Automatizimi: e ardhmja e shkencës së të dhënave dhe mësimit të makinerisë?

Mësimi i makinerisë ka qenë një nga përparimet më të mëdha në historinë e informatikës dhe tani shihet se është në gjendje të luajë një rol të rëndësishëm në fushën e të dhënave të mëdha dhe analitikës. Analitika e të dhënave të mëdha është një sfidë e madhe nga perspektiva e ndërmarrjes. Për shembull, aktivitete të tilla si të kuptuarit e numrit të madh të formateve të ndryshme të të dhënave, analiza e përgatitjes së të dhënave dhe filtrimi i të dhënave të tepërta mund të jenë burime intensive. Rekrutimi i specialistëve të shkencëtarëve të të dhënave është një propozim i shtrenjtë dhe jo një mjet për qëllimin për çdo kompani. Ekspertët besojnë se mësimi i makinerisë mund të automatizojë shumë nga detyrat që lidhen me analitikën - si rutinë ashtu edhe komplekse. Mësimi i automatizuar i makinerisë mund të lirojë burime të konsiderueshme që mund të përdoren për punë më komplekse dhe inovative. Mësimi i makinerisë duket se po lëviz në këtë drejtim gjatë gjithë kohës.

Automatizimi në kontekstin e teknologjisë së informacionit

Në IT, automatizimi është lidhja e sistemeve dhe programeve të ndryshme, duke u mundësuar atyre të kryejnë detyra specifike pa ndonjë ndërhyrje njerëzore. Në IT, sistemet e automatizuara mund të kryejnë punë të thjeshta dhe komplekse. Një shembull i një pune të thjeshtë mund të jetë integrimi i formave me PDF dhe dërgimi i dokumenteve te marrësi i duhur, ndërsa sigurimi i kopjeve rezervë jashtë faqes mund të jetë një shembull i një pune komplekse.

Për të bërë punën tuaj si duhet, duhet të programoni ose jepni udhëzime të qarta për sistemin e automatizuar. Sa herë që nevojitet një sistem i automatizuar për të modifikuar fushën e punës së tij, programi ose grupi i udhëzimeve duhet të përditësohet nga dikush. Edhe pse sistemi i automatizuar është efektiv në punën e tij, gabimet mund të ndodhin për arsye të ndryshme. Kur ndodhin gabime, shkaku rrënjësor duhet të identifikohet dhe korrigjohet. Cleshtë e qartë, për të bërë punën e tij, një sistem i automatizuar varet plotësisht nga njerëzit. Sa më komplekse të jetë natyra e punës, aq më e lartë është gjasat e gabimeve dhe problemeve.

Një shembull i zakonshëm i automatizimit në industrinë e IT është automatizimi i testimit të ndërfaqeve të përdoruesve të bazuara në ueb. Rastet e testimit futen në skriptin e automatizimit dhe ndërfaqja e përdoruesit testohet në përputhje me rrethanat. (Për më shumë mbi zbatimin praktik të mësimit të makinerisë, shihni Machine Learning dhe Hadoop në Zbulimin e Mashtrimit të Gjeneratës së Tjetër.)

Argumenti në favor të automatizimit është se ai kryen detyra rutinë dhe të përsëritshme dhe i liron punonjësit të bëjnë detyra më komplekse dhe krijuese. Sidoqoftë, argumentohet gjithashtu se automatizimi ka përjashtuar një numër të madh të detyrave ose roleve të kryera më parë nga njerëzit. Tani, me mësimin e makinerisë që hyn në industri të ndryshme, automatizimi mund të shtojë një dimension të ri.

E ardhmja e mësimit të automatizuar të makinerisë?

Thelbi i mësimit të makinerisë është aftësia e një sistemi për të mësuar vazhdimisht nga të dhënat dhe për të evoluar pa ndërhyrjen njerëzore. Mësimi i makinerisë është i aftë të veprojë si truri i njeriut. Për shembull, motorët e rekomandimit në faqet e tregtisë elektronike mund të vlerësojnë preferencat dhe shijet unike të një përdoruesi dhe të japin rekomandime për produktet dhe shërbimet më të përshtatshme për të zgjedhur. Duke pasur parasysh këtë aftësi, mësimi i makinerisë shihet si ideal për automatizimin e detyrave komplekse të lidhura me të dhëna të mëdha dhe analitikë. Ajo ka kapërcyer kufizimet kryesore të sistemeve tradicionale të automatizuara që nuk lejojnë ndërhyrjen njerëzore në baza të rregullta. Ka raste studimore të shumta që demonstrojnë aftësinë e të mësuarit të makinerisë për të kryer detyra komplekse të analizës së të dhënave, të cilat do të diskutohen më vonë në këtë punim.

Siç është vërejtur tashmë, analitika e të dhënave të mëdha është një propozim sfidues për bizneset, i cili mund të delegohet pjesërisht në sistemet e mësimit të makinerisë. Nga perspektiva e biznesit, kjo mund të sjellë shumë përfitime të tilla si lirimi i burimeve të shkencës së të dhënave për detyra më krijuese dhe kritike të misionit, ngarkesa më të larta të punës, më pak kohë për të përfunduar detyrat dhe efektivitet të kostos.

Rast studimi

Në vitin 2015, studiuesit e MIT filluan të punojnë në një mjet të shkencës së të dhënave që mund të krijojë modele të të dhënave parashikuese nga sasi të mëdha të të dhënave të papërpunuara duke përdorur një teknikë të quajtur algoritme të sintezës së veçorive të thella. Shkencëtarët pohojnë se algoritmi mund të kombinojë tiparet më të mira të mësimit të makinerisë. Sipas shkencëtarëve, ata e kanë testuar atë në tre grupe të ndryshme të të dhënave dhe po zgjerojnë testimin për të përfshirë më shumë. Në një punim që do të paraqitet në Konferencën Ndërkombëtare për Shkencën dhe Analitikën e të Dhënave, studiuesit James Max Kanter dhe Kalyan Veeramachaneni thanë, "Duke përdorur një proces akordimi të automatizuar, ne zgjedhim të gjithë rrugën pa përfshirjen e njerëzve, duke e lejuar atë të përgjithësohet në grupe të ndryshme të të dhënave".

Le të shikojmë kompleksitetin e detyrës: algoritmi ka atë që njihet si një aftësi automatike e rregullimit, me ndihmën e së cilës njohuri ose vlera mund të merren ose të nxirren nga të dhënat e papërpunuara (të tilla si mosha ose gjinia), pas së cilës të dhënat parashikuese mund të krijohen modele. Algoritmi përdor funksione komplekse matematikore dhe një teori probabiliteti të quajtur Gaussian Copula. Prandaj është e lehtë të kuptohet niveli i kompleksitetit që algoritmi mund të trajtojë. Kjo teknikë ka fituar edhe çmime në gara.

Mësimi i makinerisë mund të zëvendësojë detyrat e shtëpisë

Beingshtë duke u diskutuar në të gjithë botën se mësimi i makinerisë mund të zëvendësojë shumë punë sepse kryen detyra me efikasitetin e trurit të njeriut. Në fakt, ekziston një shqetësim se mësimi i makinerisë do të zëvendësojë shkencëtarët e të dhënave, dhe duket se ka një bazë për një shqetësim të tillë.

Për përdoruesit mesatarë që nuk kanë aftësi të analizës së të dhënave, por kanë shkallë të ndryshme të nevojave analitike në jetën e tyre të përditshme, nuk është e mundur të përdoren kompjuterë që mund të analizojnë vëllime të mëdha të të dhënave dhe të sigurojnë të dhëna analize. Sidoqoftë, teknikat e Përpunimit të Gjuhës Natyrore (NLP) mund ta kapërcejnë këtë kufizim duke i mësuar kompjuterët të pranojnë dhe përpunojnë gjuhën natyrore të njeriut. Në këtë mënyrë, përdoruesi mesatar nuk ka nevojë për funksione ose aftësi të sofistikuara analitike.

IBM beson se nevoja për shkencëtarët e të dhënave mund të minimizohet ose eliminohet përmes produktit të saj, Platformës së Analizës së Gjuhëve Natyrore Watson. Sipas Marc Atschuller, nënkryetar i analitikës dhe inteligjencës së biznesit në Watson, "Me një sistem njohës si Watson, ju thjesht bëni pyetjen tuaj - ose nëse nuk keni një pyetje, ju thjesht ngarkoni të dhënat tuaja dhe Watson mund t'i shikojë ato dhe nxjerr përfundimin se çfarë mund të dëshironi të dini. "

Përfundim

Automatizimi është hapi tjetër logjik në mësimin e makinerisë dhe ne tashmë po përjetojmë efektet në jetën tonë të përditshme-faqet e tregtisë elektronike, sugjerimet e miqve në Facebook, sugjerimet e rrjetit LinkedIn dhe renditjen e kërkimit në Airbnb. Duke marrë parasysh shembujt e dhënë, nuk ka dyshim se kjo mund t'i atribuohet cilësisë së prodhimit të prodhuar nga sistemet e automatizuara të mësimit të makinerisë. Me gjithë cilësitë dhe përfitimet e saj, ideja e mësimit të makinerisë që shkakton papunësi të madhe duket pak si një reagim i tepërt. Makinat kanë zëvendësuar njerëzit në shumë pjesë të jetës sonë për dekada, por njerëzit kanë evoluar dhe janë përshtatur për të qëndruar të rëndësishëm në industri. Sipas pikëpamjes, mësimi i makinerisë me gjithë përçarjen e saj është vetëm një valë tjetër me të cilën njerëzit do të përshtaten.


Koha e postimit: gusht-03-2021