Η μάθηση των μηχανών είναι ο τρόπος που έχει ένας υπολογιστής να μαθαίνει από παραδείγματα και είναι από τα σημαντικότερα εργαλεία που διαθέτουμε για την ανάπτυξη της τεχνητής νοημοσύνης. Αυτή η διαδικασία ξεκινά με τη δημιουργία ενός αλγόριθμου ο οποίος μαθαίνει από τα δεδομένα που έχουν συλλεχθεί, δημιουργώντας με αυτό τον τρόπο μηχανές οι οποίες γίνονται περισσότερο “έξυπνες” όσο ο όγκος των δεδομένων αυξάνεται.

Τα τελευταία χρόνια έχει υπάρξει ραγδαία ανάπτυξη στη μάθηση  μηχανών. Ο κύριος λόγος είναι  οι σημαντικές πηγές δεδομένων που έχουν αναπτυχθεί μέσω της αύξησης της ταχύτητας του διαδικτύου και η χρήση των “έξυπνων” φορητών συσκευών (τηλέφωνα, ταμπλέτες κ.ο.κ.) που  οδηγούν στην ανάπτυξη νέων αλγορίθμων “βαθιάς” μάθησης (deep learning). Εφαρμογές ευρείας χρήσης οι οποίες χρησιμοποιούν αυτό τον τύπο της μηχανικής μάθησης είναι το Amazon,  το Facebook (με δυνατότητες αναγνώρισης προσώπων),  η Google και η Microsoft (με φίλτρα ανεπιθύμητης αλληλογραφίας) η Siri, η Cortana και το Google Now (συστήματα αναγνώρισης φωνής σε προϊόντα της Apple, της Microsoft και της Google αντίστοιχα).

Ενώ το βάθος στην εξέλιξη της μάθησης των μηχανών δεν είναι ευρύτερα γνωστό, αυτό που μπορούμε να πούμε με σιγουριά είναι ότι η ανάπτυξη αυτού του πεδίου τα τελευταία 5 χρόνια δεν είναι σημαντική μπροστά σε αυτά που έρχονται τα επόμενα πέντε. Με βάση τα υπάρχοντα δεδομένα υπάρχουν προβλέψεις που μπορεί να γίνουν:

Αναφέροντας κάποιες από αυτές:

Αναγνώριση εικόνων: Η τεχνολογία της αναγνώρισης εικόνων και βίντεο είναι στον ορίζοντα. Χάρη στη βαθιά μηχανική μάθηση βρισκόμαστε στην αυγή της δυνατότητας των υπολογιστών να αναγνωρίζουν εικόνες, και διαμέσου αυτών των ανθρώπων και των δράσεων που αυτές περιέχουν. Αυτό αποτελεί σημαντική αλλαγή στον τρόπο που εντοπίζεται και μοιράζεται η πληροφορία. Για παράδειγμα, το You Tube θα μπορούσε σιγά σιγά με έξυπνο τρόπο να βρίσκει τμήματα ενός κλιπ βίντεο τα οποία μας ενδιαφέρουν και να τα προβάλλει ως προτάσεις με βάση τα προσωπικά γούστα. Οι συνέπειες αυτού του δεδομένου σε προσωπικό επίπεδο μπορεί να είναι πολύ σημαντικές.

Φροντίδα Υγείας: Η δυνατότητες ανάλυσης και αποθήκευσης μεγάλων ποσοτήτων δεδομένων θα μπορούσαν να δίνουν στους ιατρούς τη δυνατότητα της δεύτερης γνώμης και να βοηθούν στον εντοπισμό και θεραπεία των νόσων σε μαζική κλίμακα. Με τη μορφή των συσκευών που φοριούνται (wearable devices) θα μπορούσαν συνεχώς να παρακολουθούν την υγεία του χρήστη.

Ταξίδια και επικοινωνία: έως το 2020 η μετάφραση σε πραγματικό χρόνο θα μπορούσε να είναι γεγονός. Με αυτό τον τρόπο θα μπορούσε κανείς να μιλά στο τηλέφωνο και η γλώσσα του να μεταφράζεται στη γλώσσα του δέκτη του τηλεφωνήματος σε πραγματικό χρόνο. Αυτό το βήμα θα ωφελούσε πολύ ειδικά τον τομέα των επιχειρήσεων, τον τουρισμό, την επικοινωνία.

Γενικά

Η μάθηση των μηχανών είναι ένα επιστημονικό πεδίο το οποίο διερευνά την ανάπτυξη και τη μελέτη αλγορίθμων που μπορεί να μαθαίνουν από τη συλλογή δεδομένων. Τέτοιοι αλγόριθμοι λειτουργούν με την κατασκευή μοντέλων από την τροφοδότηση με παραδείγματα. Έπειτα, τα παραδείγματα αυτά χρησιμοποιούνται για τη δημιουργία προβλέψεων ή αποφάσεων, χωρίς απλά να ακολουθούνται αυστηρά στατικές προγραμματισμένες οδηγίες.

Η μηχανική μάθηση σχετίζεται και συχνά έχει κοινό πεδίο με την υπολογιστική στατιστική (computational statistics), ένα κλάδο που επίσης ειδικεύεται στην δημιουργία προβλέψεων.

Η μάθηση μηχανών είναι μία υποειδικότητα της επιστήμης των υπολογιστών που απορρέει από την έρευνα στην τεχνητή νοημοσύνη (Artificial Intelligence, AI). Παρουσιάζει ισχυρούς δεσμούς με τη στατιστική και τη μαθηματική βελτιστοποίηση (mathematical optimization), η οποία της παρέχει μεθόδους, θεωρία και πεδία εφαρμογών για τη μηχανική μάθηση.

Η μηχανική μάθηση χρησιμοποιείται σε ένα φάσμα υπολογιστικών εργασιών όπου ο σχεδιασμός ακριβών βασισμένων σε κανόνες αλγορίθμων δεν είναι δυνατός.

Όταν αναφέρεται σε βιομηχανικό πλαίσιο η μάθηση μηχανών μπορεί να αναφέρεται ως προβλεπτική αναλυτική (Predictive analytics) ή προβλεπτική μοντελοποίηση (predictive modelling).

To 1959, ο Samuel Arthur όρισε τη μηχανική μάθηση ως ένα πεδίο μελέτης το οποίο δίνει τη δυνατότητα στους υπολογιστές να μαθαίνουν χωρίς να έχουν  ρητό προγραμματισμό. Αυτή η θεώρηση αντικατοπτρίζεται στο ερώτημα του Alan Turing “Μπορούν άραγε οι μηχανές να κάνουν αυτό που εμείς ως σκεπτόμενες οντότητες μπορούμε να κάνουμε;”, που ήρθε ως επαναδιατύπωση του ερωτήματος “Μπορούν οι μηχανές να σκεφτούν;”

Είδη/τομείς μηχανικής μάθησης

Μπορούμε να την κατατάξουμε σε τρεις κατηγορίες:

Επιβλεπόμενη μάθηση. Ο υπολογιστής τροφοδοτείται με παραδείγματα εισερχομένων δεδομένων και των επιθυμητών τους αποτελεσμάτων, από ένα “εκπαιδευτή”. Ο στόχος εδώ είναι η εκμάθηση γενικού κανόνα που αποτελεί ένα “χάρτη σύνδεσης εισερχομένων και εξερχομένων δεδομένων.

Μη επιβλεπόμενη μάθηση. Εδώ δεν δίνονται οδηγίες ή πρότυπα, με αυτό τον τρόπο η ίδια η μηχανή (υπολογιστής) καλείται να ανακαλύψει τη δομή στις εισερχόμενες πληροφορίες. Η μη επιβλεπόμενη μάθηση μπορεί να αποτελεί η ίδια στόχο (ανακάλυψη κρυφών προτύπων σε δεδομένα) ή μέσο για την επίτευξη κάποιου στόχου.

Ενισχυόμενη μάθηση. Σε αυτή ένα υπολογιστικό πρόγραμμα αλληλεπιδρά με ένα δυναμικό περιβάλλον στο οποίο καλείται να επιτελέσει κάποιο συγκεκριμένο ρόλο (όπως να οδηγήσει ένα όχημα), χωρίς να του λέει ο “εκπαιδευτής” εάν είναι κοντά στο στόχο ή όχι. Ένα άλλο παράδειγμα είναι η μάθηση των κανόνων ενός παιχνιδιού κατά τη διαδικασία του παιχνιδιού μέσω των κινήσεων του αντιπάλου.

Ανάμεσα στην επιβλεπόμενη και μη επιβλεπόμενη μάθηση υπάρχει η ημιεπιβλεπόμενη μάθηση όπου ο εκπαιδευτής δίνει ένα ημιτελές εκπαιδευτικό σήμα. Στην ομάδα αυτή πολλά από τα στοχοθετημένα αποτελέσματα απλά λείπουν.

Θεωρία

Η μάθηση, ουσιαστικά σηματοδοτεί μία μετάβαση. Είναι μία διαδικασία γενίκευσης από την υπάρχουσα εμπειρία.

Γενίκευση όσον αφορά στη ικανότητα μίας μηχανής να μαθαίνει είναι να αποδίδει με ακρίβεια σε νέα παραδείγματα ή έργα αφού πρώτα έχει γίνει η μάθηση μίας βάσης δεδομένων. Αυτός που μαθαίνει , πρέπει δια της μάθησης να μπορεί να παράγει επαρκώς ακριβείς προβλέψεις σε καινούργιες περιπτώσεις/συμβάντα που προκύπτουν. Υπάρχουν διαφορετικοί αλγόριθμοι μάθησης μηχανών και πάμπολλες εφαρμογές στην καθημερινότητά μας.

Σε κάθε περίπτωση είναι ένας τομέας που βρίσκει ήδη πάρα πολλές εφαρμογές, και θα έχει ακόμα περισσότερες στο πρόσφατο μέλλον.

 

Για περισσότερα αναζητήστε:

https://www.coursera.org/course/ml

https://en.wikipedia.org/wiki/Machine_learning