Trudno jednoznacznie zdefiniować czym jest machnie learning (w skrócie ML). W najogólniejszej wersji definicji uczenie maszynowe ma pozwolić komputerom na rozwiązywanie problemów, które nie zostały opisane ściśle określonymi algorytmami. Chodzi o nieco rozmyty proces decyzyjny, w którym my dostarczamy do maszyny dane, a ona – na ich podstawie – znajduje rozwiązanie.
Prosto o machine learningu
Samo określenie zostało wprowadzone przez amerykańskiego badacza Arthura Samuela w 1959 r. Chciał on opisać nim cechę komputerów pozwalającą im na uczenie się rozwiązywania pewnych zadań bez skonkretyzowanego programowania ścisłych algorytmów definiujących wynik. Wówczas nie miała ona tylu zastosowań, co dziś.
Obecnie często mówi się o uczeniu maszynowym, jako dziedzinie blisko związanej ze sztuczną inteligencją (w skrócie AI). Nie można jednak stawiać pomiędzy tymi sformułowaniami znaku równości. Traktuje się je jako interdyscyplinarną naukę łączącą w sobie nie tylko informatykę, lecz również statystykę, robotykę, elektronikę, a nawet aspekty psychologiczne i behawioralne.
Zastosowania uczenia maszynowego
Algorytmy stosowane w machine learning przyczyniają się do poprawy wydajności i niezawodności różnych procesów, a co za tym idzie, do redukcji kosztów. Są wykorzystywane m. in. do:
• tworzenia filtrów antyspamowych,
• kontroli jakości na podstawie rozpoznawania obrazów,
• przewidywania różnych parametrów, np. cen, ryzyka czy prawdopodobieństwa wystąpienia opadów,
• przypisywania klientów do odpowiednich grup,
• interfejsów sterowania głosowego,
• systemów autonomicznego kierowania samochodami,
• szybkiej diagnostyki chorób,
• systematyzowania obiektów astronomicznych,
• prognozowania zmian na giełdach w oparciu o dane makroekonomiczne i mikroekonomiczne.
Oprogramowanie używające tych technologii pomaga w codziennym życiu osób niepełnosprawnych, a także pracy służb zajmujących się przeciwdziałaniem i wykrywaniem malwersacji finansowych.
Machine learning a sztuczna inteligencja
Warto pamiętać, że mimo wielu podobieństw, sztuczna inteligencja i uczenie maszynowe to nie to samo. Ta pierwsza powinna kojarzyć się raczej z zaawansowaną zdolność do tworzenia samodzielnych wniosków i treści oraz autonomicznego myślenia.
Przez machine learning rozumiemy z kolei podobne procesy, lecz zasadniczą różnicą jest fakt, że wszelkie rozwiązania problemów są efektem analizy danych wejściowych i wcześniejszych wyników badań przeprowadzanych przez naukowców. Nie zawsze AI będzie korzystać z tych algorytmów.
Jak będzie rozwijać się uczenie maszynowe?
Rozwiązania wykorzystujące ML są coraz częściej stosowane, pomagając nam w codziennych czynnościach. Najprostszym przykładem, o którym często zapominamy, są filtry klasyfikujące pocztę jako spam albo zagrożenie. Podobnie w przypadku medycyny ogólnej. Lekarze coraz chętniej korzystają z oprogramowania wspomagającego diagnostykę chorób.
Wiele osób uważa, że sztuczna inteligencja i machine learning stanowią zagrożenie. Niesłusznie, wszystko zależy od tego, do czego ją wykorzystamy. Dzięki niej możemy szybciej i precyzyjniej podejmować wiele decyzji, które dotychczas wymagały sporo czasy przy użyciu konwencjonalnych algorytmów.
