Innehåll
- Automation i Con of Information Technology
- Är automatisering framtiden för maskininlärning?
- Inga buggar, ingen stress - din steg-för-steg-guide för att skapa livsförändrad programvara utan att förstöra ditt liv
- Fallstudie
- Maskininlärning kan ersätta jobb
- Slutsats
Källa: Krulua / Dreamstime.com
Hämtmat:
Maskininlärning är förmågan för ett system att ändra sin egen programmering. Men när ett system kan göra det, är människor fortfarande nödvändiga?
Maskininlärning har varit en av de största framstegen i datorhistoria, och nu tros den kunna ta betydande roller inom big data och analys. Big data-analys är en enorm utmaning ur företagens perspektiv. Exempelvis kan aktiviteter som att känna till enorma volymer av olika dataformat, dataförberedelse för analys och filtrera redundant data konsumera mycket resurser. Att anställa datavetare och specialister är ett dyrt förslag och inte inom varje företags medel. Experter tror att maskininlärning kan automatisera många uppgifter relaterade till analys - både rutinmässiga och komplexa. Automatisering av maskininlärning kan frigöra en hel del resurser som kan användas i mer komplexa och innovativa jobb. Det verkar som att maskininlärning har gått i den riktningen. (För att lära dig mer om användningen av maskininlärning, se The Promises and Fallfalls of Machine Learning.)
Automation i Con of Information Technology
När det gäller IT är automatisering koppling av olika system och programvara så att de kan utföra specifika jobb utan någon mänsklig intervention. Inom IT-branschen kan automatiserade system utföra både enkla och komplexa jobb. Ett exempel på ett enkelt jobb kan vara att integrera ett formulär med en PDF och lägga in dokumentet till rätt mottagare, medan tillhandahållande av en säkerhetskopia på plats kan vara ett exempel på ett komplext jobb.
För att göra sitt jobb måste ett automatiserat system programmeras eller ges tydliga instruktioner. Varje gång ett automatiserat system krävs för att ändra omfattningen av sina jobb, måste programmet eller instruktionsuppsättningen uppdateras av en människa. Medan automatiserade system är effektiva på sina jobb kan fel uppstå av olika skäl. När fel uppstår måste grundorsaken identifieras och korrigeras. Uppenbarligen är automatiserade system helt beroende av människor för att göra sina jobb. Ju mer komplexa jobbet är, desto högre är sannolikheten för fel och problem.
Vanligtvis tilldelas rutinmässiga och repeterbara jobb till automatiserade system. Ett vanligt exempel på automatisering inom IT-branschen är att automatisera testningen av webbaserade användargränssnitt. Testfall matas in i automatiseringsskript och användargränssnitten testas i enlighet därmed. (Mer information om praktisk användning av maskininlärning finns i Machine Learning & Hadoop i nästa generations bedrägeriupptäckt.)
Argumentet till förmån för automatisering har varit att det utför rutinmässiga och repeterbara uppgifter och frigör anställda till mer komplexa och kreativa uppgifter. Det hävdas dock också att automatisering har förskjutit många jobb eller roller som tidigare utförts av människor. Nu när maskininlärning hittar sin väg till olika branscher kan automatisering lägga till en ny dimension helt och hållet.
Är automatisering framtiden för maskininlärning?
Själva kärnan i maskininlärning är systemens förmåga att kontinuerligt lära av data och utvecklas utan människors ingripande. Maskininlärning kan fungera som den mänskliga hjärnan. Till exempel kan en rekommendationsmotor på en e-handelswebbplats utvärdera användarens unika preferenser och smak och erbjuda rekommendationer om produkter och tjänster som bäst passar användarens val. Med tanke på denna förmåga anses maskininlärning vara idealisk för att automatisera komplexa uppgifter relaterade till big data och analys. Det har redan övervunnit huvudbegränsningen för de traditionella automatiseringssystemen som inte kan fungera utan regelbunden mänsklig intervention. Det finns flera fallstudier som visar att maskininlärning kan utföra sofistikerade dataanalysuppgifter, vilket kommer att diskuteras senare i denna artikel.
Som redan påpekats är big data-analys en utmanande förslag för företag och den kan delvis delegeras till maskininlärningssystem. Ur ett företags perspektiv kan detta ge många fördelar som att frigöra resurser för datavetenskap för mer kreativa och kritiska uppdrag, högre arbetsvolym, mindre tid att ta slut på uppgifter och kostnadseffektivitet.
Inga buggar, ingen stress - din steg-för-steg-guide för att skapa livsförändrad programvara utan att förstöra ditt liv
Du kan inte förbättra dina programmeringsfärdigheter när ingen bryr sig om mjukvarukvalitet.
Fallstudie
Under 2015 började MIT-forskare arbeta med ett datavetenskapligt verktyg som kan skapa prediktiva datamodeller av enorma volymer rådata med hjälp av en teknik som kallas Deep Feature Synthesis-algoritmen. Algoritmen, säger forskarna, kan kombinera de bästa funktionerna i maskininlärning. Enligt forskarna har de redan testat algoritmen på tre olika datauppsättningar och kommer att utvidga testomfånget till fler datamängder. Forskarna James Max Kanter och Kalyan Veeramachaneni beskrev hur de gör det och uttalade i en artikel som skulle presenteras vid en internationell datavetenskap och analyskonferens, "Med hjälp av en automatisk inställningsprocess optimerar vi hela vägen utan mänskligt engagemang, vilket gör det möjligt att generalisera till olika datasätt. ”
Låt oss undersöka hur komplicerad uppgiften har varit: algoritmen har en kapacitet som kallas auto-tuning-kapacitet, med hjälp av vilken den härrör eller extraherar insikter eller värden från rådata som ålder eller kön, och efter det, den kan skapa prediktiva datamodeller. Algoritmen använder komplexa matematiska funktioner och en sannolikhetsteori som kallas Gaussian Copula. Så det är lätt att förstå graden av komplexitet algoritmen kan hantera. Tekniken har också vunnit priser i tävlingar.
Maskininlärning kan ersätta jobb
Det diskuteras över hela världen att maskininlärning kan ersätta många jobb eftersom den utför uppgifter med en mänsklig hjärnas effektivitet. Det finns faktiskt en viss oro för att maskininlärning kommer att ersätta datavetare - och det verkar finnas grund för sådana oro.
För de vanliga användare som inte har dataanalysfärdigheterna men fortfarande behöver analys i sina vardagsliv i varierande grad är det inte möjligt att ha datorer som kan analysera stora datamängder och erbjuda analyser. Men teknik för naturligt språkbearbetning (NLP) kan övervinna denna begränsning genom att lära datorer att acceptera och bearbeta människans naturliga, talade språk. På så sätt behöver den vanliga användaren inte sofistikerade analysfunktioner eller färdigheter.
IBM tror att behovet av datavetare kan minimeras eller elimineras med sin produkt Watson naturliga språkanalysplattform. Enligt sin vice ordförande för Watson Analytics och Business Intelligence, Marc Atschuller, "Med ett kognitivt system som Watson tar du bara med din fråga - eller om du inte har en fråga laddar du bara upp dina data och Watson kan titta på det och dra slutsatsen vad du kanske vill veta. ”
Slutsats
Automation är nästa logiska steg för maskininlärning och vi har redan upplevt effekterna i våra dagliga liv - på e-handelswebbplatser, vänförslag, rekommendationer om nätverk i LinkedIn och sökresultat på Airbnb. Med hänsyn till de givna exemplen kan ingen tvekan kastas på kvaliteten på produktionen som produceras av automatiserade maskininlärningssystem. För alla dess egenskaper och fördelar kan tanken på maskininlärning som orsakar enorm arbetslöshet verka lite av en överreaktion. Maskiner har ersatt människor på många områden i våra liv i flera decennier och ändå har människor utvecklats och anpassats för att förbli relevant i branschen. Beroende på perspektivet är maskininlärning, för alla dess störningar, bara en sådan våg som människor kommer att anpassa sig till.