Awtomeiddio: dyfodol gwyddoniaeth data a dysgu â pheiriant?

Mae dysgu trwy beiriant wedi bod yn un o'r datblygiadau mwyaf yn hanes cyfrifiadura ac erbyn hyn mae'n cael ei ystyried yn gallu chwarae rhan bwysig ym maes data mawr a dadansoddeg. Mae dadansoddeg data mawr yn her enfawr o safbwynt menter. Er enghraifft, gall gweithgareddau fel deall y nifer fawr o wahanol fformatau data, dadansoddi paratoi data a hidlo data diangen fod yn ddwys o ran adnoddau. Mae recriwtio arbenigwyr gwyddonwyr data yn gynnig drud ac nid yn fodd i ddiweddu i bob cwmni. Mae arbenigwyr yn credu y gall dysgu â pheiriant awtomeiddio llawer o'r tasgau sy'n gysylltiedig â dadansoddeg - arferol a chymhleth. Gall dysgu â pheiriant awtomataidd ryddhau adnoddau sylweddol y gellid eu defnyddio ar gyfer gwaith mwy cymhleth ac arloesol. Mae'n ymddangos bod dysgu trwy beiriant yn symud i'r cyfeiriad hwn trwy'r amser.

Awtomeiddio yng nghyd-destun technoleg gwybodaeth

Mewn TG, awtomeiddio yw cysylltiad gwahanol systemau a meddalwedd, gan eu galluogi i gyflawni tasgau penodol heb unrhyw ymyrraeth ddynol. Mewn TG, gall systemau awtomataidd gyflawni swyddi syml a chymhleth. Enghraifft o swydd syml fyddai integreiddio ffurflenni â PDFs ac anfon dogfennau at y derbynnydd cywir, tra gallai darparu copïau wrth gefn oddi ar y safle fod yn enghraifft o swydd gymhleth.

I wneud eich gwaith yn iawn, mae angen i chi raglennu neu roi cyfarwyddiadau clir i'r system awtomataidd. Bob tro mae angen system awtomataidd i addasu cwmpas ei swydd, mae angen i rywun ddiweddaru'r rhaglen neu'r set gyfarwyddiadau. Er bod y system awtomataidd yn effeithiol yn ei swydd, gall gwallau ddigwydd am amryw resymau. Pan fydd gwallau yn digwydd, mae angen nodi a chywiro'r achos sylfaenol. Yn amlwg, i wneud ei waith, mae system awtomataidd yn gwbl ddibynnol ar fodau dynol. Po fwyaf cymhleth yw natur y gwaith, yr uchaf yw'r tebygolrwydd o wallau a phroblemau.

Enghraifft gyffredin o awtomeiddio yn y diwydiant TG yw awtomeiddio profi rhyngwynebau defnyddwyr ar y we. Mae achosion prawf yn cael eu bwydo i'r sgript awtomeiddio ac mae'r rhyngwyneb defnyddiwr yn cael ei brofi yn unol â hynny. (I gael rhagor o wybodaeth am gymhwyso dysgu peiriant yn ymarferol, gweler Machine Learning a Hadoop yn Canfod Twyll y Genhedlaeth Nesaf.)

Y ddadl o blaid awtomeiddio yw ei fod yn cyflawni tasgau arferol ac ailadroddadwy ac yn rhyddhau gweithwyr i wneud tasgau mwy cymhleth a chreadigol. Fodd bynnag, dadleuir hefyd bod awtomeiddio wedi eithrio nifer fawr o dasgau neu rolau a gyflawnwyd yn flaenorol gan fodau dynol. Nawr, gyda dysgu peiriannau yn mynd i mewn i wahanol ddiwydiannau, gall awtomeiddio ychwanegu dimensiwn newydd.

Dyfodol dysgu peiriannau awtomataidd?

Hanfod dysgu trwy beiriant yw gallu system i ddysgu'n barhaus o ddata ac esblygu heb ymyrraeth ddynol. Mae dysgu trwy beiriant yn gallu gweithredu fel ymennydd dynol. Er enghraifft, gall peiriannau argymell ar wefannau e-fasnach asesu hoffterau a chwaeth unigryw defnyddiwr a darparu argymhellion ar y cynhyrchion a'r gwasanaethau mwyaf priodol i ddewis ohonynt. O ystyried y gallu hwn, mae dysgu â pheiriant yn cael ei ystyried yn ddelfrydol ar gyfer awtomeiddio tasgau cymhleth sy'n gysylltiedig â data mawr a dadansoddeg. Mae wedi goresgyn cyfyngiadau mawr systemau awtomataidd traddodiadol nad ydynt yn caniatáu ymyrraeth ddynol yn rheolaidd. Mae yna nifer o astudiaethau achos sy'n dangos gallu dysgu peiriannau i gyflawni tasgau dadansoddi data cymhleth, a fydd yn cael eu trafod yn nes ymlaen yn y papur hwn.

Fel y nodwyd eisoes, mae dadansoddeg data mawr yn gynnig heriol i fusnesau, y gellir ei ddirprwyo'n rhannol i systemau dysgu peiriannau. O safbwynt busnes, gall hyn ddod â llawer o fuddion fel rhyddhau adnoddau gwyddoniaeth data ar gyfer tasgau mwy creadigol a beirniadol o genhadaeth, llwythi gwaith uwch, llai o amser i gwblhau tasgau a chost-effeithiolrwydd.

Astudiaeth achos

Yn 2015, dechreuodd ymchwilwyr MIT weithio ar offeryn gwyddor data a all greu modelau data rhagfynegol o lawer iawn o ddata crai gan ddefnyddio techneg o'r enw algorithmau synthesis nodwedd ddwfn. Mae'r gwyddonwyr yn honni y gall yr algorithm gyfuno nodweddion gorau dysgu peiriannau. Yn ôl y gwyddonwyr, maen nhw wedi ei brofi ar dair set ddata wahanol ac maen nhw'n ehangu'r profion i gynnwys mwy. Mewn papur i’w gyflwyno yn y Gynhadledd Ryngwladol ar Wyddor Data a Dadansoddeg, dywedodd yr ymchwilwyr James Max Kanter a Kalyan Veeramachaneni, “Gan ddefnyddio proses tiwnio awtomataidd, rydym yn optimeiddio’r llwybr cyfan heb gyfranogiad dynol, gan ganiatáu iddo gyffredinoli i wahanol setiau data“.

Gadewch i ni edrych ar gymhlethdod y dasg: mae gan yr algorithm yr hyn a elwir yn allu addasu auto, gyda chymorth y gellir cael mewnwelediadau neu werthoedd neu eu tynnu o ddata amrwd (megis oedran neu ryw), ac ar ôl hynny mae data rhagfynegol. gellir creu modelau. Mae'r algorithm yn defnyddio swyddogaethau mathemategol cymhleth a theori tebygolrwydd o'r enw Gaussian Copula. Felly mae'n hawdd deall lefel y cymhlethdod y gall yr algorithm ei drin. Mae'r dechneg hon hefyd wedi ennill gwobrau mewn cystadlaethau.

Gallai dysgu â pheiriant ddisodli gwaith cartref

Mae'n cael ei drafod ledled y byd y gallai dysgu â pheiriant ddisodli llawer o swyddi oherwydd ei fod yn cyflawni tasgau gydag effeithlonrwydd yr ymennydd dynol. Mewn gwirionedd, mae rhywfaint o bryder y bydd dysgu â pheiriant yn disodli gwyddonwyr data, ac mae'n ymddangos bod sail i bryder o'r fath.

Ar gyfer y defnyddiwr cyffredin nad oes ganddo sgiliau dadansoddi data ond sydd â graddau amrywiol o anghenion dadansoddol yn eu bywydau bob dydd, nid yw'n ymarferol defnyddio cyfrifiaduron a all ddadansoddi llawer iawn o ddata a darparu data dadansoddi. Fodd bynnag, gall technegau Prosesu Iaith Naturiol (NLP) oresgyn y cyfyngiad hwn trwy ddysgu cyfrifiaduron i dderbyn a phrosesu iaith ddynol naturiol. Yn y modd hwn, nid oes angen swyddogaethau neu sgiliau dadansoddol soffistigedig ar y defnyddiwr cyffredin.

Cred IBM y gellir lleihau neu ddileu’r angen am wyddonwyr data trwy ei gynnyrch, Llwyfan Dadansoddeg Iaith Naturiol Watson. Yn ôl Marc Atschuller, is-lywydd dadansoddeg a deallusrwydd busnes yn Watson, “Gyda system wybyddol fel Watson, dim ond gofyn eich cwestiwn yr ydych chi - neu os nad oes gennych gwestiwn, dim ond lanlwytho'ch data y gallwch chi ei wneud a gall Watson edrych arno a chasglu'r hyn y byddech chi efallai eisiau ei wybod. ”

Casgliad

Awtomeiddio yw'r cam rhesymegol nesaf mewn dysgu peiriannau ac rydym eisoes yn profi'r effeithiau yn ein bywydau bob dydd - gwefannau e-fasnach, awgrymiadau ffrindiau ar Facebook, awgrymiadau rhwydwaith LinkedIn a safleoedd chwilio Airbnb. O ystyried yr enghreifftiau a roddir, nid oes amheuaeth y gellir priodoli hyn i ansawdd yr allbwn a gynhyrchir gan systemau dysgu peiriannau awtomataidd. Er ei holl rinweddau a'i fuddion, mae'r syniad o ddysgu peiriannau yn achosi diweithdra enfawr yn ymddangos yn dipyn o or-ymateb. Mae peiriannau wedi bod yn disodli bodau dynol mewn sawl rhan o'n bywydau ers degawdau, ond mae bodau dynol wedi esblygu ac addasu i aros yn berthnasol yn y diwydiant. Yn ôl y farn, dim ond ton arall y bydd pobl yn addasu iddi yw dysgu peiriant er ei holl aflonyddwch.


Amser post: Awst-03-2021