Inteligentne maszyny: skala zastosowania machine learning wciąż rośnie

Machine learning i sztuczna inteligencja to najszybciej rozwijająca się gałąź technologii w ostatnim czasie i jeden z top tematów, poruszanych również w kontekście ekonomii i gospodarki. Nic nie wskazuje na to, by miało się to szybko zmienić. Jest wprost przeciwnie – zdaniem ekspertów przed nami kolejny technologiczny boom oparty o te właśnie rozwiązania. Wraz z ich upowszechnieniem całokształt funkcjonowania znanych nam instytucji może ulec zmianie.

Co należy rozumieć przez Machine Learning?

Według pierwotnej definicji stworzonej w latach 50. ubiegłego wieku przez amerykańskiego naukowca Arthura Samuela, machine learning polega na uczeniu się przez komputer nowych umiejętności bez bezpośredniego ich programowania, czyli na przykład zapamiętywaniu i stosowaniu w praktyce wcześniej przetworzonych algorytmów. Innymi słowy – doskonalenia się na podstawie doświadczenia. Dziś mówimy o deep learning, czyli uczeniu się bazującym na rozwiązaniach AI, robotyce, statystyce, rozpoznawaniu wzorców, psychologii czy kognitywistyce w oparciu o sieci neuronowe. System zmienia swoje wewnętrzne parametry tak, aby rozpoznać charakter pojawiających się danych.

Machine learning to technologia pozwalająca na automatyczne przetwarzanie i analizę dużej ilości danych. Pozwala na kategoryzację danych, analizę powiązań między zmiennymi oraz grupowanie ich w klastry o podobnych właściwościach.

Wyróżnia się trzy najważniejsze sposoby uczenia się machine learning:

• supervised learning (uczenie nadzorowane) – na wstępie do systemu wprowadzane są dane wejściowe i wyjściowe, odpowiednio: pomiary i etykiety. System tworzy reguły, które mapują wejście na wyjście. Dzięki temu system jest w stanie przypisać wyjście danej, której nie było na wejściu;
• unsupervised learning (uczenie nienadzorowane) – system nie dostaje danych wejściowych, musi sam utworzyć regułę wejścia i zgeneralizować ją;
• reinforcement learning (uczenie wzmocnione) – system nie dostaje żadnych danych na wejściu ani na wyjściu, dostaje tylko wskazówki, czy kategoryzacja przebiega poprawnie. Przypomina to metodę kar i nagród.

W zależności od problemu, jaki ma być przeanalizowany, wybierany jest odpowiedni sposób uczenia się. Machine learning wykorzystuje się do:

• zabezpieczania przed oszustwami w transakcjach finansowych i przewidywania trendów finansowych i ekonomicznych,
• zabezpieczania systemów i baz danych (też ochronie antywirusowej),
• nawigacji na nieznanym terenie,
• rozpoznawania mowy oraz rozpoznawania twarzy,
• rozpoznawania wzorców (pattern recognition),
• klasyfikacji dokumentów,
• diagnostyki medycznej i kosmetycznej,
• tworzenia systemów rekomendacji online
• rozpoznawania elementów na zdjęciu (object recognition),
• sterowania pojazdami autonomicznymi,
• spersonalizowanego dostosowywania reklam (marketing).

Nowa generacja AV

Cyberbezpieczeństwo to bardzo ważny obszar zastosowania technologii uczenia maszynowego. Producenci oprogramowania antywirusowego wykorzystują umiejętność rozpoznawania wzorców i tworzenie kategorii plików do analizy danych pod kątem zagrożenia.

– Oprogramowanie antywirusowe nowej generacji, oparte na machine learningu jest w stanie wykrywać szkodliwe oprogramowanie oraz uczyć się, jakie cechy lub grupy cech są podejrzane- tłumaczy Robert Dziemianko z G DATA. – Dzięki tej funkcjonalności możliwe jest przewidywanie zagrożenia oraz tworzenie prawdopodobnych modeli szkodliwych elementów. Odbywa się to poprzez zestawienie cech szkodliwego oprogramowania, które wcześniej zostało poddane analizie – dodaje ekspert z G DATA.

Przewidywane kierunki rozwoju machine learning

Według analityka Daniela Newmana, w 2019 roku możemy spodziewać się nowych zastosowań uczenia się maszyn w wielu różnych branżach. Dla sektora produkcyjnego i wojska będzie to rozwój systemów, które przewidują, kiedy maszyny, albo w przypadku wojska – pojazdy bojowe, będą potrzebowały naprawy czy wymiany części lub płynów. Rozwój polega na podniesieniu efektywności działania poprzez gromadzenie danych na temat eksploatacji i wyciąganie z nich wniosków na przyszłość. Taki sposób działania umożliwia unikanie przestojów w produkcji, ponieważ dostarcza precyzyjnych danych na temat eksploatacji maszyn czy narzędzi.

Podobne zastosowanie machine learning zaczyna pojawiać się w branży automotive. Z dużą dozą prawdopodobieństwa już niedługo nasze samochody będą informowały nas o tym, że niedługo coś się w nich zepsuje. Nie byłby to pierwszy przypadek transferu technologii używanej w armii do produkcji cywilnej.

Kolejny dość prawdopodobny kierunek rozwoju ML to giełda papierów wartościowych. Już dziś ML ma u inwestorów wiele zastosowań, jednak przewidywanym przez ekspertów scenariuszem jest wykorzystanie uczenia się maszyn do przewidywania sytuacji na rynku w oparciu o publicznie dostępne informacje o zarobkach. Jeśli zestawi się te dane z cenami papierów wartościowych oraz danymi o rozpoczętych w danym okresie inwestycjach, można otrzymać narzędzie prognozujące.

Na podobnej zasadzie można przewidzieć prawdopodobieństwo śmierci pacjenta. W fazie testów ML analizujący taki problem wykazał się 95% dokładnością. W jaki sposób? Zestawiając ze sobą dane medyczne osoby, dane demograficzne, środowiskowe czy związane z obserwowanymi online zainteresowaniami danego człowieka. Śmierć da się przewidzieć z dokładnością do 24 godzin. Ten pomysł brzmi nieco makabrycznie, zwłaszcza, gdy pomyśli się o zastosowaniu go przez towarzystwo ubezpieczeniowe. Jednak na tym nie kończy się spektrum możliwych zastosowań. Teoretycznie w ten sposób można uczynić system opieki zdrowotnej bardziej wydajnym, a nawet uratować komuś życie reagując w odpowiednim momencie i udzielając pomocy.