Что такое машинное обучение?

Машинное обучение — это процесс, происходящий в компьютерах, когда они разрабатывают механизм распознавания шаблонов, или способность непрерывного обучения и составления таких прогнозов на основе данных, а также способность внесения соответствующих корректировок без какого-либо дополнительного программирования.

Машинное обучение — форма искусственного интеллекта

Машинное обучение, одна из форм искусственного интеллекта, эффективно автоматизирует процесс построения аналитической модели и позволяет компьютерам независимо адаптироваться к новым сценариям.

Вы можете приветствовать или отвергать идею о том, что в один прекрасный день искусственные нейронные сети станут достаточно развитыми для того, чтобы заменить человеческое сознание, однако нельзя отрицать следующие практические успехи в области машинного обучения:

  • Интеллектуальное управление большими данными — огромные объемы и великое разнообразие данных, генерируемых, когда люди и другие движущие силы среды взаимодействуют с технологиями, невозможно будет обработать, а тем более извлечь из них значимую информацию без скорости и развитости, свойственных машинному обучению.
  • Интеллектуальные устройства — от персональных мониторов здоровья и фитнес-трекеров до самоуправляемых автомобилей, умных городов с инфраструктурой, которая способна автоматически сокращать время неэффективной работы и энергопотребление, и Интернета вещей (IoT) имеют огромный потенциал, и машинное обучение поможет рационально и с пользой использовать этот резкий рост объемов данных.
  • Богатейшие возможности для потребителей — машинное обучение позволяет корректировать результаты и рекомендации в соответствии с предпочтениями пользователей с помощью механизмов поиска, веб-приложений и других технологий, что позволяет вывести персональное обслуживание потребителей на невероятно высокий уровень.

Как работает машинное обучение?

Машинное обучение — невероятно сложная технология, принципы работы которой зависят от выполняемой задачи и используемого алгоритма. Однако по своей сути модель машинного обучения является компьютером, который считывает данные и определяет шаблоны, которые затем использует для более успешного выполнения назначенной задачи. Любую задачу, выполнение которых основано на наборе данных или правил, можно автоматизировать с помощью машинного обучения, даже если задача довольно сложная, например, отвечать на звонки клиентов в службу поддержки или анализировать резюме.

В зависимости от ситуации, алгоритмы машинного обучения работают с той или иной степенью вмешательства человека. Существуют четыре основные модели машинного обучения: обучение с учителем, обучение без учителя, обучение с частичным привлечением учителя и обучение с подкреплением.

При обучении с учителем компьютеру предоставляется набор помеченных данных, помогающих машине выполнять задачу, которую обычно выполняет человек. Это самая простая модель, которая пытается воссоздать процесс обучения человека.

При обучении без учителя компьютеру предоставляются не помеченные данные, их которых он извлекает ранее неизвестные шаблоны и аналитическую информацию. Для этого существует множество способов работы алгоритмов машинного обучения:

  • Кластеризация, при которой компьютер находит в наборе данных похожие точки данных и соответствующим образом группирует их (создает кластеры).
  • Оценка плотности, при которой компьютер обнаруживает аналитическую информацию с учетом того, как распределен набор данных.
  • Выявление аномалий, при котором компьютер выявляет в наборе данных точки данных, которые значительно отличаются от остальных данных.
  • Анализ главных компонент (PCA), при котором компьютер анализирует набор данных и обобщает его для использования в более точном прогнозировании.

 

При обучении с частичным привлечением учителя компьютеру предоставляется набор частично помеченных данных, и он выполняет свою задачу с использованием помеченных данных, которые позволяют ему понять параметры и интерпретировать не помеченные данные.

При обучении с подкреплением компьютер наблюдает за окружающей средой и использует полученные данные для определения идеального поведения, которое сведет к минимуму риск и/или обеспечит максимальные результаты. Это итеративный подход, при котором требуется сигнал подкрепления, помогающий компьютеру верно определить оптимальное действие.

Как связаны между собой глубокое обучение и машинное обучение?

Машинное обучение — это более широкая категория алгоритмов, способных использовать набор данных для определения шаблонов, выявления аналитической информации и/или прогнозирования. Глубокое обучение — это разновидность машинного обучения, при котором используются функции МО, но у которого больше возможностей.

В целом, машинное обучение подразумевает некоторое вмешательство человека: инженеры могут просматривать результаты работы алгоритма и для повышения точности вносить исправления. В глубоком обучении такой просмотр не предусмотрен. Алгоритм глубокого обучения использует собственную нейронную сеть для проверки точности результатов и последующего обучения на их основе.

Нейронная сеть алгоритма глубокого обучения — это многоуровневая структура алгоритмов, подобная структуре человеческого мозга. Соответственно, нейронная сеть в течение определенного периода времени учится, как лучше выполнять задачу без участия инженеров.

Двумя основными этапами разработки нейронной сети являются обучение и логический вывод. Обучение является начальным этапом, на котором алгоритму глубокого обучения предоставляется набор данных и задача с последующей интерпретацией этого набора данных. Затем инженеры предоставляют нейронной сети оценку точности интерпретации, и сеть вносит соответствующие коррективы. Этот процесс может иметь множество итераций. Логический вывод имеет место, когда нейронная сеть развернута и может работать с неизвестным набором данных, делая на их основе точные прогнозы.

Преимущества машинного обучения в бизнесе при использовании MLops

Машинное обучение намного повышает возможности, гибкость и отказоустойчивость любого предприятия. Дальновидные организации выбирают машинное обучение для обеспечения целостного роста, высокой производительности сотрудников и удовлетворенности заказчиков.

Многие предприятия достигают успеха за счет использования машинного обучения всего в ряде сфер, и это только начало процесса. Сначала будет множество экспериментов с машинным обучением, но затем потребуется интегрировать модели МО в бизнес-приложения и процессы, чтобы обеспечить масштабирование этой технологии на всем предприятии.

Для интеграции в масштабе всего предприятия многие организации не обладают должными навыками, процессами и инструментами. Чтобы успешно использовать машинное обучение в полном масштабе, компании должны вкладывать средства в решения MLOps, включающие процессы, инструменты и технологию, которые оптимизируют и стандартизируют каждый этап жизненного цикла машинного обучения, от разработки модели до практического применения. Развивающееся направление MLOps придаст гибкость и скорость жизненному циклу МО. Значение этой технологии сравнимо со значением DevOps для жизненного цикла разработок ПО.

Чтобы перейти от экспериментов с машинным обучением к полноценному применению этой технологии, предприятиям требуются надежные и эффективные процессы MLOps. MLOps не только обеспечивает организациям конкурентное преимущество, но и позволяет внедрять другие сценарии использования машинного обучения. Это приводит и к другим преимуществам, включая формирование группы эффективных и талантливых специалистов за счет совершенствования их навыков и более плодотворной среды совместной работы, а также повышение прибыли, более качественное обслуживание заказчиков и быстрый рост доходов.  %3Ca%20href%3D%22https%3A%2F%2Fwww.hpe.com%2Fru%2Fru%2Fresources%2Fsolutions%2Fforrester-ops-ml.html%3FparentPage%3D%2Fru%2Fru%2Fwhat-is%2Fmachine-learning%22%20data-analytics-uaid%3D%22%22%20data-analytics-assetgated%3D%22true%22%20data-analytics-action%3D%22resource-click%22%20data-analytics-pub-id%3D%22%22%20data-analytics-assetname%3D%22Operationalize%20Machine%20Learning%22%20data-analytics-assettype%3D%22%22%20data-analytics-assetid%3D%22%22%20data-analytics-region-id%3D%22footnote_tip%7Clink_click%22%3E%D0%92%D0%BD%D0%B5%D0%B4%D1%80%D0%B5%D0%BD%D0%B8%D0%B5%20%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F%3B%3C%2Fa%3E%26nbsp%3B%D0%B8%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%20Forrester%20Consulting%20%D0%B8%D0%B7%20%D1%81%D0%B5%D1%80%D0%B8%D0%B8%20Thought%20Leadership%2C%20%D0%BF%D1%80%D0%BE%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%BD%D0%BE%D0%B5%20%D0%BF%D0%BE%20%D0%B7%D0%B0%D0%BA%D0%B0%D0%B7%D1%83%20%D0%BA%D0%BE%D0%BC%D0%BF%D0%B0%D0%BD%D0%B8%D0%B9%20HPE%20%D0%B8%20Intel%3B%20%D0%B8%D1%8E%D0%BD%D1%8C%202020%20%D0%B3.

 

Использование машинного обучения на предприятиях

В вертикальных отраслях технологии и методы машинного обучения успешно развертываются, обеспечивая организациям ощутимые и реальные результаты.

Например, в сфере финансовых услуг банки могут успешнее выявлять и удовлетворять потребности своих клиентов, используя прогнозные модели машинного обучения, в которых учитываются огромные объемы взаимосвязанных измерений. Прогнозные модели машинного обучения также способны выявлять и ограничивать риски. Банки могут обнаруживать киберугрозы, отслеживать и фиксировать мошеннические действия клиентов и прогнозировать риски, связанные с новыми продуктами. Основными тремя сценариями использования машинного обучения являются выявление и смягчение последствий мошенничества, персональные консультационные финансовые услуги, а также рейтинг кредитоспособности и кредитный анализ.

Компании из отрасли производства широко внедряет автоматизацию и в настоящее время оснащают оборудование и процессы необходимыми инструментами. Они используют моделирование машинного обучения для реорганизации и оптимизации производства, которые позволяют оперативно удовлетворять спрос и реагировать на изменения в будущем. Конечным результатом является гибкий и отказоустойчивый производственный процесс. К тем основным сценариям использованиям машинного обучения, определенным в отрасли производства, относятся повышение результатов, анализ основных причин и управление цепочкой поставок %26nbsp%3B%3Ca%20href%3D%22%2Fru%2Fru%2Fcollaterals%2Fcollateral.a00108395.The-Industrialization-of-AI-business-white-paper.html%3Frpv%3Dcpf%26amp%3BparentPage%3D%2Fru%2Fru%2Fwhat-is%2Fmachine-learning%26amp%3Bjumpid%3Din_lit-psnow-red%22%20data-analytics-uaid%3D%22ecea53d6-829c-4554-b67c-a6dfa233a243%22%20data-analytics-assetgated%3D%22false%22%20data-analytics-action%3D%22resource-click%22%20data-analytics-pub-id%3D%22a00108395rue%22%20data-analytics-assetname%3D%22The%20Industrialization%20of%20AI%20business%20white%20paper%22%20data-analytics-assettype%3D%22analyst%20report%22%20data-analytics-assetid%3D%22a00108395rue%22%20data-analytics-region-id%3D%22footnote_tip%7Clink_click%22%3E%D0%98%D0%BD%D0%B4%D1%83%D1%81%D1%82%D1%80%D0%B8%D0%B0%D0%BB%D0%B8%D0%B7%D0%B0%D1%86%D0%B8%D1%8F%20%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B9%20%D0%98%D0%98%3C%2Fa%3E%3B%20%D0%B4%D0%BE%D0%BA%D1%83%D0%BC%D0%B5%D0%BD%D1%82%20Omdia%2C%20%D1%81%D0%BE%D1%81%D1%82%D0%B0%D0%B2%D0%BB%D0%B5%D0%BD%D0%BD%D1%8B%D0%B9%20%D1%81%D0%BE%D0%B2%D0%BC%D0%B5%D1%81%D1%82%D0%BD%D0%BE%20%D1%81%20Hewlett%20Packard%20Enterprise%20%D0%B8%20NVIDA%3B%202020%20%D0%B3..

Решения машинного обучения от HPE — от центра предприятия до его периферии

HPE предлагает машинное обучение, что бы исключить сложность и создавать комплексные решения — от центрального корпоративного ЦОД до интеллектуальных периферийных решений.

Системы HPE Apollo Gen10 образуют корпоративную платформу глубокого обучения и машинного обучения с лучшими в отрасли ускорителями, которые обеспечивают исключительную производительность и ускоряют процессы аналитики.

Программная платформа HPE Ezmeral помогает предприятиям ускорить цифровую трансформацию в масштабе всей организации. Она позволяет повышать гибкость и эффективность, получать аналитическую информацию и внедрять инновационные бизнес-решения. Комплексный портфель решений включает искусственный интеллект, машинное обучение, аналитику данных, а также оркестровку контейнеров, средства управления, контроля затрат, автоматизации ИТ, операции на основе ИИ и средства безопасности.

Программное решение HPE Ezmeral ML Ops расширяет возможности платформы HPE Ezmeral Container Platform для обеспечения поддержки всего жизненного цикла машинного обучения и внедрения процессов, подобных DevOps, с целью стандартизации рабочих процессов машинного обучения.

Чтобы помочь предприятиям быстро перейти от этапа концептуального подтверждения к внедрению МО в производственной среде, предлагаются услуги HPE Pointnext Advisory и Professional Services, которые предоставляют опытные специалисты по обслуживанию, поддерживающие в разработке проектов машинного обучения. Благодаря богатому опыту, накопленному в ходе проведения нескольких сотен семинаров и выполнения различных проектов по всему миру, специалисты HPE Pointnext обладают всеми необходимыми знаниями и навыками, чтобы сократить сроки реализации проектов с нескольких лет до месяцев или даже недель.