bye bye
Baby by myself the stain
grows more obvious
In this pain of the bird who’s flying
Over roses of sadness
Baby bye bye bye
Oh bye bye bye
Baby summer’s gone
It’s gone for the both of us
And tears will always have wet eyes
I’ll cry but I’ll survive
On a mission
I will let you go forever
Cóż, tego jeszcze na naszym blogu nie było. Może raczej powinniśmy rzec: tego jeszcze nie grali? Pewne jest jednak to, że uczenie maszynowe zaskoczy nas jeszcze nie raz. Oprócz wspomnianego rozpoznawania obrazu, ale i mowy, a także analizy rynkowej w biznesie to oczywiście nie wszystko. Uczenie maszynowe spotyka się w wielu sferach:
- diagnostyka medyczna
analiza parametrów klinicznych, predykcja rozwoju choroby, planowanie terapii.
- klasyfikowanie
niezbędne w praktycznie każdej nauce, zwłaszcza w naukach przyrodniczych,
- edukacja
programy tłumaczące uczą się kontekstu niezbędnego w lingwistyce i translatologii dla bardziej świadomego tłumaczenia,
- optymalizacja energetyczna
predykcja zużycia energii,
- dziennikarstwo
redagowanie informacyjnych newsów o formie zbliżonej do sprawozdań,
- social media
rozpoznawanie treści zakazanych i szkodliwych promowanych przez użytkowników, walka z cyberprzemocą.
Nie potrzeba formalnej wiedzy, aby korzystać z dobrodziejstw ML. Abstrakcja i złożoność charakteru nauczania będzie tylko rosnąć. Jakie wyzwania i szanse przyniesie sztuczna inteligencja?
Jedna odpowiedź
Świetnie pisze się Politykę Edukacyjną Województwa Zachodniopomorskiego, gdy w trakcie szukania odpowiedniego zobrazowania samouczącej się organizacji (w tym przypadku partnerstwa mającego osiągnąć założony cel) trafia się na przykład uczenia maszynowego w postaci piosenki. Niezła. (ta piosenka, ta strona, ta destynacja rozwoju, ta polityka :). Pozdrawiam Małgorzata Stachowiak