Automatisearring: de takomst fan gegevenswittenskip en masine learen?

Masine -learen hat ien fan 'e grutste foarútgong west yn' e skiednis fan komputerjen en wurdt no sjoen as in wichtige rol kinne spielje op it mêd fan grutte gegevens en analytyk. Big data -analyse is in enoarme útdaging út in bedriuwsperspektyf. Aktiviteiten lykas it begripen fan it grutte oantal ferskillende gegevensformaten, it analysearjen fan gegevensfoarming en it filterjen fan oerstallige gegevens kinne bygelyks boarne -yntinsyf wêze. Werving fan spesjalisten fan gegevenswittenskippers is in djoere stelling en gjin middel foar in doel foar elk bedriuw. Eksperts leauwe dat masine -learen in protte fan 'e taken automatisearje kin assosjeare mei analytyk - sawol routine as kompleks. Automatisearre masine -learen kin wichtige boarnen frijmeitsje dy't kinne wurde brûkt foar komplekser en ynnovatyf wurk. Masine learen liket de heule tiid yn dizze rjochting te bewegen.

Automatisearring yn 'e kontekst fan ynformaasjetechnology

Yn IT is automatisearring de ferbining fan ferskate systemen en software, wêrtroch se spesifike taken kinne útfiere sûnder minske yntervinsje. Yn IT kinne automatisearre systemen sawol ienfâldige as komplekse banen útfiere. In foarbyld fan in ienfâldige taak kin wêze it yntegrearjen fan formulieren mei PDF's en it ferstjoeren fan dokuminten nei de juste ûntfanger, wylst it bieden fan backups off-site in foarbyld kin wêze fan in komplekse taak.

Om jo taak goed te dwaan, moatte jo it automatisearre systeem programmearje of dúdlike ynstruksjes jaan. Elke kear as in automatysk systeem nedich is om de omfang fan syn taak te feroarjen, moat it programma as de ynstruksjesset troch immen wurde bywurke. Hoewol it automatisearre systeem effektyf is yn har taak, kinne flaters om ferskate redenen foarkomme. As flaters foarkomme, moat de woarteloarch wurde identifisearre en korrizjeare. Dúdlik is, om syn wurk te dwaan, in automatisearre systeem folslein ôfhinklik fan minsken. Hoe komplekser de aard fan it wurk, hoe heger de kâns op flaters en problemen.

In gewoan foarbyld fan automatisearring yn 'e IT-sektor is de automatisearring fan testen fan web-basearre brûkersynterfaces. Testgefallen wurde ynfierd yn it automatiseringsskript en de brûkersynterface wurdt dêroer hifke. (Foar mear oer de praktyske tapassing fan masine learen, sjoch Machine Learning en Hadoop yn Fraude Detection fan folgjende generaasje.)

It argumint foar foardiel fan automatisearring is dat it routine en werhelle taken útfiert en meiwurkers frijmakket foar mear komplekse en kreative taken. It wurdt lykwols ek beweare dat automatisearring in grut oantal taken of rollen hat útsletten dy't earder waarden útfierd troch minsken. No, mei it learen fan masines yn ferskate yndustry, kin automatisearring in nije diminsje tafoegje.

De takomst fan automatisearre masine learen?

De essinsje fan masine learen is de fermogen fan in systeem om kontinu te learen fan gegevens en te evoluearjen sûnder minske yntervinsje. Masine learen is yn steat om te hanneljen as in minsklik brein. Bygelyks, oanbefellingsmotoren op e-commerce-siden kinne de unike foarkarren en smaken fan in brûker beoardielje en oanbefellingen leverje oer de meast geskikte produkten en tsjinsten om út te kiezen. Sjoen dizze mooglikheid wurdt masjine -learen sjoen as ideaal foar it automatisearjen fan komplekse taken assosjeare mei big data en analytics. It hat de grutte beheiningen fan tradisjonele automatisearre systemen oerwûn dy't gjin minsklike yntervinsje op reguliere basis tastean. D'r binne meardere saakstúdzjes dy't it fermogen fan masinelearen oantoane om komplekse gegevensanalysetaken út te fieren, dy't letter sille wurde besprutsen yn dit papier.

Lykas al opmurken, is big data -analyse in útdaagjend foarstel foar bedriuwen, dy't foar in part kin wurde delegearre nei masine -learingsystemen. Fanút in saaklik perspektyf kin dit in protte foardielen bringe, lykas it frijmeitsjen fan gegevenswittenskiplike boarnen foar mear kreative en missykritike taken, hegere wurkloads, minder tiid om taken te foltôgjen en kosteneffektiviteit.

Gefal stúdzje

Yn 2015 binne MIT -ûndersikers begon te wurkjen oan in ark foar gegevenswittenskip dat foarsizzende datamodellen kin meitsje fan grutte hoemannichten rauwe gegevens mei in technyk neamd djippe funksje -synthesealgoritmen. De wittenskippers beweare dat it algoritme de bêste funksjes fan masjine -learen kin kombinearje. Neffens de wittenskippers hawwe se it testen op trije ferskillende datasets en wreidzje de testen út om mear op te nimmen. Yn in papier dat sil wurde presinteare op 'e Ynternasjonale Konferinsje oer Gegevenswittenskip en Analytics, seine ûndersikers James Max Kanter en Kalyan Veeramachaneni, "Mei in automatysk tuningproses optimalisearje wy it heule paad sûnder minsklike belutsenens, wêrtroch it kin generalisearje nei ferskate datasets".

Litte wy nei de kompleksiteit fan 'e taak sjen: it algoritme hat wat bekend is as in auto-oanpassingsmooglikheid, mei help wêrfan ynsjoggen as wearden kinne wurde krigen of helle út rauwe gegevens (lykas leeftyd of geslacht), wêrnei foarsizzende gegevens modellen kinne makke wurde. It algoritme brûkt komplekse wiskundige funksjes en in kânsteory neamd Gaussian Copula. It is dêrom maklik it nivo fan kompleksiteit te begripen dat it algoritme kin behannelje. Dizze technyk hat ek prizen wûn yn kompetysjes.

Masine learen kin húswurk ferfange

It wurdt oer de heule wrâld besprutsen dat masinelearjen in protte banen kin ferfange, om't it taken útfiert mei de effisjinsje fan it minsklik brein. Eins is d'r wat soargen dat masinelearjen gegevenswittenskippers sil ferfange, en d'r liket in basis te wêzen foar sokke soargen.

Foar de gemiddelde brûker dy't gjin feardichheden foar gegevensanalyse hat, mar ferskate graden fan analytyske behoeften hat yn har deistich libben, is it net helber om kompjûters te brûken dy't enoarme hoeveelheden gegevens kinne analysearje en analysegegevens leverje. Techniken foar Natural Language Processing (NLP) kinne dizze beheining lykwols oerwinne troch kompjûters te learen om natuerlike minsklike taal te akseptearjen en te ferwurkjen. Op dizze manier hat de gemiddelde brûker gjin ferfine analytyske funksjes of feardigens nedich.

IBM is fan betinken dat de needsaak foar gegevenswittenskippers kin wurde minimalisearre as elimineare fia har produkt, it Watson Natural Language Analytics Platform. Neffens Marc Atschuller, fise -presidint foar analytyk en saaklike yntelliginsje by Watson, "Mei in kognityf systeem lykas Watson, stelle jo gewoan jo fraach - of as jo gjin fraach hawwe, uploade jo gewoan jo gegevens en Watson kin d'r nei sjen en ôfliede wat jo miskien wolle witte. ”

Konklúzje

Automatisearring is de folgjende logyske stap yn masinelearjen en wy belibje al de effekten yn ús deistich libben-e-commerce siden, suggestjes foar Facebook-freonen, suggestjes foar LinkedIn-netwurken en Airbnb-sykranglist. Sjoen de jûnen foarbylden, is d'r gjin twifel dat dit kin wurde taskreaun oan 'e kwaliteit fan' e útfier produsearre troch automatisearre masine -learsystemen. Foar al har kwaliteiten en foardielen liket it idee fan masine learen dat enoarme wurkleazens feroarsaket in bytsje in oerreaksje. Masines hawwe minsken yn in protte dielen fan ús libben foar desennia ferfongen, mar minsken binne ûntwikkele en oanpast om relevant te bliuwen yn 'e sektor. Neffens de werjefte is masine learen foar al har fersteuring gewoan in oare welle wêrop minsken sille oanpasse.


Berjochttiid: Aug-03-2021