Обычный человек, слыша такие слова как Machine Learning или Big Data сразу представляет себе больших роботов, огромные серверные стойки и скорое восстание машин. Но такие крутые технологии находят своё применение и в повседневной жизни. Мы собрали несколько таких примеров.
Интеллектуальные системы считаются таковыми не просто так. Коллаборация искусственного интеллекта и машинного интеллекта творит удивительные вещи. Об этом много пишет авторитетное издание https://imaginationtarget.info — технологии, в том числе децентрализованные, двигают человечество вперёд семимильными шагами.
Сами машины могут обучаться как самостоятельно, так и с помощью человека. Суть Machine Learning как раз в том, чтобы заставить компьютер думать, «как люди» с помощью познания, понимания и опыта, тем самым копируя работу человеческого мозга (это и есть конечная цель)
Количество технологий, используемых в машинном обучении зашкаливает — статистика, методы оптимизации, теория вероятностей, дискретная математика и математическая кибернетика, дата майнинг, построение моделей для тестирования искусственного интеллекта и так далее. Генеративные модели позволяют компьютеру самостоятельно создавать данные — например, фотографии, фильмы или музыку. Машинное обучение довольно тяжелая наука — порог вхождения в неё высокий, поэтому специалисты по ML сейчас на вес золота.
Медицинский диагноз
Одним из наиболее значимых примером машинного обучения является диагностика различных заболеваний с помощью базы данных медицинских знаний, прогнозирования, мониторинга состояния и исследования полученных результатов. В качестве примера можно привести диагностирование рака кожи или диабетическую ретинопатию — это довольно серьезное заболевание глазного яблока, но поддающаяся лечению. В этом как раз помогает ML — компьютер исследует более 125 тысяч снимков сосудистой оболочки и помогает выявлять болезнь на ранней стадии.
Кредитный скоринг
При принятии решения о выдаче кредита или займа учитывается т.н. «Кредитный скоринг» — рейтинг платежеспособности клиента. ИИ на основе модели, которую просчитывает машинное обучение — в ней много параметров — возраст, зарплата, кредитная история, наличие недвижимости, автомобиля, судимости и других признаков, после обработки которых выносится положительное или отрицательное решение
Спам-фильтр
Письма, которые летят в спам — тоже, отчасти, заслуга машинного обучения. Такие системы определяют нежелательную почту через фильтр и постепенно совершенствуются, благодаря способности компьютеру учиться на уже имеющихся примерах.
Распознавание изображений и лиц
Это, наверное, самый известный пример работы Machine Learning в последние несколько лет. Повсеместно это стали внедрять социальные сети (ВК, Facebook) для того, чтобы автоматически отмечать ваших друзей на фото, после того, как вы сами сделаете это несколько раз. Авито использует распознавание изображений для блокировки загрузки чужих фотографий на сайт или дублирующих объявлений. Камеры, которые распознают лица в городском потоке — из этой же серии.
Распознавание речи
Тоже весьма важный аспект работы MO — распознавание произнесенных слов и их конвертация в текстовый вид. Голосовой набор, голосовой поиск — всё, чем мы пользуемся в повседневной жизни работает благодаря, в том числе, и машинному обучению.
Сюда же можно отнести и онлайн-переводчики. Да-да, Google Translate тоже использует MO для своих нужд — недостаточно просто взять словарь и подставлять нужные слова — необходимо учитывать, как минимум, грамматику, время, падеж, особенности речи каждого языка, слэнг, контекст — много нюансов. Машинное обучение также используется для распознавания символов, чтобы различать рукописные и печатные буквы.
Создание игр
Геймдев — индустрия с максимальным привлечение машинного обучения в своей работе. При создании игр требуется просчитывать очень много нюансов, а если игра с «открытым» миром, то еще больше.: обсчитать все возможные действия игрока, искусственного интеллекта, NPC, сеттинг, анимация, изменение внешнего мира
Прогнозирование
Если у вас есть огромный массив данных и огромная скорость обработки, то грех не пользоваться такой штукой как прогнозирование. Собственно, машинное обучение уже используется для предсказания температуры, прибыли предприятия, средних цен на квартиру — чего угодно.
Перевозки и логистика
Было бы странно, если машинное обучение не использовалось в таком сегменте, как логистика, где очень важна быстрая обработка данных и принятие решений. Конкретно ML используется для распределения заказов, исходя из нагрузки, пробок, наличия водителей и так далее, прогнозирование прибыли от конкретной перевозки или планирование её оптимального маршрута для передвижения
Рекомендации
Все мы каждый день сталкиваемся с рекомендациями, которые подбираются специально под нас, на основе наших запросов или посещенных сайтов. Самый яркий пример — это, конечно, Youtube. Система рекомендаций в сервисе учитывает просмотры и предпочтения сотен миллионов пользователей, а так же длину, жанр, язык или конкретные персоналии и составляет список рекомендаций на основе обработки этих данных.
Как вам статья?
