AI generelle anvendelser
Maskinlæring vs. forudsigelsesmaskiner
Anvendelse af maskinlæring
Når computerprogrammer udsættes for nye data, kan de lære, vokse, ændre sig og udvikle sig selv.
Maskinlæring er en dataanalysemetode, der automatiserer opbygningen af analysemodeller. Med enklere ord giver den computere mulighed for at finde indsigtsfulde oplysninger uden at være programmeret til at finde en bestemt oplysning. ML anvender algoritmer, der iterativt lærer af data, for at gøre dette.
Maskinlæring er en dataanalysemetode, der automatiserer opbygningen af analysemodeller. Med enklere ord giver den computere mulighed for at finde indsigtsfulde oplysninger uden at være programmeret til at finde en bestemt oplysning. ML anvender algoritmer, der iterativt lærer af data, for at gøre dette.
Maskinlæring starter med data - tal, fotos eller tekst, billeder af personer eller endda bageriprodukter, reparationsjournaler, tidsseriedata fra sensorer eller salgsrapporter.
Dataene indsamles og forberedes til brug som træningsdata, eller de oplysninger, som maskinlæringsmodellen skal trænes på. Jo flere data, jo bedre er programmet. Herefter vælger programmørerne en maskinlæringsmodel til brug, leverer dataene og lader computermodellen træne sig selv til at finde mønstre eller foretage forudsigelser. Med tiden kan den menneskelige programmør også justere modellen, herunder ændre dens parametre, for at hjælpe den til at opnå mere præcise resultater.Eksempler på maskinlæringsproblemer er:
"Er dette kræft?",
"Hvem af disse personer er gode venner med hinanden?",
"Vil denne person kunne lide denne film?"
"Hvem af disse personer er gode venner med hinanden?",
"Vil denne person kunne lide denne film?"
Sådanne spørgsmål, der skal besvares, er fremragende mål for maskinlæring, og maskinlæring er faktisk blevet anvendt til sådanne problemer med stor succes.
Anvendelse af forudsigelsesmaskiner (forudsigelsesmaskiner)
Evnen til at forudsige fremtidige begivenheder og tendenser er afgørende i alle brancher.
Prædiktiv analyse forekommer oftere, end du måske tror - lige fra din ugentlige vejrudsigt til algoritmeaktiverede medicinske fremskridt. Her er en oversigt over prædiktiv analyse, der kan hjælpe dig på vej til datainformeret strategiformulering og beslutningstagning.
Prædiktiv analyse er brugen af data til at forudsige fremtidige tendenser og begivenheder. Den bruger historiske data til at forudsige potentielle scenarier, der kan være med til at styre strategiske beslutninger.
Prædiktiv analyse forekommer oftere, end du måske tror - lige fra din ugentlige vejrudsigt til algoritmeaktiverede medicinske fremskridt. Her er en oversigt over prædiktiv analyse, der kan hjælpe dig på vej til datainformeret strategiformulering og beslutningstagning.
Prædiktiv analyse er brugen af data til at forudsige fremtidige tendenser og begivenheder. Den bruger historiske data til at forudsige potentielle scenarier, der kan være med til at styre strategiske beslutninger.Prædiktive analyser kan udføres manuelt eller ved hjælp af maskinlæringsalgoritmer. Under alle omstændigheder bruges historiske data til at opstille antagelser om fremtiden.
Prognoser kan give dig mulighed for at træffe bedre beslutninger og formulere datainformerede strategier. Her er nogle eksempler på prædiktive analyser i praksis, som kan inspirere dig.
Prognoser kan give dig mulighed for at træffe bedre beslutninger og formulere datainformerede strategier. Her er nogle eksempler på prædiktive analyser i praksis, som kan inspirere dig.
1. Finansiering: Fremskrivning af fremtidig pengestrøm
Alle virksomheder skal føre regelmæssige finansielle optegnelser, og prædiktive analyser kan spille en stor rolle i forbindelse med at forudsige din virksomheds fremtidige sundhed. Ved hjælp af historiske data fra tidligere årsregnskaber samt data fra den bredere branche kan du fremskrive salg, indtægter og udgifter for at skabe et billede af fremtiden og træffe beslutninger..
2. Underholdning og gæstfrihed: Fastlæggelse af personalebehov
I underholdnings- og hotelbranchen afhænger til- og frastrømning af forskellige faktorer, som alle spiller ind på, hvor mange medarbejdere et spillested eller hotel har brug for på et givet tidspunkt. Overbemanding koster penge, og underbemanding kan resultere i en dårlig kundeoplevelse, overbebyrdede medarbejdere og dyre fejltagelser.For at forudsige antallet af hotelcheck-ins på en given dag kan en multipel regressionsmodel, der tager højde for flere faktorer, hjælpe med at undgå overbemanding så godt som
muligt.
3. Sundhedsvæsen: Tidlig påvisning af allergiske reaktioner: Sundhedspleje: Tidlig påvisning af allergiske reaktioner
3. Sundhedsvæsen: Tidlig påvisning af allergiske reaktioner: Sundhedspleje: Tidlig påvisning af allergiske reaktioner
Et andet eksempel på anvendelse af algoritmer til hurtig, forudsigende analyse til forebyggelse kommer fra sundhedssektoren. Wyss Institute ved Harvard University har indgået et
samarbejde med KeepSmilin4Abbie Foundation om at udvikle en bærbar teknologi, der forudsiger en anafylaktisk allergisk reaktion og automatisk administrerer livsreddende adrenalin. Sens
oren, kaldet AbbieSense, registrerer tidlige fysiologiske tegn på anafylaksi som forudsigere a f en efterfølgende reaktion - og den gør det langt hurtigere, end et menneske kan. Når der forudsig es en reaktion, udløses en algoritmisk reaktion. Algoritmen kan forudsige reaktionens alvorlighed, advare personen og plejepersonal et og automatisk injicere epinephrin, hvis det er nødvendigt. Teknologiens evne til at forudsige reaktionen hurtigere end manuel registrering kan redde liv.
Forskellen mellem maskinlæring og prædiktiv analyse, og hvor de overlapper hinanden
| Maskinlæring | Prædiktiv modellering |
| Til at løse komplekse problemer anvendes forskellige ML-modeller | For at forudsige fremtidige resultater bruger den tidligere data. |
| De har en tendens til at tilpasse sig og lære af erfaringer. | De har ikke en tendens til at tilpasse sig dataene. |
| Det er ikke nødvendigt at programmere det eksplicit. | For at behandle data skal de programmeres manuelt i systemet. |
| Deres modeller er intelligente nok til at tilpasse og opdatere sig til at håndtere et bestemt problem. | De har ikke smarte modeller, som selv kan træffe beslutninger. |
| Det er en datadrevet tilgang | Det er en tilgang, der er baseret på brugssager. |
| Det kræver ikke en stor mængde historiske data at behandle opgaven. | Det kræver en stor mængde historiske data at behandle en bestemt opgave, dvs. at forudsige fremtidige resultater. |
| For at løse et problem kræver det en detaljeret beskrivelse af problemet. | For at løse et problem er det ikke nødvendigt med en detaljeret beskrivelse af problemet. |
Træn nemt et maskinlæringssystem
Træn et maskinlæringssystem nemt og legende online - max. 10 minutter.
Åbn dette link i din browser: https://machinelearningforkids.co.uk/#!/welcome - og følg de enkle og korte instruktioner. Som resultat heraf vil du kunne forstå, hvordan man træner et maskinlæringssystem på den nemmeste måde.
YDERLIGERE RESSOURCER: VIDEOER OG/ELLER NYTTIGE LINKS
- https://machinelearningforkids.co.uk/#!/velkommen.
- Hvad er ML, introduktion på 7 minutter: https://www.youtube.com/watch?v=ukzFI9rgwfU
- Lær at bruge ML ved hjælp af Google https://ai.google/education/
- Få mere at vide om ML: https://elitedatascience.com/machine-learning-interview-questions-answer
Referencer
● Prediction machines AI, https://www.predictionmachines.ai/ and https://store.hbr.org/product/prediction-machines-the-simple-economics-of-artificial-intelligence/10195?sku=10195-HBK-ENG
● https://medium.datadriveninvestor.com/prediction-machines-a-summary-278d3fdf94f1
● Machine Learning (ML) vs. Artificial Intelligence (AI) - Crucial Differences, https://towardsai.net/p/machine-learning/differences-between-ai-and-machine-learning-1255b182fc6
● How No-Code Platforms Can Bring AI to Small and Midsize Businesses by Jonathon Reilly, 2021, https://hbr.org/2021/11/how-no-code-platforms-can-bring-ai-to-small-and-midsize-businesses
● Adding real value https://static1.squarespace.com/static/59d6456137c581acfcef3422/t/5cadd76015fcc0f9e6594106/1554896736783/IM_Joshua+Gans+and+authors.pdf
● Machine Learning, MIT. https://mitsloan.mit.edu/ideas-made-to-matter/machine-learning-explained
● Deep learning https://searchenterpriseai.techtarget.com/definition/deep-learning-deep-neural-network
Selvrefleksioner
Se videoen - Google Talk om Prediction Machines and Economics of Ai
og besvar følgende spørgsmål:
og besvar følgende spørgsmål:
