Makine öğrenimi, bilgi işlem tarihindeki en büyük ilerlemelerden biri olmuştur ve artık büyük veri ve analitik alanında önemli bir rol oynayabildiği görülmektedir. Büyük veri analitiği, kurumsal bir bakış açısından büyük bir zorluktur. Örneğin, çok sayıda farklı veri biçimini anlama, veri hazırlamayı analiz etme ve gereksiz verileri filtreleme gibi faaliyetler kaynak yoğun olabilir. Veri bilimcisi uzmanlarını işe almak pahalı bir tekliftir ve her şirket için bir sonuç aracı değildir. Uzmanlar, makine öğreniminin analitikle ilişkili birçok görevi otomatikleştirebileceğine inanıyor - hem rutin hem de karmaşık. Otomatikleştirilmiş makine öğrenimi, daha karmaşık ve yenilikçi işler için kullanılabilecek önemli kaynakları serbest bırakabilir. Makine öğrenimi her zaman bu yönde hareket ediyor gibi görünüyor.
Bilgi teknolojisi bağlamında otomasyon
BT'de otomasyon, farklı sistemlerin ve yazılımların bağlantısı olup, belirli görevleri herhangi bir insan müdahalesi olmadan gerçekleştirmelerini sağlar. BT'de otomatik sistemler hem basit hem de karmaşık işleri gerçekleştirebilir. Formları PDF'lerle entegre etmek ve belgeleri doğru alıcıya göndermek basit bir işe örnek olabilirken, site dışı yedeklemeler sağlamak karmaşık bir işe örnek olabilir.
İşinizi düzgün yapmak için otomatik sistemi programlamanız veya net talimatlar vermeniz gerekir. İşin kapsamını değiştirmek için otomatik bir sisteme her ihtiyaç duyulduğunda, program veya talimat setinin biri tarafından güncellenmesi gerekir. Otomatik sistem işinde etkili olmasına rağmen, çeşitli nedenlerle hatalar meydana gelebilir. Hatalar oluştuğunda, temel nedenin belirlenmesi ve düzeltilmesi gerekir. Açıkçası, işini yapmak için otomatik bir sistem tamamen insanlara bağımlıdır. İşin doğası ne kadar karmaşıksa, hata ve problem olasılığı o kadar yüksek olur.
BT endüstrisindeki yaygın bir otomasyon örneği, web tabanlı kullanıcı arayüzlerinin test edilmesinin otomasyonudur. Test senaryoları otomasyon komut dosyasına beslenir ve kullanıcı arayüzü buna göre test edilir. (Makine öğreniminin pratik uygulaması hakkında daha fazla bilgi için Yeni Nesil Dolandırıcılık Tespitinde Makine Öğrenimi ve Hadoop'a bakın.)
Otomasyonun lehine olan argüman, rutin ve tekrarlanabilir görevleri yerine getirmesi ve çalışanları daha karmaşık ve yaratıcı görevler için serbest bırakmasıdır. Bununla birlikte, otomasyonun daha önce insanlar tarafından gerçekleştirilen çok sayıda görevi veya rolü dışladığı da tartışılmaktadır. Artık makine öğreniminin çeşitli sektörlere girmesiyle otomasyon yeni bir boyut kazandırabilir.
Otomatik makine öğreniminin geleceği?
Makine öğreniminin özü, bir sistemin insan müdahalesi olmadan sürekli olarak verilerden öğrenme ve gelişme yeteneğidir. Makine öğrenimi, bir insan beyni gibi hareket etme yeteneğine sahiptir. Örneğin, e-ticaret sitelerindeki öneri motorları, bir kullanıcının benzersiz tercihlerini ve zevklerini değerlendirebilir ve aralarından seçim yapabileceğiniz en uygun ürün ve hizmetler hakkında önerilerde bulunabilir. Bu yetenek göz önüne alındığında, makine öğrenimi, büyük veri ve analitikle ilişkili karmaşık görevleri otomatikleştirmek için ideal olarak görülüyor. Düzenli olarak insan müdahalesine izin vermeyen geleneksel otomatik sistemlerin büyük sınırlamalarının üstesinden gelmiştir. Bu makalenin ilerleyen kısımlarında ele alınacak olan karmaşık veri analizi görevlerini gerçekleştirmek için makine öğreniminin yeteneğini gösteren birden çok vaka çalışması vardır.
Daha önce belirtildiği gibi, büyük veri analitiği, kısmen makine öğrenimi sistemlerine devredilebilen işletmeler için zorlu bir tekliftir. İş açısından bakıldığında, bu, daha yaratıcı ve kritik görevler için veri bilimi kaynaklarını serbest bırakmak, daha yüksek iş yükleri, görevleri tamamlamak için daha az zaman ve maliyet etkinliği gibi birçok fayda sağlayabilir.
Vaka Analizi
2015 yılında MIT araştırmacıları, derin öznitelik sentez algoritmaları adı verilen bir teknik kullanarak büyük miktarda ham veriden tahmine dayalı veri modelleri oluşturabilen bir veri bilimi aracı üzerinde çalışmaya başladı. Bilim adamları, algoritmanın makine öğreniminin en iyi özelliklerini birleştirebileceğini iddia ediyor. Bilim adamlarına göre, bunu üç farklı veri kümesi üzerinde test ettiler ve daha fazlasını içerecek şekilde testi genişletiyorlar. Araştırmacılar James Max Kanter ve Kalyan Veeramachaneni, Uluslararası Veri Bilimi ve Analitiği Konferansı'nda sunulacak bir bildiride, "Otomatik bir ayar işlemi kullanarak, tüm yolu insan müdahalesi olmadan optimize ederek farklı veri kümelerine genelleştirilmesine izin veriyoruz" dedi.
Görevin karmaşıklığına bakalım: Algoritma, ham verilerden (yaş veya cinsiyet gibi) hangi içgörülerin veya değerlerin elde edilebileceği veya çıkarılabileceği, ardından tahmine dayalı veriler kullanılarak otomatik ayarlama yeteneği olarak bilinen bir özelliğe sahiptir. modeller oluşturulabilir. Algoritma, karmaşık matematiksel işlevleri ve Gauss Copula adlı bir olasılık teorisini kullanır. Bu nedenle algoritmanın kaldırabileceği karmaşıklık düzeyini anlamak kolaydır. Bu teknik yarışmalarda da ödüller kazanmıştır.
Makine öğrenimi ev ödevinin yerini alabilir
Görevleri insan beyninin verimliliği ile yerine getirdiği için makine öğreniminin birçok işin yerini alabileceği tüm dünyada tartışılıyor. Aslında, makine öğreniminin veri bilimcilerinin yerini alacağına dair bazı endişeler var ve bu endişenin bir temeli var gibi görünüyor.
Veri analizi becerisine sahip olmayan ancak günlük yaşamında değişen derecelerde analitik ihtiyaçları olan ortalama bir kullanıcı için çok büyük miktarda veriyi analiz edebilen ve analiz verisi sağlayabilen bilgisayarları kullanmak mümkün değildir. Ancak, Doğal Dil İşleme (NLP) teknikleri, bilgisayarlara doğal insan dilini kabul etmeyi ve işlemeyi öğreterek bu sınırlamanın üstesinden gelebilir. Bu şekilde, ortalama bir kullanıcının karmaşık analitik işlevlere veya becerilere ihtiyacı yoktur.
IBM, veri bilimcilerine duyulan ihtiyacın, ürünü Watson Natural Language Analytics Platform aracılığıyla en aza indirilebileceğine veya ortadan kaldırılabileceğine inanmaktadır. Watson'da analitik ve iş zekası başkan yardımcısı Marc Atschuller'e göre, "Watson gibi bir bilişsel sistemle, sadece sorunuzu sorarsınız - veya bir sorunuz yoksa, verilerinizi yüklersiniz ve Watson buna bakabilir. ve bilmek isteyebileceğiniz şeyi çıkarın. ”
Çözüm
Otomasyon, makine öğreniminde bir sonraki mantıklı adımdır ve e-ticaret siteleri, Facebook arkadaş önerileri, LinkedIn ağ önerileri ve Airbnb arama sıralamaları gibi günlük yaşamlarımızda etkilerini zaten yaşıyoruz. Verilen örnekler göz önüne alındığında, bunun otomatik makine öğrenmesi sistemleri tarafından üretilen çıktının kalitesine atfedileceğine şüphe yoktur. Tüm nitelikleri ve faydaları için, makine öğreniminin devasa işsizliğe neden olması fikri biraz aşırı tepki gibi görünüyor. Makineler, onlarca yıldır hayatımızın birçok yerinde insanların yerini alıyor, ancak insanlar endüstride güncel kalmak için evrim geçirdi ve adapte oldu. Görüşe göre, makine öğrenimi tüm aksaklıklarına rağmen insanların adapte olacağı başka bir dalgadır.
Gönderim zamanı: Ağu-03-2021