เนื้อหา
- ระบบอัตโนมัติในเทคโนโลยีสารสนเทศ
- ระบบอัตโนมัติเป็นอนาคตของการเรียนรู้ของเครื่องหรือไม่?
- ไม่มีข้อบกพร่องไม่มีความเครียด - คู่มือแบบเป็นขั้นตอนเพื่อสร้างซอฟต์แวร์ที่เปลี่ยนแปลงชีวิตโดยไม่ทำลายชีวิตของคุณ
- กรณีศึกษา
- การเรียนรู้ของเครื่องอาจแทนที่งาน
- ข้อสรุป
ที่มา: Krulua / Dreamstime.com
Takeaway:
การเรียนรู้ของเครื่องคือความสามารถสำหรับระบบในการปรับเปลี่ยนการเขียนโปรแกรมของตัวเอง แต่เมื่อระบบสามารถทำสิ่งนี้มนุษย์ยังคงมีความจำเป็นหรือไม่?
การเรียนรู้ของเครื่องเป็นหนึ่งในความก้าวหน้าที่ยิ่งใหญ่ที่สุดในประวัติศาสตร์ของการคำนวณและตอนนี้เชื่อกันว่าสามารถมีบทบาทสำคัญในด้านข้อมูลขนาดใหญ่และการวิเคราะห์ การวิเคราะห์ข้อมูลขนาดใหญ่เป็นความท้าทายอย่างมากจากมุมมองของธุรกิจ ตัวอย่างเช่นกิจกรรมต่าง ๆ เช่นการทำความเข้าใจกับรูปแบบข้อมูลที่หลากหลายปริมาณมากการเตรียมข้อมูลสำหรับการวิเคราะห์และการกรองข้อมูลซ้ำซ้อนสามารถใช้ทรัพยากรจำนวนมากได้ การจ้างนักวิทยาศาสตร์และผู้เชี่ยวชาญด้านข้อมูลเป็นเรื่องที่มีราคาแพงและไม่ได้อยู่ในทุกวิถีทางของ บริษัท ผู้เชี่ยวชาญเชื่อว่าการเรียนรู้ของเครื่องมีความสามารถในการทำงานอัตโนมัติหลายอย่างที่เกี่ยวข้องกับการวิเคราะห์ - ทั้งงานประจำและงานที่ซับซ้อน การเรียนรู้โดยอัตโนมัติของเครื่องจักรสามารถเพิ่มทรัพยากรจำนวนมากที่สามารถใช้ในงานที่ซับซ้อนและสร้างสรรค์มากขึ้น ดูเหมือนว่าการเรียนรู้ของเครื่องมุ่งไปในทิศทางนั้น (หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับการใช้การเรียนรู้ของเครื่องให้ดูที่สัญญาและข้อผิดพลาดของการเรียนรู้ของเครื่อง)
ระบบอัตโนมัติในเทคโนโลยีสารสนเทศ
ในเรื่องของไอทีระบบอัตโนมัติคือการเชื่อมโยงของระบบและซอฟต์แวร์ที่แตกต่างกันเพื่อให้พวกเขาสามารถทำงานเฉพาะอย่างได้โดยไม่ต้องมีคนเข้ามาแทรกแซง ในอุตสาหกรรมไอทีระบบอัตโนมัติสามารถทำงานได้ง่ายและซับซ้อน ตัวอย่างของงานง่าย ๆ อาจรวมฟอร์มกับ PDF และส่งเอกสารไปยังผู้รับที่ถูกต้องในขณะที่การสำรองข้อมูลนอกสถานที่อาจเป็นตัวอย่างของงานที่ซับซ้อน
ในการทำงานระบบอัตโนมัติต้องได้รับการโปรแกรมหรือให้คำแนะนำอย่างชัดเจน ทุกครั้งที่ระบบอัตโนมัติจำเป็นต้องปรับเปลี่ยนขอบเขตของงานโปรแกรมหรือชุดคำสั่งจะต้องได้รับการปรับปรุงโดยมนุษย์ ในขณะที่ระบบอัตโนมัติมีประสิทธิภาพในงานของพวกเขาข้อผิดพลาดสามารถเกิดขึ้นได้เนื่องจากสาเหตุต่างๆ เมื่อเกิดข้อผิดพลาดจำเป็นต้องระบุสาเหตุที่แท้จริงและแก้ไข เห็นได้ชัดว่าในการทำงานระบบอัตโนมัตินั้นขึ้นอยู่กับมนุษย์ ยิ่งลักษณะงานมีความซับซ้อนมากเท่าใดความน่าจะเป็นของข้อผิดพลาดและปัญหาก็จะยิ่งสูงขึ้น
โดยปกติแล้วงานประจำและงานที่ทำซ้ำได้ถูกกำหนดให้กับระบบอัตโนมัติ ตัวอย่างทั่วไปของระบบอัตโนมัติในอุตสาหกรรมไอทีกำลังทำการทดสอบอินเทอร์เฟซผู้ใช้บนเว็บโดยอัตโนมัติ กรณีทดสอบจะถูกป้อนเข้าสู่สคริปต์อัตโนมัติและส่วนต่อประสานผู้ใช้จะถูกทดสอบตามลำดับ (สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการใช้งานจริงของการเรียนรู้ของเครื่องจักรดูการเรียนรู้ของเครื่องและ Hadoop ในการตรวจจับการฉ้อโกงรุ่นต่อไป)
ข้อโต้แย้งในความโปรดปรานของระบบอัตโนมัติคือการทำหน้าที่ประจำและทำซ้ำได้และทำให้พนักงานมีอิสระในการทำงานที่ซับซ้อนและสร้างสรรค์มากขึ้น อย่างไรก็ตามมันยังเป็นที่ถกเถียงกันอยู่ว่าระบบอัตโนมัติได้แทนที่งานหรือบทบาทจำนวนมากที่มนุษย์เคยทำไว้ก่อนหน้านี้ ขณะนี้ด้วยการเรียนรู้ของเครื่องการค้นหาวิธีการในอุตสาหกรรมต่าง ๆ ระบบอัตโนมัติสามารถเพิ่มมิติใหม่โดยสิ้นเชิง
ระบบอัตโนมัติเป็นอนาคตของการเรียนรู้ของเครื่องหรือไม่?
สาระสำคัญของการเรียนรู้ของเครื่องคือความสามารถของระบบในการเรียนรู้จากข้อมูลอย่างต่อเนื่องและวิวัฒนาการโดยไม่ต้องมีการแทรกแซงของมนุษย์ การเรียนรู้ของเครื่องมีความสามารถในการทำงานเหมือนสมองมนุษย์ ตัวอย่างเช่นเครื่องมือการแนะนำในเว็บไซต์อีคอมเมิร์ซสามารถประเมินความชอบและรสนิยมที่เป็นเอกลักษณ์ของผู้ใช้และเสนอคำแนะนำเกี่ยวกับผลิตภัณฑ์และบริการที่เหมาะสมกับตัวเลือกของผู้ใช้มากที่สุด ด้วยความสามารถนี้การเรียนรู้ของเครื่องจึงเหมาะอย่างยิ่งสำหรับการทำงานที่ซับซ้อนที่เกี่ยวข้องกับข้อมูลขนาดใหญ่และการวิเคราะห์โดยอัตโนมัติ มันเอาชนะข้อ จำกัด หลักของระบบอัตโนมัติแบบดั้งเดิมซึ่งไม่สามารถทำงานได้โดยปราศจากการแทรกแซงของมนุษย์เป็นประจำ มีกรณีศึกษาหลายกรณีที่แสดงให้เห็นว่าการเรียนรู้ของเครื่องมีความสามารถในการทำงานการวิเคราะห์ข้อมูลที่ซับซ้อนตามที่จะกล่าวถึงต่อไปในบทความนี้
การวิเคราะห์ข้อมูลขนาดใหญ่เป็นเรื่องที่ท้าทายสำหรับ บริษัท และสามารถมอบหมายให้บางส่วนกับระบบการเรียนรู้ของเครื่อง จากมุมมองของธุรกิจสิ่งนี้สามารถก่อให้เกิดประโยชน์มากมายเช่นการปลดปล่อยทรัพยากรด้านวิทยาศาสตร์ข้อมูลเพื่อการมอบหมายงานที่สร้างสรรค์และมีความสำคัญยิ่งขึ้นปริมาณงานที่เสร็จสมบูรณ์สูงขึ้นใช้เวลาน้อยลงในการทำงานให้สำเร็จและลดต้นทุน
ไม่มีข้อบกพร่องไม่มีความเครียด - คู่มือแบบเป็นขั้นตอนเพื่อสร้างซอฟต์แวร์ที่เปลี่ยนแปลงชีวิตโดยไม่ทำลายชีวิตของคุณ
คุณไม่สามารถพัฒนาทักษะการเขียนโปรแกรมของคุณเมื่อไม่มีใครใส่ใจคุณภาพของซอฟต์แวร์
กรณีศึกษา
ในปี 2558 นักวิจัยของ MIT เริ่มทำงานกับเครื่องมือวิทยาศาสตร์ข้อมูลที่มีความสามารถในการสร้างแบบจำลองข้อมูลเชิงทำนายจากข้อมูลดิบจำนวนมากโดยใช้เทคนิคที่เรียกว่าอัลกอริทึมการสังเคราะห์คุณสมบัติแบบลึก อัลกอริทึมที่นักวิทยาศาสตร์อ้างว่าสามารถรวมคุณสมบัติที่ดีที่สุดของการเรียนรู้ของเครื่อง ตามที่นักวิทยาศาสตร์พวกเขาได้ทดสอบอัลกอริทึมในชุดข้อมูลที่แตกต่างกันสามชุดและกำลังจะขยายขอบเขตของการทดสอบไปยังชุดข้อมูลเพิ่มเติม นักวิจัย James Max Kanter และ Kalyan Veeramachaneni อธิบายว่าพวกเขาทำได้อย่างไรในรายงานเพื่อนำเสนอในการประชุมวิทยาศาสตร์ข้อมูลระหว่างประเทศและการวิเคราะห์“ การใช้กระบวนการปรับแต่งอัตโนมัติเราเพิ่มประสิทธิภาพเส้นทางทั้งหมดโดยไม่ต้องมีคนเข้ามาเกี่ยวข้อง ไปยังชุดข้อมูลที่แตกต่างกัน”
ให้เราตรวจสอบความซับซ้อนของงาน: อัลกอริทึมมีความสามารถที่เรียกว่าความสามารถในการปรับอัตโนมัติด้วยความช่วยเหลือที่ได้มาหรือแยกข้อมูลเชิงลึกหรือค่าจากข้อมูลดิบเช่นอายุหรือเพศและหลังจากนั้น สามารถสร้างแบบจำลองข้อมูลทำนายผล อัลกอริทึมใช้ฟังก์ชันทางคณิตศาสตร์ที่ซับซ้อนและทฤษฎีความน่าจะเป็นที่รู้จักกันในชื่อ Gaussian Copula ดังนั้นจึงง่ายต่อการเข้าใจขอบเขตของความซับซ้อนที่อัลกอริทึมสามารถจัดการได้ เทคนิคนี้ยังชนะรางวัลในการแข่งขันอีกด้วย
การเรียนรู้ของเครื่องอาจแทนที่งาน
กำลังมีการพูดคุยกันทั่วโลกว่าการเรียนรู้ของเครื่องจักรอาจแทนที่งานจำนวนมากเพราะเป็นการทำงานที่มีประสิทธิภาพของสมองมนุษย์ ในความเป็นจริงมีความกังวลว่าการเรียนรู้ของเครื่องจะแทนที่นักวิทยาศาสตร์ข้อมูล - และดูเหมือนจะมีพื้นฐานสำหรับความหวาดกลัวดังกล่าว
สำหรับผู้ใช้ทั่วไปที่ไม่มีทักษะการวิเคราะห์ข้อมูล แต่ยังต้องการการวิเคราะห์ในชีวิตประจำวันของพวกเขาในระดับที่แตกต่างกันมันเป็นไปไม่ได้ที่จะมีคอมพิวเตอร์ที่สามารถวิเคราะห์ปริมาณข้อมูลขนาดใหญ่และนำเสนอการวิเคราะห์ แต่เทคโนโลยีการประมวลผลภาษาธรรมชาติ (NLP) สามารถเอาชนะข้อ จำกัด นี้ได้โดยการสอนคอมพิวเตอร์ให้ยอมรับและประมวลผลภาษาธรรมชาติของมนุษย์ ด้วยวิธีนี้ผู้ใช้ทั่วไปไม่จำเป็นต้องมีความสามารถหรือทักษะการวิเคราะห์ที่ซับซ้อน
ไอบีเอ็มเชื่อว่าความต้องการนักวิทยาศาสตร์ด้านข้อมูลสามารถลดหรือกำจัดด้วยแพลตฟอร์มการวิเคราะห์ภาษาธรรมชาติวัตสัน Marc Atschuller รองประธานฝ่ายการวิเคราะห์วัตสันและระบบธุรกิจอัจฉริยะ“ ด้วยระบบความรู้อย่างวัตสันคุณเพียงแค่นำคำถามของคุณ - หรือถ้าคุณไม่มีคำถามคุณเพียงอัปโหลดข้อมูลของคุณและวัตสันสามารถมองและสรุปได้ สิ่งที่คุณอาจต้องการรู้”
ข้อสรุป
การทำงานอัตโนมัติเป็นขั้นตอนตรรกะถัดไปสำหรับการเรียนรู้ของเครื่องและเราได้ประสบกับผลกระทบในชีวิตประจำวันของเราแล้ว - ในเว็บไซต์อีคอมเมิร์ซคำแนะนำเพื่อนคำแนะนำเครือข่าย LinkedIn และการจัดอันดับการค้นหาของ Airbnb เมื่อพิจารณาจากตัวอย่างที่ให้มาไม่ต้องสงสัยเลยว่าสามารถส่งต่อคุณภาพของผลผลิตที่ได้จากระบบการเรียนรู้ของเครื่องจักรอัตโนมัติ สำหรับคุณสมบัติและประโยชน์ทั้งหมดความคิดของการเรียนรู้ด้วยเครื่องที่ก่อให้เกิดการว่างงานจำนวนมากอาจดูเหมือนจะเป็นเรื่องที่มากเกินไป เครื่องจักรได้เข้ามาแทนที่มนุษย์ในหลาย ๆ พื้นที่ของชีวิตเรามานานหลายสิบปีแล้ว แต่มนุษย์ก็มีวิวัฒนาการและปรับตัวให้เข้ากับอุตสาหกรรม ขึ้นอยู่กับมุมมองของการเรียนรู้ของเครื่องสำหรับทุกการหยุดชะงักของมันเป็นเพียงอีกคลื่นที่ผู้คนจะปรับตัว