Machine Learning na przykładzie z życia wzięte.
Seria wpisów związanych ze Sztuczną Inteligencją oraz Machine Learning
- Trzy kategorie rozwoju sztucznej inteligencji »
- Gdzie w tej chwili jest Machine Learning? »
Doświadczenie zwane modelem
Doświadczenie jest tym co nas tworzy. Doświadczenia kształtują to jakimi jesteśmy. Bez względu czy złe, czy dobre. Przechodząc czasami trudne czasy wychodzimy z nową siłą, doświadczeniem. Czasami z biegiem czasu zmieniamy się diametralnie. ML działa podobnie do nas samych. Algorytmy, które implementujemy uczą się na podstawie danych. Potrafią one znaleźć wzorce i zbudować na podstawie tego model (doświadczenie). Czyli zamiast hard kodowania określonych zasad uczymy nasz model rozpoznawać wzorce. Można przykładowo zrobić klasyfikację binarną. Prosta odpowiedź tak lub nie. Kot, a może Pies?
Zróbmy aplikację wykrywającą spam
Stwórzmy dwie wersje apki. Pierwsza aplikacja-1 jest napisana w tradycyjny sposób. Narzucamy wszystkie reguły jakie przychodzą nam do głowy. Rodzi to oczywiście kilka problemów. Co jeżeli zmieni się wymaganie co do tego co jest spamem? Co jeżeli ktoś wymyśli nowy sposób na wysyłanie spamu? Z pozoru proste zadanie staje się trudniejsze do wykonania głównie z uwagi na późniejsze potencjalne zmiany. Załóżmy, iż prowadzisz wymianę maili ze znajomym. Omawiacie nowy projekt dla zagranicznego klienta. Jak to czasami bywa jest wiele emocji związanych z tworzeniem systemu i twój znajomy sporo przeklina. Maile te trafiają do spamu, a Ty zapominasz sprawdzać folder ze spamem. Wynikiem końcowym jest to, iż projekt nie udaje się z powodu niedostatecznego zrozumienia się w mailach.
A mogło być inaczej…
Stwórzmy zatem aplikację-2. Tworzymy tutaj zestaw reguł i pozwalamy algorytmowi, aby uczył się na podstawie sklasyfikowanych maili. Z każdą kolejną iteracją model jest nadpisywany i potencjalnie ulepszany. Pozwala on nam potem przewidzieć, czy coś jest spamem. Podejście to zawsze generuje jakiś procent błędu. Warto odpowiedzieć sobie na pytania:
- Jaki procent błędu jesteśmy w stanie zaakceptować?
- Czy wystarczy nam wykrywalność na poziomie 1 na 1.000, czy może potrzebujemy 1 na 10.000?
Czy jest to w takim razie lepsze?
Tradycyjne jak i to analityczne podejście jest jak najbardziej prawidłowe. Wszystko zależy od postawionego problemu. Jest to po prostu kolejna możliwość w naszych rękach. Pozwala to spojrzeć na zadanie z innej perspektywy. Tworzenie wykrywacza spamu byłoby mało efektywne w przypadku podawania dokładnych zestawów zasad. Także analityczne podejście w efekcie redukuje koszta tworzenia produktu. A do tego umniejsza nas to o przypadkowe bóle głowy
A jak rozwija się robotyka? Zaledwie kilka lat temu…
Jest wyzwaniem zbudowanie robota, który wchodzi w interakcję z otoczeniem.
Niemniej ludzie z Boston Dynamics nie poddają się…
Aż w końcu Atlas potrafi więcej niż przeciętny człowiek…
Raczej kilka z nas potrafi zrobić salto ( a przynajmniej ja nie potrafię )
A kolejne powstają… ( 2018 )
A może chcesz porozmawiać z AI?
A Ty jak myślisz jak rozwinie się ta dziedzina na przestrzeni następnych lat?
KSIĄŻKI POWIĄZANE Z TEMATEM
- Sapiens: A brief history of humankind – jak to się stało, iż jesteśmy gdzie jesteśmy? Jak działamy i dlaczego? Jak z pozycji przeciętnego gatunku przeszliśmy na ten najbardziej dominujący? Czy w zaledwie kilka tysięcy lat udało nam się oszukać ewolucję? A może to jest właśnie prawdziwa ewolucja? Czy może jesteśmy zaledwie błędem statystycznym w całym procesie ewolucji?
- Superintelligence – książka dość trudna do zrozumienia. Niemniej warto pobieżnie przebrnąć przez zawartość. Opisuje różne scenariusze rozwoju sztucznej inteligencji. Szybkie i krótkie podsumowanie ksiązki to: if {} else if {} else if {}.
Jeśli podoba ci się to co robię to zapraszam na fanpage oraz dopiero co powstającą grupę na facebooku oraz na
, a także Twitter, którego nikt nie używa. Zdjęcie główne przez Marc-Olivier Jodoin na Unsplash.
