Czym jest Machine Learning?

Definicja machine learning

Machine learning nie jest nowym pojęciem. Jego początki datuje się na rok 1959, a sam termin przypisuje się Arthurowi Samuelowi. Wówczas określało się uczenie maszynowe jako zdolność komputerów do uczenia się bez programowania nowych umiejętności w tradycyjnym tego słowa znaczeniu.

Co to oznacza? W przypadku machine learning mówimy o algorytmach, które przetwarzają dostarczone im dane, uczą się na ich podstawie, a następnie w praktyce (np. przy podejmowaniu decyzji) stosują nabytą wiedzę. Uczenie maszynowe najczęściej oparte jest o Big Data i wraz ze wzrostem znaczenia analityki, rośnie znaczenie szeroko pojętego machine learning.

W czym pomoże Ci machine learning?

Ogromne wsparcie machine learning niesie w dziedzinie klasyfikacji. Na podstawie konkretnych cech algorytm może przydzielić poszczególne obiekty do wybranej kategorii. Dajmy na to, że tą kategorią może być spam. Filtr spamowy decyduje o tym, czy dany komentarz zalicza się już do spamu, czy może jest wartościowym elementem dyskusji. Często uczy się też tego na podstawie ręcznej moderacji administratora – w takim przypadku jest to uczenie nadzorowane. Na większych witrynach filtry spamowe są nieodzowną pomocą w kontrolowaniu komentarzy.

Maszynowe uczenie potrafi grupować dane także bez wcześniejszego nadzoru, a wtedy popularnie nazywa się to klasteryzacją. Dane są grupowane na podstawie podobnych cech, z tym że nie trzeba wcześniej wskazywać żadnych klastrów, by machine learning działało.

Machine learning przydaje się również przy badaniu związku pomiędzy zmiennymi. Program dostarcza nam kluczowych dla analityki informacji w kontekście tego, czy dane zmienne są od siebie zależne, czy też nie. To z kolei ułatwia przewidywanie zachowań w przyszłości i wyciąganie długofalowych wniosków.

Niewątpliwą pomocą może być także wstępna selekcja danego zbioru. Wówczas odrzuca się losowe zmienne, niemające dla nas żadnego znaczenia, a pozostawia tylko te, które są przydatne przy dalszym wnioskowaniu. Dzieje się to na zasadzie selekcji (odrzucanie nadmiarowych danych) i ekstrakcji cech.

Kiedy warto wdrożyć machine learning?

Machine learning to krok naprzód w porównaniu do tradycyjnych, ręcznych reguł. W sytuacji, gdy one nie wystarczają, a różnorakich zmiennych jest zbyt wiele, nauczanie maszynowe może przyjść nam z pomocą. Szczególnie gdy poszczególne ręczne reguły mają ze sobą wspólne cechy i nieomal się powielają.

Oczywiście w większości przypadków korzyści płynące z zastosowanie machine learning powinny być dopasowane do konkretnego projektu. Zazwyczaj jest to: wydajność, bezawaryjność, skrócenie czasu pracy i tym samym zwiększenie efektywności.

Konkretne przykłady wykorzystania machine learning

Bardzo obrazowym przykładem machine learning może być autokorekta w klawiaturze. Algorytm wykorzystuje najpopularniejsze słowa i błędy, by ograniczyć nasze literówki. Z kolei w przypadku kwestii spornych podkreśla potencjalne wpadki językowe. Z uczenia maszynowego korzystają także wyszukiwarki, chociażby Google. Wystarczy, że zaczynamy wpisywać frazę w okno wyszukiwarki, a od razu dostajemy inne, popularne wyszukiwania jako podpowiedź. Na bazie poprzednich doświadczeń łatwiej jest nam znaleźć interesujące nas informacje czy strony internetowe.

Na podstawie algorytmu działa też system rekomendacji np. na Netflixie. Algorytm zapamiętuje filmy, które widzieliśmy i na podstawie naszych ocen poleca nam inne propozycje o podobnych cechach wyróżniających. Dla przykładu – jeśli podobał nam się Ojciec Chrzestny, to system zaproponuje nam inny film gangsterski osadzony w czasach po drugiej wojnie światowej. Tak trafne rekomendacje w dużej mierze wpłynęły na sukces największego portalu streamingowego.

Kiedy machine learning nie przyniesie pożądanych rezultatów?

Machine learning nie jest jednak zabawką, którą warto stosować w każdej możliwej sytuacji. Jego zastosowanie powinno wynikać z praktycznych, inżynierskich pobudek. Dopiero wtedy, gdy rzeczywiście uczenie maszynowe może przynieść wymierne korzyści i znacznie ułatwić pracę, powinniśmy zdecydować się na to rozwiązanie.

Ważne jest, aby w zbiorze było wiele wysokiej jakości danych – dopiero wtedy da się odpowiednio wytrenować algorytm. W innym wypadku pojawią się szumy, które znacznie ograniczą skuteczność uczenia maszynowego. Dane nie mogą być tylko jakieś – muszą być bardzo dobre. Często dla uczenia maszynowego istnieją alternatywy w postaci tradycyjnych, skutecznych reguł, które znacznie łatwiej wdrożyć. Wówczas praca nad nowym, zaawansowanym algorytmem mija się z celem.

Jeśli machine learning jest potrzebą inżynierską, a docelowo może mieć znaczny wpływ na czynniki ekonomicznie i efektywnościowe, to jak najbardziej warto rozważyć to rozwiązanie. Należy jednak pamiętać o tym, że uczenie maszynowe to nie zabawka, tylko potężne, dostosowywane do projektu narzędzie, które trzeba za każdym razem dostosować na swoją modłę.