Βασικές αρχές της AI
Τι είναι η Μηχανική Μάθηση;
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
Machine learning (ML) είναι ένας κλάδος της τεχνητής νοημοσύνης στον οποίο ένα σύστημα μαθαίνει μοτίβα από δεδομένα ώστε να μπορεί να κάνει προβλέψεις, ταξινομήσεις, συστάσεις ή αποφάσεις χωρίς ο προγραμματιστής να γράφει ξεχωριστό κανόνα για κάθε πιθανή περίπτωση. Το αποτέλεσμα δεν είναι μια μηχανή που «σκέφτεται» όπως ένας άνθρωπος. Είναι ένα στατιστικό μοντέλο που αντιστοιχίζει εισόδους σε χρήσιμες εξόδους και μπορεί να αξιολογηθεί σε δεδομένα που δεν είδε κατά την εκπαίδευση.
Η μηχανική μάθηση εντάσσεται στο ευρύτερο πεδίο της AI, ενώ η βαθιά μάθηση είναι μια οικογένεια μεθόδων μηχανικής μάθησης που βασίζονται σε πολυεπίπεδα νευρωνικά δίκτυα. Αυτή η διάκριση είναι σημαντική: δεν χρησιμοποιεί ML κάθε σύστημα AI, και δεν απαιτεί νευρωνικό δίκτυο κάθε πρόβλημα ML.
Κύρια σημεία
- Η ML μαθαίνει μια σχέση από παραδείγματα αντί να βασίζεται μόνο σε χειρόγραφα κανόνες.
- Ένα χρήσιμο μοντέλο πρέπει να γενικεύει σε νέα δεδομένα, όχι μόνο να αποθηκεύει το σύνολο εκπαίδευσής του.
- Η εποπτευόμενη, η μη εποπτευόμενη, η ημι‑εποπτευόμενη, η αυτο‑εποπτευόμενη και η ενισχυτική μάθηση λύνουν διαφορετικούς τύπους προβλημάτων.
- Η ποιότητα των δεδομένων, ο σχεδιασμός της αξιολόγησης και η παρακολούθηση είναι εξίσου σημαντικά με τον αλγόριθμο.
Πώς λειτουργεί η μηχανική μάθηση
Τα περισσότερα έργα ML μπορούν να κατανοηθούν ως μια σειρά έξι σταδίων:
- Ορισμός του έργου. Καθορίστε τι πρέπει να προβλέπει ή να ανακαλύπτει το σύστημα και τι σημαίνει επιτυχία στην πραγματική εφαρμογή.
- Συλλογή και προετοιμασία δεδομένων. Καθαρίστε τις εγγραφές, διαχειριστείτε τις ελλιπείς τιμές, δημιουργήστε χρήσιμα χαρακτηριστικά και τεκμηριώστε την προέλευση των δεδομένων.
- Διαίρεση των δεδομένων. Ένα σύνολο εκπαίδευσης χρησιμοποιείται για την προσαρμογή του μοντέλου, ένα σύνολο επικύρωσης βοηθά στην επιλογή ρυθμίσεων, και ένα σύνολο δοκιμής παρέχει τελική εκτίμηση σε αμετάβλητα δεδομένα.
- Εκπαίδευση του μοντέλου. Ένας αλγόριθμος προσαρμόζει τις παραμέτρους του μοντέλου για να μειώσει μια συνάρτηση απώλειας ή να ικανοποιήσει άλλο στόχο μάθησης.
- Αξιολόγηση της γενίκευσης. Τα μετρικά πρέπει να αντανακλούν το έργο, την ισορροπία των κατηγοριών, το κόστος σφαλμάτων και τον πληθυσμό στον οποίο θα λειτουργεί το μοντέλο.
- Υλοποίηση και παρακολούθηση. Τα πραγματικά δεδομένα μπορούν να αλλάξουν, επομένως οι ομάδες παρακολουθούν για μεταβολές, υποβάθμιση της απόδοσης, προκαταλήψεις και λειτουργικές αποτυχίες.
Οι μεταβλητές που παρέχονται σε ένα μοντέλο ονομάζονται συνήθως χαρακτηριστικά. Στην εποπτευόμενη μάθηση, η επιθυμητή απάντηση ονομάζεται ετικέτα ή στόχος. Οι παραμετροι που μαθαίνει ένα μοντέλο κωδικοποιούν μια σχέση μεταξύ των χαρακτηριστικών και της εξόδου· δεν αποτελούν βάση δεδομένων ρητών κανόνων.
Τα κύρια παραδείγματα μάθησης
Εποπτευόμενη μάθηση
Στην εποπτευόμενη μάθηση, τα παραδείγματα περιλαμβάνουν τόσο εισόδους όσο και γνωστούς στόχους. Ένα μοντέλο ταξινόμησης προβλέπει κατηγορίες, όπως το αν μια συναλλαγή είναι δόλια. Ένα μοντέλο παλινδρόμησης προβλέπει μια συνεχόμενη τιμή, όπως η αναμενόμενη ζήτηση ενέργειας.
Κοινά εποπτευόμενα αλγόριθμικά μοντέλα περιλαμβάνουν δέντρα αποφάσεων, μηχανές διανυσματικής υποστήριξης, K-πλησιέστερους γείτονες, γραμμική και λογιστική παλινδρόμηση, δέντρα ενισχυμένης κλίσης, και νευρωνικά δίκτυα. Ένα όριο ταξινόμησης όπως 0,5 είναι μια απόφαση που επιλέγεται μετά το μοντέλο να παράγει σκορ ή πιθανότητα· δεν είναι αμετάβλητη ιδιότητα της λογιστικής παλινδρόμησης.
Μη εποπτευόμενη μάθηση
Η μη εποπτευόμενη μάθηση λειτουργεί με δεδομένα που δεν περιλαμβάνουν ετικέτες στόχου. Ο στόχος μπορεί να είναι η εύρεση ομάδων, η ανίχνευση ασυνήθιστων παρατηρήσεων, η εκτίμηση μιας κατανομής ή η δημιουργία μιας αναπαράστασης χαμηλότερης διάστασης. Μια ομάδα είναι μια ομάδα που προτείνεται από έναν κανόνα ομοιότητας· δεν είναι αυτόματα μια σημαντική πραγματική κλάση.
Παραδείγματα περιλαμβάνουν ομαδοποίηση K-means, ανάλυση κύριων συνιστωσών, εκτίμηση πυκνότητας και ορισμένες μορφές αυτόματων κωδικοποιητών. Ένας αυτόματος κωδικοποιητής μαθαίνει να ανακατασκευάζει την είσοδό του μέσω μιας συμπιεσμένης αναπαράστασης. Δεν δημιουργεί αυτόματα ετικέτες αληθούς τιμής.
Ημι‑εποπτευόμενη και αυτο‑εποπτευόμενη μάθηση
Η ημι‑εποπτευόμενη μάθηση συνδυάζει ένα μικρό σύνολο δεδομένων με ετικέτες με ένα μεγαλύτερο σύνολο χωρίς ετικέτες. Η αυτο‑εποπτευόμενη μάθηση δημιουργεί σήμα εκπαίδευσης από τα ίδια τα δεδομένα—π.χ., προβλέποντας καλυμμένες λέξεις ή ταιριάζοντας δύο μετασχηματισμένες προβολές της ίδιας εικόνας. Η αυτο‑εποπτεία είναι κεντρική σε πολλές σύγχρονες αρχιτεκτονικές transformer και pipelines μοντέλων βάσης επειδή μπορεί να χρησιμοποιήσει μεγάλες συλλογές κειμένου, εικόνων, ήχου ή βίντεο χωρίς να χρειάζεται κάποιος να ετικετοποιεί κάθε παράδειγμα.
Ενισχυτική μάθηση
Στην ενισχυτική μάθηση, ένας πράκτορας εκτελεί ενέργειες σε ένα περιβάλλον και λαμβάνει ανταμοιβές ή κόστος. Ο στόχος είναι να μάθει μια πολιτική που μεγιστοποιεί την αναμενόμενη συνολική ανταμοιβή. Αυτό διαφέρει από την εποπτευόμενη μάθηση επειδή η σωστή ενέργεια δεν παρέχεται για κάθε κατάσταση, και μια ενέργεια μπορεί να επηρεάσει τα δεδομένα που θα συναντήσει ο πράκτορας στη συνέχεια.
Εκπαίδευση, επικύρωση και γενίκευση
Ένα μοντέλο που αποδίδει καλά στα παραδείγματα εκπαίδευσής του μπορεί ακόμη να αποτύχει σε νέα δεδομένα. Αυτή η αποτυχία είναι γνωστή ως υπερεκπαίδευση. Οι ομάδες τη μειώνουν μέσω κατάλληλης χωρητικότητας μοντέλου, κανονικοποίησης, διασταυρούμενης επικύρωσης, ενίσχυσης δεδομένων, πρόληψης διαρροής και ενός πραγματικά ανεξάρτητου συνόλου δοκιμής.
Δεν υπάρχει ένα μοναδικό μέτρο για κάθε εργασία ML. Η ταξινόμηση μπορεί να απαιτεί ακρίβεια, ανάκληση, F1, βαθμονόμηση ή μέτρο βαρύτητας κόστους αντί για ακατέργαστη ακρίβεια. Η παλινδρόμηση μπορεί να χρησιμοποιεί μέσο απόλυτο σφάλμα, ρίζα μέσου τετραγωνικού σφάλματος ή απώλεια ειδική για το πεδίο. Η ομαδοποίηση χρειάζεται διαφορετικές μορφές εσωτερικής ή εξωτερικά επικυρωμένης αξιολόγησης. Το μέτρο πρέπει να αντανακλά τι σημαίνει ένα σφάλμα για τον χρήστη ή τον οργανισμό.
Οι αλγόριθμοι μηχανικής μάθησης είναι εργαλεία, όχι εγγυήσεις
Ένας αλγόριθμος φέρει υποθέσεις. Τα γραμμικά μοντέλα υποθέτουν μια συγκεκριμένη μορφή σχέσης. Οι K‑πλησιέστεροι γείτονες υποθέτουν ότι η επιλεγμένη απόσταση αντιπροσωπεύει ουσιαστική ομοιότητα. Ο Naive Bayes υποθέτει ότι τα χαρακτηριστικά είναι υπό συνθήκη ανεξάρτητα δεδομένης της κλάσης. Τα δέντρα αποφάσεων διαιρούν το χώρο χαρακτηριστικών χρησιμοποιώντας μάθειες κανόνες διαίρεσης· τα φύλλα τους περιέχουν προβλέψεις βασισμένες σε ομάδες παρατηρήσεων εκπαίδευσης αντί για απαραίτητα μία παρατήρηση η κάθε μία.
Η επιλογή μοντέλου εξαρτάται επομένως από το μέγεθος των δεδομένων, τους τύπους χαρακτηριστικών, τις απαιτήσεις καθυστέρησης, τις ανάγκες ερμηνευσιμότητας και το κόστος των λαθών. Ένα πιο απλό μοντέλο μπορεί να υπερέχει έναν μεγαλύτερο όταν τα δεδομένα είναι περιορισμένα ή οι λειτουργικές περιορισμοί προτιμούν την ταχύτητα και τη διαφάνεια.
Πού χρησιμοποιείται η μηχανική μάθηση
Η ML υποστηρίζει την κατάταξη αναζητήσεων, συστάσεις, πρόβλεψη, ανίχνευση ανωμαλιών, μετάφραση, αναγνώριση φωνής, υπολογιστική όραση, προβλεπτική συντήρηση, ανίχνευση απάτης και επιστημονική ανάλυση. Οι ίδιες τεχνικές μπορούν επίσης να ενισχύσουν ιστορικές προκαταλήψεις, να αποκαλύψουν ευαίσθητες πληροφορίες ή να συμπεριφερθούν απρόβλεπτα υπό μετατόπιση κατανομής. Η υπεύθυνη υλοποίηση απαιτεί τεκμηρίωση, ανθρώπινη επίβλεψη όπου είναι κατάλληλη, δοκιμές ασφαλείας και συνεχή παρακολούθηση.
Από τον ορισμό του προβλήματος σε ένα έγκυρο πείραμα μηχανικής μάθησης
Ένα έργο μηχανικής μάθησης πρέπει να ξεκινά με μια απόφαση και ένα μετρήσιμο αποτέλεσμα, όχι με έναν αλγόριθμο. Ορίστε τη μονάδα πρόβλεψης, τον στόχο, το χρόνο παρατήρησης, το χρόνο λήψης απόφασης, τα διαθέσιμα χαρακτηριστικά και το κόστος κάθε σφάλματος. Για ένα μοντέλο απώλειας πελατών, για παράδειγμα, η χρήση γεγονότων που καταγράφηκαν μετά την ακύρωση θα διαρρεύσει την απάντηση. Καθιερώστε έναν απλό κανόνα ή στατιστικό βασικό σημείο, στη συνέχεια διαιρέστε τα δεδομένα κατά χρόνο, πελάτη, τοποθεσία ή άλλο όριο που αντικατοπτρίζει την υλοποίηση. Οι τυχαίες διαχωρισμοί γραμμών μπορούν να τοποθετήσουν σχεδόν πανομοιότυπες παρατηρήσεις στα σύνολα εκπαίδευσης και δοκιμής και να δημιουργήσουν παραπλανητικό σκορ.
Η μηχανική χαρακτηριστικών μετατρέπει τις ακατέργαστες εγγραφές σε αναπαραστάσεις που μπορεί να χρησιμοποιήσει το μοντέλο, αλλά κάθε χαρακτηριστικό χρειάζεται προέλευση και εγγύηση διαθεσιμότητας. Εφαρμόστε κανονικοποίηση, λεξιλόγιο, αντικατάσταση ελλιπών τιμών και μείωση διαστάσεων μόνο στα δεδομένα εκπαίδευσης, έπειτα εφαρμόστε τη μάθητη μετασχηματισμό στα δεδομένα επικύρωσης και δοκιμής. Η διασταυρούμενη επικύρωση εκτιμά τη μεταβλητότητα μεταξύ δειγμάτων· ένα τελικό αμετάβλητο σύνολο δοκιμής υποστηρίζει την απόφαση κυκλοφορίας. Επιλέξτε μετρικά από τις συνέπειες: ακρίβεια και ανάκληση για άνισα σφάλματα ταξινόμησης, βαθμονόμηση όταν οι πιθανότητες καθοδηγούν ενέργεια, και μέτρα βαρύτητας κόστους ή ωφέλειας όταν τα λάθη έχουν διαφορετικές λειτουργικές επιπτώσεις.
Υλοποίηση, παρακολούθηση και υπεύθυνη λειτουργία
Η παραγωγική εκτίμηση επαναλαμβάνει τη πλήρη μετασχηματισμό της φάσης εκπαίδευσης και επιστρέφει μια πρόβλεψη υπό περιορισμούς καθυστέρησης, απόδοσης και διαθεσιμότητας. Συσκευάστε την προεπεξεργασία με το μοντέλο, επικυρώστε τα σχήματα εισόδου, εκδόστε τα τεχνητά αντικείμενα και συγκρίνετε τα αποτελέσματα μεταξύ των εκτός σύνδεσης και των υλοποιήσεων εξυπηρέτησης. Επιλέξτε ένα όριο χρησιμοποιώντας τη λειτουργική χωρητικότητα και την ανταλλαγή σφαλμάτων αντί να προεπιλέγετε το 0,5. Εκτελέστε κυκλοφορία μέσω σκιάς αξιολόγησης, περιορισμένου συνόλου ή πειράματος με μετρικά ασφαλείας. Διατηρήστε ένα ντετερμινιστικό εφεδρικό σχέδιο και μια διαδρομή επαναφοράς για αποτυχία εξαρτήσεων ή απαράδεκτη συμπεριφορά.
Παρακολουθείτε την ποιότητα εισόδου, τη μετατόπιση χαρακτηριστικών, την κατανομή προβλέψεων, τη βαθμονόμηση, τα αποτελέσματα υποομάδων, την καθυστέρηση, το κόστος και τις επιβεβαιωμένες ετικέτες όταν τελικά φτάσουν. Η μετατόπιση είναι σήμα προς διερεύνηση, όχι αυτόματη απόδειξη ότι η επανεκπαίδευση θα βοηθήσει. Η επανεκπαίδευση απαιτεί ελεγμένα δεδομένα, επαναλήψιμα τεστ, έγκριση και σύγκριση με τον τρέχοντα νικητή. Τεκμηριώστε τις προορισμένες και μη έγκυρες χρήσεις, τα δικαιώματα δεδομένων, την ιδιωτικότητα, την ασφάλεια, την ανθρώπινη παρέμβαση και την προσφυγή όπου επηρεάζονται άτομα. Η μηχανική μάθηση είναι ένα συντηρημένο σύστημα λήψης αποφάσεων· το αρχείο μοντέλου είναι μόνο ένα αντικαταστάσιμο στοιχείο.
Παραδείγματική εφαρμογή: πρόβλεψη αποτυχίας εξοπλισμού
Ένας κατασκευαστής ορίζει μία πρόβλεψη ανά μηχάνημα‑ημέρα: εάν θα συμβεί μια επαληθευμένη αποτυχία εντός επτά ημερών χρησιμοποιώντας μόνο τα τηλεμετρικά δεδομένα που είναι διαθέσιμα στην αρχή εκείνης της ημέρας. Διαιρεί τα δεδομένα ανά μηχάνημα και χρόνο, συγκρίνει με κανόνες βάσει ηλικίας και ορίου, εφαρμόζει προεπεξεργασία στα δεδομένα εκπαίδευσης και αξιολογεί την ανάκληση συμβάντων, τις ψευδείς ειδοποιήσεις, το χρόνο προειδοποίησης, τη βαθμονόμηση και τη δυνατότητα συντήρησης. Η αντικατάσταση αισθητήρων και οι προγραμματισμένες διακοπές μοντελοποιούνται ως λειτουργικό πλαίσιο αντί να θεωρούνται απλές παρατηρήσεις.
Το μοντέλο εκτελείται αρχικά σε λειτουργία σκιάς. Οι ειδοποιήσεις εμφανίζουν τις συμβάλλουσες τηλεμετρίες και την αβεβαιότητα, αλλά οι συντηρητές αποφασίζουν αν θα ελέγξουν. Τα ευρήματα και οι επιβεβαιωμένες αιτίες γίνονται ελεγχόμενες ετικέτες· η απουσία εντολής εργασίας δεν θεωρείται αυτόματα ότι δεν υπάρχει αποτυχία. Μια σταδιακή κυκλοφορία χρησιμοποιεί όρια ειδοποιήσεων και χειροκίνητη εφεδρεία, ενώ η παρακολούθηση παρακολουθεί την υγεία των αισθητήρων, τη μετατόπιση εισόδου, την ελεγμένη ακρίβεια, το χρόνο διακοπής και τη περιττή συντήρηση. Η επανεκπαίδευση πραγματοποιείται μόνο μετά από έλεγχο δεδομένων και ορίου που δείχνει πιθανή βελτίωση σε σχέση με το τρέχον υλοποιημένο σύστημα.
Απόδειξη υλοποίησης και ετοιμότητα λειτουργίας
Μια απόφαση παραγωγής απαιτεί περισσότερα από μια επιτυχημένη επίδειξη. Ορίστε τους προοριζόμενους χρήστες, το λειτουργικό περιβάλλον, τις εισόδους, τις εξόδους, τις εξαρτήσεις, τον υπεύθυνο και τις συνέπειες κάθε σημαντικής αποτυχίας. Καθιερώστε ένα επαναλήψιμο βασικό σημείο και ένα εκδοτικό σύνολο αξιολόγησης πριν τη βελτιστοποίηση. Δοκιμάστε τυπικές περιπτώσεις, συνθήκες ορίου, εσφαλμένες ή ελλιπείς εισόδους, μετατόπιση κατανομής, διακοπή εξαρτήσεων, κακή χρήση, και τις ομάδες ή τα περιβάλλοντα που είναι πιο πιθανό να υπολειτουργούν. Μετρήστε την ποιότητα του έργου μαζί με τη βαθμονόμηση ή την αβεβαιότητα, την καθυστέρηση, την απόδοση, το κόστος πόρων, την προσβασιμότητα, την ιδιωτικότητα και την ασφάλεια. Καταγράψτε κάθε μετασχηματισμό και όριο ώστε ένας ανεξάρτητος αξιολογητής να μπορεί να αναπαράγει το αποτέλεσμα και να διακρίνει την απόδειξη από ένα ελκυστικό πρωτότυπο.
Πριν την εκκίνηση, αναθέστε εξουσία για την κυκλοφορία, τις εξαιρέσεις, τις αλλαγές, την επαναφορά και τη συνταγική. Χρησιμοποιήστε μια σταδιακή κυκλοφορία, διατηρήστε μια ασφαλή εφεδρεία και επαληθεύστε την παρακολούθηση με σκόπιμα ενσωματωμένες αποτυχίες. Η λειτουργική τηλεμετρία πρέπει να αποκαλύπτει την ποιότητα εισόδου, τη συμπεριφορά εξόδου, την έκδοση μοντέλου ή κανόνα, την υγεία εξαρτήσεων, τις ανθρώπινες παρεμβάσεις και τα επιβεβαιωμένα αποτελέσματα χωρίς τη συλλογή περιττών ευαίσθητων δεδομένων. Ορίστε όρια ειδοποιήσεων και υπεύθυνο ανταπόκρισης, έπειτα ελέγξτε τα αποδεικτικά στοιχεία του πραγματικού κόσμου μετά την υλοποίηση αντί να υποθέτετε ότι η εκτός σύνδεσης απόδοση θα παραμείνει. Επανεκτιμήστε όποτε αλλάζουν οι πηγές δεδομένων, οι χρήστες, τα μοντέλα, οι προμηθευτές, οι πολιτικές, το υλικό ή οι στόχοι. Ένα συντηρημένο σύστημα χρειάζεται επίσης τεκμηριωμένη ανάκτηση, μάθηση από περιστατικά, διαδικασίες διαγραφής και διατήρησης, και ένα σαφές σημείο όπου πρέπει να απενεργοποιηθεί ή να αντικατασταθεί.
Πρωτεύουσες αναφορές
