Aplicații generale IA
Învățare automată vs. mașini de predicție
Aplicarea învățării automate
Atunci când sunt expuse la date noi, programele de calculator sunt capabile să învețe, să crească, să se schimbe și să se dezvolte singure. O metodă de analiză a datelor, învățarea automată automatizează crearea de modele analitice. În cuvinte mai simple, permite calculatoarelor să găsească informații utile fără a fi programate să caute o anumită informație. Pentru a face acest lucru, ML utilizează algoritmi care învață iterativ din date.
Învățarea automată se află în spatele
al aplicațiilor de traducere lingvistică, al emisiunilor pe care vi le sugerează Netflix
și al modului în care sunt prezentate fluxurile de social media. .
Ea alimentează vehiculele autonome și mașinile care pot diagnostica afecțiuni medicale pe baza imaginilor. De la producție la comerțul cu amănuntul și de la sectorul bancar la brutării, chiar și companiile vechi folosesc învățarea automată pentru a debloca noi valori sau pentru a spori eficiența.
Învățarea automată începe cu date - numere, fotografii sau text, imagini de oameni sau chiar de produse de panificație, înregistrări de reparații, date în serie de timp de la senzori sau rapoarte de vânzări. Datele sunt adunate și pregătite pentru a fi utilizate ca date de instruire, sau informațiile pe care va fi instruit modelul de învățare automată. Cu cât sunt mai multe date, cu atât mai bun este programul. De aici, programatorii aleg un model de învățare automată care să fie utilizat, furnizează datele și lasă modelul informatic să se antreneze singur pentru a găsi tipare sau a face predicții. În timp, programatorul uman poate, de asemenea, să ajusteze modelul, inclusiv să îi schimbe parametrii, pentru a-l ajuta să obțină rezultate mai precise.Printre exemplele de probleme de învățare automată se numără:
"Acesta este cancer?", "Care dintre aceste persoane sunt prieteni buni între ei?", "Îi va plăcea acest film acestei persoane?" Astfel de întrebări la care trebuie să se răspundă sunt ținte excelente pentru învățarea automată și, de fapt, învățarea automată a fost aplicată cu mare succes la astfel de probleme.Mai simplu spus, sistemele de învățare automată oferă predicții de înaltă calitate care pot permite luarea deciziilor în timp real, cu intervenție umană redusă sau deloc. .
Aplicarea mașinilor de predicție (mașini predictive):
Capacitatea de a prezice evenimentele și tendințele viitoare este esențială în toate sectoarele de activitate.
Analiza predictivă apare mai des decât ați putea presupune - de la prognoza meteo săptămânală la progresele medicale bazate pe algoritmi. Iată o prezentare generală a analizei predictive pentru a vă ajuta să porniți pe drumul către formularea de strategii și luarea deciziilor bazate pe date.
Analiza predictivă apare mai des decât ați putea presupune - de la prognoza meteo săptămânală la progresele medicale bazate pe algoritmi. Iată o prezentare generală a analizei predictive pentru a vă ajuta să porniți pe drumul către formularea de strategii și luarea deciziilor bazate pe date.
Analiza predictivă este utilizarea datelor pentru a prezice tendințele și evenimentele viitoare. Ea utilizează datele istorice pentru a prognoza scenarii potențiale care pot contribui la luarea de decizii strategice.
Predicțiile pot fi pentru viitorul apropiat
- de exemplu, prezicerea defecțiunii unui utilaj mai târziu în acea zi - sau pentru un viitor mai îndepărtat, cum ar fi prezicerea fluxurilor de numerar ale companiei dumneavoastră pentru anul următor..
Analiza predictivă poate fi efectuată manual sau cu ajutorul unor algoritmi de învățare automată. În ambele cazuri, datele istorice sunt folosite pentru a face presupuneri despre viitor.
Previziunile vă pot permite să luați decizii mai bune și să formulați strategii bazate pe date. Iată câteva exemple de analiză predictivă în acțiune pentru a vă inspira.
1. Finanțe: Prognoza fluxurilor de numerar viitoare
Fiecare afacere trebuie să păstreze periodic înregistrări financiare, iar analiza predictivă poate juca un rol important în prognozarea sănătății viitoare a organizației dumneavoastră. Folosind date istorice din situațiile financiare anterioare, precum și date din industria mai largă, puteți proiecta vânzările, veniturile și cheltuielile pentru a crea o imagine a viitorului și a lua decizii.
2. Divertisment și ospitalitate: Determinarea nevoilor de personal
În domeniul divertismentului și al ospitalității, afluxul și fluxul de clienți depind de diverși factori, care influențează numărul de angajați de care are nevoie un local sau un hotel la un moment dat. Excesul de personal costă bani, iar deficitul de personal ar putea duce la o experiență proastă pentru clienți, la angajați suprasolicitați și la greșeli costisitoare.Pentru a prezice numărul de înregistrări la hotel într-o anumită zi, un model de regresie multiplă care ia în considerare mai mulți factori poate ajuta la evitarea pe cât posibil a suprasolicitării personalului.
3. Îngrijirea sănătății: Depistarea timpurie a reacțiilor alergice
Un alt exemplu de utilizare a algoritmilor pentru o analiză rapidă și predictivă în scopul prevenirii provine din industria medicală. Institutul Wyss din cadrul Universității Harvard a încheiat un parteneriat cu Fundația KeepSmilin4Abbie pentru a dezvolta o tehnologie portabilă care prezice o reacție alergică anafilactică și administrează automat epinefrina care salv
ează vieți. Senzorul, numit AbbieSense, detectează semnele fiziologice timpurii ale anafilaxiei ca predictori ai unei reacții ulterioare - și face acest lucru mult mai repede decât o poate face un om. Atunci când se prezice că va avea loc o reacție, se declanșează un răspuns algoritmic. Algoritmul poate prezice gravitatea reacției, poate alerta persoana și îngrijitorii și poate injecta automat epinefrină atunci când este necesar. Capacitatea tehnologiei de a prezice reacția cu o viteză mai mare decât detecția manuală ar putea salva vieți.
Diferența dintre Machine Learning și Predictive Analytics și unde se suprapun
| Învățare automată | Modelare predictivă |
| Pentru a rezolva probleme complexe, se utilizează diferite modele ML | Pentru a prezice rezultatele viitoare, se utilizează date din trecut. |
| Ei au tendința de a se adapta și de a învăța din experiențe. | Ei nu au tendința de a se adapta la date. |
| Nu este nevoie să fie programat în mod explicit. | Pentru a procesa datele, acestea trebuie să fie programate manual de către sistem.. |
| Pentru a face față unei anumite probleme, modelele lor sunt suficient de inteligente pentru a se adapta și a se actualiza. | Nu au modele inteligente care să poată lua decizii singure. |
| Este o abordare bazată pe date. | Este o abordare bazată pe cazuri de utilizare. |
| Nu este nevoie de o cantitate mare de date istorice pentru a procesa sarcina. | Aceasta necesită o cantitate mare de date istorice pentru a procesa o anumită sarcină, adică pentru a prezice rezultatele viitoare. |
| Pentru a rezolva o problemă, este nevoie de o descriere detaliată a acesteia. | Pentru a rezolva o problemă, nu este nevoie de o descriere detaliată a acesteia. |
Antrenați cu ușurință un sistem de învățare automată
Antrenați un sistem de învățare automată online ușor și jucăuș - max. 10 minute.
Deschideți acest link în browserul dumneavoastră: https://machinelearningforkids.co.uk/#!/welcome- și urmați instrucțiunile simple și scurte. Ca urmare, veți putea înțelege cum să antrenați un sistem de învățare automată în cel mai simplu mod.
RESURSE SUPLIMENTARE: VIDEOCLIPURI ȘI/SAU LINKURI UTILE
● Ce este ML, introducere în 7 minute: https://www.youtube.com/watch?v=ukzFI9rgwfU
● Aflați cum să utilizați ML by Google https://ai.google/education/
● Aflați mai multe despre ML: https://elitedatascience.com/machine-learning-interview-questions-answers
Referințe
● 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
Auto-reflecție
Urmăriți videoclipul - Google Talk despre Mașini de predicție și Economia Ai https://www.youtube.com/watch?v=ByvPp5xGL1I
și răspundeți la următoarele întrebări:
Întrebări: Care este adevărata meserie a inteligenței artificiale? Cum contribuie inteligența artificială prin faptul că este mai ieftină și mai sigură cunoașterea a ceea ce va urma în viitor? Cum separă managerii sarcinile în componente de predicție și judecată pentru a face predicția mai ieftină?
