Als jemand, der oft Maschinelles Lernen an Nicht-Fachleute erklärt, habe ich die folgenden zehn Punkte zusammengestellt, um ein paar Beispiele für Maschinelles Lernen zu erläutern.
Maschinelles Lernen ist nicht wie die schwarze Propaganda: Du kannst unzählige Probleme lösen, indem du den richtigen Lernalgorithmen die richtigen Trainingsdaten gibst. Nennen Sie es AI, wenn es hilft, Ihr AI-System zu verkaufen.
Es gibt viele spannende Bereiche für die Entwicklung von Algorithmen für maschinelles Lernen, insbesondere für Deep Learning. Aber Daten sind ein wichtiger Faktor, der maschinelles Lernen ermöglicht.
Maschinelles Lernen trainiert Modelle nach Mustern in Daten und erkundet den Raum für mögliche Modelle, die durch Parameter definiert sind. Wenn der Parameterraum zu groß ist, wird es zu stark auf die Trainingsdaten abgestimmt und trainiert ein Modell, das sich nicht generalisieren kann. Wenn Sie dies in Detail erklären möchten, müssen Sie mehr mathematische Berechnungen durchführen, und Sie sollten dies als eine Regel anwenden, um Ihr Modell so einfach wie möglich zu machen.
Das Sprichwort sagt, wenn man einen Haufen Müll in den Computer einträgt, ist der Ausgang auch ein Haufen Mülldaten. Obwohl dieser Begriff vor dem Maschinellen Lernen existiert, ist dies genau die zentrale Einschränkung von Maschinellem Lernen.
oi Wie die Fund-Introduktionsbeschreibung warnt, ist die Vergangenheit keine Garantie für zukünftige Ergebnisse. Auch maschinelles Lernen sollte eine ähnliche Warnbemerkung abgeben: Es kann nur auf Daten basieren, die in der gleichen Verteilung wie die Trainingsdaten verteilt sind. Daher sollte man auf die Abweichungen zwischen den Trainingsdaten und den Produktionsdaten achten und das Trainingsmodell regelmäßig wiederholen, um zu gewährleisten, dass es nicht veraltet wird.
Unter der Propaganda der Maschinellen Lerntechnik-Spidalen mag man denken, dass Maschinelles Lernen hauptsächlich die Auswahl und Anpassung von Algorithmen erledigt. Aber die Realität ist unerwartet: Die meiste Zeit und Energie wird in der Reinigung und Charakterisierung der Daten verbracht, also in der Umwandlung der ursprünglichen Eigenschaften in Eigenschaften, die die Datensignale besser repräsentieren.
Da sich maschinelles Lernen in vielen Bereichen verbreitet und entwickelt hat, wird es auch von vielen verbreitet. Darüber hinaus fördert es die Automatisierung von Arbeiten, die traditionell durch Feature-Engineering durchgeführt wurden, insbesondere für Bild- und Videodaten.
Entschuldigung an die NRA: Die Maschinellen Lernalgorithmen töten nicht, sondern die Menschen. Wenn ein maschinelles Lernsystem ausfällt, ist es selten, weil ein Problem mit dem Maschinellen Lernalgorithmus vorliegt. Es ist eher möglich, dass ein menschlicher Fehler in die Trainingsdaten eingeführt wurde, was zu Abweichungen oder anderen Systemfehlern führt.
In vielen Anwendungen von maschinellem Lernen beeinflussen Entscheidungen, die Sie heute treffen, die Trainingsdaten, die Sie morgen sammeln. Sobald ein maschinelles Lernsystem die Abweichungen in sein Modell integriert hat, kann es weiterhin neue Trainingsdaten erzeugen, die mit Abweichungen verstärkt werden.
Es scheint, dass viele Menschen die Idee der künstlichen Intelligenz aus Science-Fiction-Filmen erhalten haben. Wir sollten uns von Science-Fiction inspirieren, aber wir können nicht so dumm sein, die Novelle für die Realität zu halten. Von bewussten bösen Menschen bis hin zu unbewussten abweichenden Maschinellen Lernmodellen gibt es zu viele Realitäten und Gefahren, um die man sich sorgen muss.
Es geht um weit mehr als die zehn Punkte, die ich oben beschrieben habe. Ich hoffe, dass diese Einführungsartikel für Nicht-Fachleute nützlich sind.
Übersetzt von Global AI Big Data Plateau