Automation: framtiden för datavetenskap och maskininlärning?

Maskininlärning har varit en av de största framstegen i datorns historia och ses nu som kunna spela en viktig roll inom området big data och analys. Big data -analys är en stor utmaning ur ett företagsperspektiv. Till exempel kan aktiviteter som att förstå det stora antalet olika dataformat, analysera dataförberedelser och filtrera redundanta data vara resurskrävande. Att rekrytera datavetenskapsspecialister är ett dyrt förslag och inte ett medel för varje företag. Experter tror att maskininlärning kan automatisera många av de uppgifter som är associerade med analys - både rutinmässiga och komplexa. Automatiserat maskininlärning kan frigöra betydande resurser som kan användas för mer komplext och innovativt arbete. Maskininlärning verkar hela tiden gå i denna riktning.

Automatisering i samband med informationsteknik

Inom IT är automatisering anslutningen av olika system och programvara, så att de kan utföra specifika uppgifter utan mänskligt ingripande. Inom IT kan automatiska system utföra både enkla och komplexa jobb. Ett exempel på ett enkelt jobb kan vara att integrera formulär med PDF-filer och skicka dokument till rätt mottagare, medan säkerhetskopiering utanför webbplatsen kan vara ett exempel på ett komplext jobb.

För att göra ditt jobb korrekt måste du programmera eller ge tydliga instruktioner till det automatiska systemet. Varje gång ett automatiserat system behövs för att ändra omfattningen av sitt jobb, måste programmet eller instruktionsuppsättningen uppdateras av någon. Även om det automatiserade systemet är effektivt i sitt jobb, kan fel uppstå av olika anledningar. När fel uppstår måste rotorsaken identifieras och korrigeras. För att göra sitt jobb är ett automatiserat system helt beroende av människor. Ju mer komplex arbetets karaktär är, desto högre är sannolikheten för fel och problem.

Ett vanligt exempel på automatisering i IT-branschen är automatisering av testning av webbaserade användargränssnitt. Testfall matas in i automatiseringsskriptet och användargränssnittet testas därefter. (För mer information om den praktiska tillämpningen av maskininlärning, se Machine Learning och Hadoop i nästa generations bedrägeridetektering.)

Argumentet för automation är att det utför rutinmässiga och repeterbara uppgifter och frigör anställda till mer komplexa och kreativa uppgifter. Det hävdas dock också att automatisering har uteslutit ett stort antal uppgifter eller roller som tidigare utförts av människor. Nu, när maskininlärning kommer in i olika branscher, kan automatisering lägga till en ny dimension.

Framtiden för automatiserat maskininlärning?

Kärnan i maskininlärning är systemets förmåga att kontinuerligt lära av data och utvecklas utan mänskligt ingripande. Maskininlärning kan fungera som en mänsklig hjärna. Till exempel kan rekommendationsmotorer på e-handelssajter utvärdera en användares unika preferenser och smaker och ge rekommendationer om de mest lämpliga produkterna och tjänsterna att välja mellan. Med tanke på denna förmåga ses maskininlärning som idealisk för att automatisera komplexa uppgifter i samband med big data och analys. Det har övervunnit de stora begränsningarna för traditionella automatiserade system som inte tillåter mänskliga ingrepp regelbundet. Det finns flera fallstudier som visar maskininlärningens förmåga att utföra komplexa dataanalysuppgifter, som kommer att diskuteras senare i detta dokument.

Som redan nämnts är big data -analys ett utmanande förslag för företag, som delvis kan delegeras till maskininlärningssystem. Ur ett affärsperspektiv kan detta ge många fördelar, till exempel att frigöra datavetenskapliga resurser för mer kreativa och missionskritiska uppgifter, högre arbetsbelastning, mindre tid att slutföra uppgifter och kostnadseffektivitet.

Fallstudie

År 2015 började MIT -forskare arbeta med ett datavetenskapligt verktyg som kan skapa förutsägbara datamodeller från stora mängder rådata med hjälp av en teknik som kallas deep feature syntesalgoritmer. Forskarna hävdar att algoritmen kan kombinera de bästa funktionerna i maskininlärning. Enligt forskarna har de testat det på tre olika datamängder och utökar testet till att omfatta fler. I en uppsats som ska presenteras vid den internationella konferensen om datavetenskap och analys sa forskarna James Max Kanter och Kalyan Veeramachaneni, "Med hjälp av en automatiserad justeringsprocess optimerar vi hela vägen utan mänskligt engagemang, så att den kan generaliseras till olika datamängder".

Låt oss titta på uppgiftens komplexitet: algoritmen har en så kallad automatisk justeringsförmåga, med hjälp av vilka insikter eller värden som kan erhållas eller extraheras från rådata (t.ex. ålder eller kön), varefter prediktiva data modeller kan skapas. Algoritmen använder komplexa matematiska funktioner och en sannolikhetsteori som kallas Gaussian Copula. Det är därför lätt att förstå komplexitetsnivån som algoritmen kan hantera. Denna teknik har också vunnit priser i tävlingar.

Maskininlärning kan ersätta läxor

Det diskuteras runt om i världen att maskininlärning kan ersätta många jobb eftersom det utför uppgifter med den mänskliga hjärnans effektivitet. Det finns faktiskt en viss oro för att maskininlärning kommer att ersätta datavetenskapare, och det verkar finnas en grund för en sådan oro.

För den genomsnittliga användaren som inte har dataanalysfärdigheter men har olika grader av analytiska behov i sitt dagliga liv är det inte möjligt att använda datorer som kan analysera enorma datamängder och tillhandahålla analysdata. Emellertid kan Natural Language Processing (NLP) tekniker övervinna denna begränsning genom att lära datorer att acceptera och bearbeta naturligt mänskligt språk. På detta sätt behöver den genomsnittliga användaren inte sofistikerade analytiska funktioner eller färdigheter.

IBM anser att behovet av datavetenskapare kan minimeras eller elimineras genom sin produkt, Watson Natural Language Analytics Platform. Enligt Marc Atschuller, vice president för analytics och business intelligence på Watson, ”Med ett kognitivt system som Watson ställer du bara din fråga - eller om du inte har en fråga laddar du bara upp dina data och Watson kan titta på det och anta vad du kanske vill veta. ”

Slutsats

Automatisering är nästa logiska steg i maskininlärning och vi upplever redan effekterna i vår vardag-e-handelssajter, Facebook-vänförslag, LinkedIn-nätverksförslag och Airbnb-sökrankningar. Med tanke på de givna exemplen råder det ingen tvekan om att detta kan hänföras till kvaliteten på utmatningen från automatiska maskininlärningssystem. För alla dess egenskaper och fördelar verkar tanken på maskininlärning som orsakar enorm arbetslöshet vara lite av en överreaktion. Maskiner har ersatt människor i många delar av våra liv i årtionden, men människor har utvecklats och anpassats för att förbli relevanta i branschen. Enligt uppfattningen är maskininlärning för alla dess störningar bara en annan våg som människor kommer att anpassa sig till.


Inläggstid: 03-03-2021