İçerik
- Bilgi Teknolojileri Konusunda Otomasyon
- Otomasyon Makine Öğreniminin Geleceği midir?
- Hata Yok, Stres Yok - Hayatınızı Yok Etmeden Hayat Değiştiren Yazılım Yaratma Adım Adım Kılavuzunuz
- Vaka Analizi
- Makine Öğrenmesi İşleri Değiştirebilir
- Sonuç
Kaynak: Krulua / Dreamstime.com
Paket servisi:
Makine öğrenmesi, bir sistemin kendi programlamasını değiştirebilmesidir. Fakat bir sistem bunu yapabildiğinde, insanlar hala gerekli midir?
Makine öğrenimi, bilgisayar tarihindeki en büyük gelişmelerden biri olmuştur ve şimdi büyük veri ve analiz alanında önemli roller üstlenebileceğine inanılmaktadır. Büyük veri analizi, işletmeler açısından büyük bir zorluktur. Örneğin, büyük miktarlarda çeşitli veri biçimlerinin anlaşılması, analitik için verilerin hazırlanması ve gereksiz verilerin filtrelenmesi gibi etkinlikler çok fazla kaynak tüketebilir. Veri bilimcilerini ve uzmanları işe almak, her şirketin imkânı dahilinde değil, pahalı bir tekliftir. Uzmanlar, makine öğreniminin hem rutin hem de karmaşık olmak üzere analitikle ilgili birçok işi otomatik olarak yapabildiğine inanıyor. Makine öğrenimini otomatikleştirmek, daha karmaşık ve yenilikçi işlerde kullanılabilecek birçok kaynağı serbest bırakabilir. Makine öğrenmesi bu yöne gidiyormuş gibi görünüyor. (Makine öğrenmenin kullanımı hakkında daha fazla bilgi edinmek için, bkz. Makine Öğrenmenin Sözleri ve Tuzaklar.)
Bilgi Teknolojileri Konusunda Otomasyon
Bilişim teknolojisinde otomasyon farklı sistemlerin ve yazılımların birbirine bağlanmasıdır, böylece herhangi bir insan müdahalesi olmadan belirli işleri yapabiliyorlar. BT endüstrisinde, otomatik sistemler hem basit hem de karmaşık işleri gerçekleştirebilir. Basit bir iş örneği, bir formu bir PDF ile bütünleştirmek ve belgeyi doğru alıcıya sunmak olabilirken, şirket dışı bir yedekleme sağlamak karmaşık bir iş örneği olabilir.
İşini yapmak için, otomatik bir sistemin programlanması veya açık talimatlar verilmesi gerekir. İşlerinin kapsamını değiştirmek için otomatik bir sistem gerektiğinde, program veya talimatlar seti bir insan tarafından güncellenmelidir. Otomatik sistemler işlerinde verimli olsalar da, çeşitli nedenlerden dolayı hatalar ortaya çıkabilir. Hata oluştuğunda, kök nedenin tanımlanması ve düzeltilmesi gerekir. Açıkçası, işlerini yapmak için, otomatik sistemler tamamen insana bağımlıdır. İşin doğası ne kadar karmaşık olursa, hataların ve sorunların olasılığı o kadar yüksektir.
Genellikle rutin ve tekrarlanabilir işler otomatik sistemlere atanır. Bilişim endüstrisindeki yaygın bir otomasyon örneği, web tabanlı kullanıcı arayüzlerinin testini otomatikleştiriyor. Test senaryoları otomasyon komut dosyalarına beslenir ve kullanıcı arayüzleri buna göre test edilir. (Makine öğrenmesinin pratik kullanımları hakkında daha fazla bilgi için, bkz. Yeni Nesil Dolandırıcılık Tespiti bölümünde Makine Öğrenimi ve Hadoop.)
Otomasyon lehine olan argüman, rutin ve tekrarlanabilir işler gerçekleştirmesi ve çalışanları daha karmaşık ve yaratıcı görevler yapması için serbest bırakması olmuştur. Bununla birlikte, otomasyonun eskiden insanlar tarafından gerçekleştirilen birçok işi ya da rolü yerinden ettiği iddia edilmektedir. Şimdi, makine öğreniminin çeşitli endüstrilerde yolunu bulmasıyla, otomasyon tamamen yeni bir boyut kazandırabilir.
Otomasyon Makine Öğreniminin Geleceği midir?
Makine öğreniminin özü, sistemlerin sürekli olarak veriden öğrenme ve insana müdahale etmeden gelişmesidir. Makine öğrenmesi insan beyni gibi davranma yeteneğine sahiptir. Örneğin, bir e-ticaret web sitesindeki bir öneri motoru, kullanıcının benzersiz tercihlerini değerlendirebilir ve zevk alabilir ve kullanıcının tercihlerine en uygun ürün ve hizmetler hakkında önerilerde bulunabilir. Bu yetenek göz önüne alındığında, makine öğrenmesi büyük veri ve analitik ile ilgili karmaşık görevleri otomatikleştirmek için ideal olarak kabul edilir. Düzenli insan müdahalesi olmadan çalışamayan geleneksel otomasyon sistemlerinin ana sınırlamasını çoktan aştı. Makine öğreniminin, bu makalenin ilerleyen kısımlarında tartışılacağı gibi karmaşık veri analizi görevlerini tamamlayabildiğini gösteren çok sayıda vaka çalışması vardır.
Daha önce de belirtildiği gibi, büyük veri analizi şirketler için zorlu bir tekliftir ve kısmen makine öğrenim sistemlerine devredilebilir. Bir işletme açısından bakıldığında, bu, daha yaratıcı ve kritik görevler için veri bilimi kaynaklarından kurtulma, daha yüksek iş tamamlama hacmi, görevleri tamamlamak için daha az zaman ve maliyet etkinliği gibi birçok yarar sağlayabilir.
Hata Yok, Stres Yok - Hayatınızı Yok Etmeden Hayat Değiştiren Yazılım Yaratma Adım Adım Kılavuzunuz
Hiç kimse yazılım kalitesiyle ilgilenmediğinde programlama becerilerinizi geliştiremezsiniz.
Vaka Analizi
MIT araştırmacıları, 2015 yılında Deep Feature Synthesis algoritması adı verilen bir teknik kullanarak büyük miktarlardaki ham verilerden öngörücü veri modelleri oluşturabilen bir veri bilimi aracı üzerinde çalışmaya başladı. Bilim insanlarının iddia ettikleri algoritma, makine öğrenmenin en iyi özelliklerini bir araya getirebiliyor. Bilim insanlarına göre, algoritmayı zaten üç farklı veri setinde test etmişler ve test kapsamını daha fazla veri setine genişletecekler. Nasıl yaptıklarını açıklayan araştırmacılar James Max Kanter ve Kalyan Veeramachaneni, uluslararası bir veri bilimi ve analitik konferansında uluslararası bir veri bilimi ve analitik konferansında sunulacağını belirtti: “Otomatik ayarlama sürecini kullanarak, tüm yolu insan katılımı olmadan, genelleştirmesini sağlayarak optimize ediyoruz. farklı veri kümelerine. ”
Görevin ne kadar karmaşık olduğunu inceleyelim: algoritma, yaş ya da cinsiyet gibi ham verilerden içgörüleri ya da değerleri türettiği ya da çıkardığı yardımı ile otomatik ayarlama kabiliyeti olarak bilinen bir kabiliyete sahiptir ve bundan sonra Tahmini veri modelleri oluşturabilir. Algoritma karmaşık matematiksel fonksiyonları ve Gaussian Copula olarak bilinen olasılık teorisini kullanır. Bu nedenle, algoritmanın kullanabileceği karmaşıklığın derecesini anlamak kolaydır. Teknik yarışmalarda da ödüller kazandı.
Makine Öğrenmesi İşleri Değiştirebilir
Makine öğreniminin birçok işin yerine geçebileceği tartışılıyor çünkü bir insan beyninin verimliliğiyle görev yapıyor. Aslında, makine öğreniminin veri bilimcileri yerine geçeceği konusunda bazı endişeler var - ve bu tür endişelerin temeli gibi görünüyor.
Veri analizi becerisine sahip olmayan, ancak günlük yaşamlarında çeşitli derecelerde analitiklere ihtiyaç duyan ortak kullanıcılar için, büyük veri hacimlerini analiz edebilen ve analitik sunabilen bilgisayarlara sahip olmak mümkün değildir. Ancak, doğal dil işleme (NLP) teknolojileri, bilgisayarlara insanların doğal ve sözlü dilini kabul etmeyi ve işlemeyi öğreterek bu sınırlamanın üstesinden gelebilir. Bu şekilde, ortak kullanıcının karmaşık analitik yeteneklerine veya becerilerine ihtiyacı yoktur.
IBM, veri bilimcileri ihtiyacının, Watson doğal dil analiz platformu ürünü ile en aza indirilebileceğini ya da ortadan kaldırılabileceğine inanmaktadır. Watson Analytics ve Business Intelligence başkan yardımcısına göre, Marc Atschuller, “Watson gibi bilişsel bir sistemle sadece sorunuzu getirin - ya da bir sorunuz yoksa, sadece verilerinizi yükleyin ve Watson buna bakıp çıkarımda bulunabilir. ne bilmek istersin. ”
Sonuç
Otomasyon, makine öğrenmesi için bir sonraki mantıklı adımdır ve günlük yaşamlarımızda - e-ticaret web sitelerinde, arkadaş önerileri, LinkedIn ağ önerileri ve Airbnb arama sıralamasında etkilerini zaten yaşıyoruz. Verilen örnekler göz önüne alındığında, otomatik makine öğrenme sistemleri tarafından üretilen çıktı kalitesinden şüphe edilemez. Tüm nitelikleri ve faydaları için, makine öğreniminin muazzam işsizliğe neden olduğu düşüncesi aşırı tepki gösterebilir. Makineler, yaşamımızın birçok alanındaki insanları birkaç on yıldan beri değiştiriyor ve yine de, insanlar endüstrinin içinde kalması için gelişti ve adapte oldu. Perspektife bağlı olarak, makine öğrenmesi, tüm aksamaları nedeniyle, insanların uyum sağlayacağı bir başka dalgadır.