Czy ludzie stworzą maszyny mądrzejsze od nich samych?

„Czy ludzie stworzą maszyny mądrzejsze od nich samych?” – takie m.in. pytanie  pada w książce „Co nas nie zabije„, kontynuacji trylogii „Millennium” Stiega Larssona, napisanej przez Davida Lagercrantza. Jeden z bohaterów powieści przestrzega: – Takie maszyny musiałby być zdolne skonstruować coś inteligentniejszego od siebie. Może nastąpić eksplozja inteligencji, której nie da się kontrolować, jak w filmie Matrix. Jednak wizja samouczących samoaktualizujących się non-stop maszyn i algorytmów, które sprawią, że powstaną programy, które same się ulepszają i doskonalą – to już nie tylko fikcja literacka i filmowa . 

Wzrasta zainteresowanie wykorzystywaniem uczenia maszynowego (machine learning) w celu zyskania przewagi konkurencyjnej w biznesie, przekonują analitycy Gartnera. Firma ubezpieczeniowa używająca narzędzi, które pozwalają z większą precyzją wyliczać stawki ubezpieczeniowe czy koncern zajmujący się wydobyciem gazu ziemnego stosujący rozwiązania umożliwiające przewidywanie wycieków gazu. To tylko dwa przykłady zastosowania technik uczenia maszynowego, których wdrażanie nabiera tempa wskutek zalewu danych (pochodzących z internetu rzeczy, mediów społecznościowych i urządzeń przenośnych) oraz dostępności skalowalnych mocy obliczeniowych, jakie zapewniają platformy chmurowe.

Uczenie maszynowe jest techniką z obszaru informatyki i modelowania statystycznego, która pozwala aplikacji komputerowej na podstawie samodzielnej analizy – bez konieczności jej zaprogramowania – przewidzenie rezultatu lub podjęcie decyzji. Dane z wielu różnych źródeł (aplikacje, czujniki IoT, sieci, urządzenia) są dostarczane do systemu uczenia maszynowego, który je przetwarza i za pomocą odpowiednich algorytmów tworzy własną logikę w celu rozwiązania danego problemu, pozyskania wiedzy lub sformułowania prognoz.

Zdolność przekształcania danych na praktyczne działania biznesowe jest kluczem do zyskania przewagi konkurencyjnej w każdej organizacji.  Jednakże umiejętność autonomicznego uczenia się i ewoluowania w miarę jak wprowadzane są nowe dane – bez konieczności specjalnego programowania to „Święty Graal inteligencji biznesowej (business intelligence)

– przekonuje Carlton Sapp, dyrektor ds. badań w firmie Gartner.

Uczenie maszynowe, czyli samouczące systemy

Big data – pojęcie, które stało się popularne około 2010 r., zaczyna ustępować pola nowemu, modnemu trendowi – uczeniu maszynowemu, które stanowi podstawę sztucznej inteligencji (artificial intelligence). Technika ta wykorzystuje automatykę do rozpoznawania i uczenia się współzależności, szczególnie w zakresie analityki predykcyjnej i normatywnej (predictive and prescriptive analytics).  Uczenia maszynowe jest ściśle związane z analityką danych i programowaniem eksploracji danych (data mining). Machine learning towarzyszy kilka innych pojęć. Najważniejsze to: sieci neuronowe, deep learning i cognitive computing. Technologie te stosowane razem nie tylko umożliwią automatyczną i precyzyjną predyktywną analizę gargantuicznej ilości danych, ale w niektórych przypadkach, np. obrotów giełdowych – pozwolą wręcz kreować wydarzenia. Według IDC, w 2020 r. wartość rynku inteligentnych aplikacji przekroczy 40 mld dolarów.


Biznesowe zastosowania uczenia maszynowego

Zwieksza się biznesowe wykorzystanie uczenia maszynowego ze względu na rosnącą wszechstronność tej technologii i odkrywanie korzyści biznesowych, jakie można uzyskać dzięki jej użyciu. Nie mniej ważnym czynnikiem jest postępujący proces digitalizacji biznesu i upowszechnianie analiz big data.

Dane są zbierane i generowane z większej liczby źródeł niż kiedykolwiek, w tym z sensorów IoT, mediów społecznościowych, urządzeń przenośnych, sieci i tradycyjnych hurtowni danych biznesowych. Wiele organizacji nie dysponuje zasobami, które pozwoliłby wydobywać wartości biznesowe z tak dużej ilości informacji.

Uczenie maszynowe jest szczególnie przydatne do uzyskiwania przewagi konkurencyjnej w biznesie cyfrowym, ponieważ oferuje takie korzyści, jak: szybkość, duże moce obliczeniowe, wydajność i inteligencję poprzez samouczenie – bez konieczności zaprogramowania tych cech w aplikacji.  Innymi słowy, uczenie maszynowe umożliwia nam nauczenie aplikacji, w jaki sposób podejmujemy decyzje, zamiast zaprogromować te decyzje. Uczenie maszynowe to kolejna generacja narzędzi analitycznych dla architektów cyfrowego biznesu

– podsumowuje Sapp.

Systemy uczenia maszynowego w rękach  programistów i badaczy danych (data scientists) stwarzają wiele możliwości  rozszerzania i ulepszania ofert produktowych, poprawiania relacji z klientami, usprawniania procesów biznesowych, doskonalenia marketingu i reklamy.


Słowniczek

Uczenie maszynowe (machine learning) – zautomatyzowane systemy analityczne, które uczą się wraz z upływem czasu i  pozyskiwaniem większej ilości danych. Często stosują bardziej skomplikowane algorytmy (predykcyjne i normatywne). Wedle innego porównania, uczenie maszynowe to predykcyjne serce analiz big data i jedna z kluczowych umiejętności, która odróżnia badaczy danych od zwykłych analityków.

* * *

Bill Schmarzo, CTO Dell EMC Services, nazywany też „dziekanem big data”, w jednym ze swoich wpisów  tweeterowych poleca warsztaty, książki i filmy instruktażowe dotyczące uczenia maszynowego: https://www.datanami.com/2017/07/10/machine-learning-education-3-paths-get-started/

Warto też zapoznać się z raportem Dell Technologies „The Next Era of Human-Machine Partnerships”, w którym ponad 20 ekspertów z różnych krajów prognozuje zmiany społeczne i gospodarcze, jakie do 2030 roku zostaną wywołane przez nowe technologie. Zdaniem ekspertów współtworzących raport, najnowsze technologie — wraz z olbrzymim rozwojem oprogramowania, big data i mocy obliczeniowej — gruntownie zmienią nasze życie, relacje ludzi z maszynami staną się głębsze i wszechobecne.

Dodaj komentarz

Twój adres e-mail nie zostanie opublikowany. Pola, których wypełnienie jest wymagane, są oznaczone symbolem *