Почти каждая компания сегодня делает ставку на искусственный интеллект и машинное обучение для ускорения программ цифровой трансформации, улучшения процесса принятия решений и увеличения роста выручки. У этой тенденции есть две основные причины. Во-первых, традиционный подход к решению проблем и принятию решений, основанный на правилах и руководимый человеком, просто не может справиться с лавинообразно растущими объемами данных в эпоху цифровых технологий. Для сравнения, чем больше данных, тем выше точность алгоритмов самообучения, лежащих в основе машинного обучения. И, во-вторых, интеллектуальные самообучающиеся алгоритмы смогут видеть прошлые присущие человеку предубеждения и слепые зоны, чтобы выявить потенциально преобразующие модели и идеи.

Модели машинного обучения в широком смысле определяются как контролируемые или неконтролируемые в зависимости от того, как они анализируют данные для прогнозирования. Обе эти модели опираются на исторические данные, чтобы научиться выявлять закономерности и прогнозировать результаты.

В модели контролируемого обучения данные обучения уже помечены, и правильные результаты уже известны. Например, если задача состоит в том, чтобы идентифицировать и классифицировать различные геометрические фигуры, обучающие данные помечаются правильными ответами. Затем алгоритм можно обучить и настроить на этих данных, пока он не будет готов к применению к новым поступающим данным. Таким образом, контролируемое обучение лучше всего работает в ситуациях, когда размеченные данные легко доступны. Для ситуаций, связанных с немаркированными данными, которые требуют контролируемых задач обучения, таких как классификация и регрессия, существует даже модель полуконтролируемого обучения, в которой обученная модель может использоваться для прогнозирования меток на немаркированных данных.

Однако модель неконтролируемого обучения не включает обучающие наборы данных или даже правильные результаты. Существуют входные данные, которые алгоритм должен самостоятельно анализировать, классифицировать и маркировать, а затем обнаруживать значимые закономерности и прогнозы. Без ограничений предопределенных меток и результатов обучение без учителя может давать результаты без предвзятости и на основе чистой логики.

Существует также относительно недавний подход, называемый обучением с подкреплением, в котором основное внимание уделяется обучению и обновлению политик на основе механизма обратной связи. В этом случае обучающая программа выполняет действие на основе ввода и соответствующей политики принятия решений. Затем действие подкрепляется или вознаграждается сигналом, который количественно определяет производительность, обеспечиваемую этой политикой. Со временем эта петля подкрепления позволяет программе определить оптимальную политику, обеспечивающую максимальное вознаграждение.

Помимо всего этого, поставщик программного обеспечения для интеллектуальной автоматизации WorkFusion также определяет составной подход, называемый непрерывное обучение, как часть прогноза компании в отношении тенденций ИИ в 2018 году. Эта концепция разработана специально для удовлетворения динамических требований быстро меняющейся корпоративной среды. Основное внимание здесь уделяется сочетанию обучения с подкреплением с онлайн-обучением, когда обучение начинается даже при получении данных в реальном времени, а также с ансамблями, которые объединяют часто и редко обучаемые модели.

Сегодня большинство практических вариантов использования алгоритмов машинного обучения включают обучение с учителем. И хотя может показаться, что неконтролируемое обучение более точно указывает на потенциал настоящего ИИ, гибридный подход, вероятно, будет наиболее часто используемым в будущем. В любом случае выбор алгоритма должен будет определяться на основе характеристик данных и бизнес-целей каждого отдельного варианта использования.