Непрерывное обучение — must-do не только для людей, но и для машин. Способность искусственного интеллекта обучаться и настройка этого навыка уже много лет остаются популярным трендом в области информационных технологий. Рассказываем, для чего нужно машинное обучение и почему нельзя просто ИИ решать задачи.

Что такое машинное обучение?

Машинное обучение — особый навык искусственного интеллекта, благодаря которому система, решая задачу, обучается решению аналогичных задач. Примерно как школьник на уроке математики, решив двадцать задач о скорости движущегося поезда или трубах в бассейне, сможет решить двадцать первую, даже если там не будет ни поездов, ни труб. Машина собирает алгоритмы решения похожих задач и, когда ей дают новую проблему для решения, она относит ее к уже известным группам и подбирает подходящее решение или формулу.

Машинное обучение бывает двух типов: дедуктивное и индуктивное.

  • При индуктивном обучении ИИ выявляет закономерности в задачах и ищет ответ, имея алгоритм или формулу решения для всей группы задач.

  • При дедуктивном обучении в ИИ загружаются базы данных экспертных знаний, прецедентов и требуемых для них решений. Этот метод используется для поисковых и экспертных систем, когда при появлении задачи «А», искусственный интеллект выдает соответствующий этой задаче ответ «Б» (например, при поиске по ключевому слову или строке из песни).

Для чего используется машинное обучение?

Основные задачи, которые решаются с помощью машинного обучения, связаны с анализом больших объемов данных и выявлением подобия или — наоборот — различий.

  • Распознавание и конвертация информации: распознавание речи и голосовой ввод; распознавание рукописного текста; машинный перевод с одного языка на другой; распознавание лиц и объектов на фотографиях (этой функцией активно пользуются маркетплейсы при поиске товара по фотографиям).

  • Кластеризация (обобщение вводных данных в группы по определенному признаку): поиск по фотографии и по строке песни.

  • Прогнозирование: при биржевом анализе, выявлении кредитоспособности лица и прогнозирование ухода или притока клиентов.

  • Выявление аномалий на фоне общей выборки: выявление спама, обнаружение мошенничества. Этим же алгоритмом пользуются соцсети при поиске «накрученных» аккаунтов.

Решение этих задач используется в smart-технологиях, в том числе в умном доме, браслетах и даже весах. Например, в такие весы изначально закладываются характеристики здорового индекса массы тела и комплекции.

Машинное обучение позволяет сократить процент участия человека в вычислительных операциях, но не исключает его полностью. Многие операции и подведение окончательных итогов все еще требуют креативного подхода, которым пока обладает только человек.