laut Experten die Zukunft. Da die Menschen immer mehr von Autos und Geräten abhängig werden, kommt eine globale technologische Revolution, dank derer neue Berufe auftauchen und alte verschwinden. In diesem Zusammenhang hat unser Team eine kleine Studie zu diesem Thema vorbereitet.
Geschichte
1959 prägte Arthur Samuel, ein Forscher für künstliche Intelligenz, den Begriff maschinelles Lernen. Er erfand das erste selbstlernende Computerprüfprogramm. Samuel definierte maschinelles Lernen als den Prozess, durch den Computer Verhaltensweisen zeigen können, die ursprünglich nicht in sie programmiert waren.
Im Folgenden werden weitere wichtige Daten in der Geschichte des maschinellen Lernens betrachtet:
1946: Der ENIAC-Computer erscheint - ein streng geheimes Projekt der US-Armee.
1950: Alan Turing erstellt den "Turing Test", um die Intelligenz eines Computers zu messen.
1958: Frank Rosenblatt erfindet das Perceptron , das erste künstliche neuronale Netzwerk, und baut den ersten Gehirncomputer, den Mark 1.
1959: Marvin Minsky baut die erste SNARC-Maschine mit einem zufällig gekoppelten neuronalen Netzwerk.
1967: Ein metrischer Datenklassifizierungsalgorithmus wird geschrieben. Der Algorithmus ermöglichte es Computern, einfache Erkennungsmuster anzuwenden.
1985: Terry Seinovsky erstellt NetTalk, ein künstliches neuronales Netzwerk.
1997: Der Deep Blue Computer schlägt den Weltmeister Garry Kasparov im Schach.
2006: Geoffrey Hinton, ein Wissenschaftler für künstliche neuronale Netze, prägte den Begriff Deep Learning.
2011: Andrew Ang und Jeff Dean gründen Google Brain .
2012: Google X Lab hat einen Algorithmus zur Identifizierung von Videos entwickelt, die Katzen zeigen :)
2012: Google startet den Google Prediction API- Clouddienst für maschinelles Lernen. Es hilft Ihnen, unstrukturierte Daten zu analysieren.
2014: Facebook erfindet DeepFace für die Gesichtserkennung. Die Genauigkeit des Algorithmus beträgt 97%.
2015: Amazon startet seine eigene Plattform für maschinelles Lernen - Amazon Machine Learning.
2015: Microsoft erstellt die Distributed Learning Machine Toolkit-Plattform für dezentrales maschinelles Lernen.
2020: Technologien für künstliche Intelligenz werden in fast jedem Softwareprodukt eingesetzt.
Bild: Unsplash
Wo wird maschinelles Lernen jetzt angewendet?
Bildung. Dank der Einführung der künstlichen Intelligenz haben die Entwickler Lernsysteme entwickelt , die das Verhalten der Lehrer simulieren. Sie können den Wissensstand der Schüler ermitteln, ihre Antworten analysieren, Noten vergeben und sogar einen persönlichen Lernplan definieren.
Zum Beispiel AutoTutor lehrt Studenten Computerkenntnisse, Physik und kritisches Denken. Knewton berücksichtigt die Lernmerkmale jedes Schülers und entwickelt einen einzigartigen Lehrplan für ihn. Die US Air Force verwendet das SHERLOCK-System, um Piloten für die Behebung technischer Probleme in Flugzeugen auszubilden.
Suchmaschinen.Suchmaschinen verwenden maschinelles Lernen, um ihre Funktionalität zu verbessern. Beispielsweise hat Google maschinelles Lernen in die Spracherkennung und Bildsuche implementiert. Im Jahr 2019 führte Google Teachable Machine 2.0 ein , ein selbstlernendes neuronales Netzwerk, das Sprachlaute, Intonation und Körperhaltung erkennen kann. Mit einer Webcam und einem Mikrofon trainiert der Benutzer neuronale Netze, ohne Code zu schreiben, und exportiert sie in Anwendungen, Medien oder Websites von Drittanbietern.
Digitales Marketing.Maschinelles Lernen in diesem Bereich bietet eine umfassende Kundenpersonalisierung. Auf diese Weise können Unternehmen auf persönlicher Ebene mit dem Kunden interagieren und ihm näher kommen. Durch ausgefeilte Segmentierungsalgorithmen konzentriert sich die Maschine auf den „richtigen Kunden zur richtigen Zeit“, um Produkte effektiv zu verkaufen. Mit den richtigen Kundendaten verfügen Unternehmen außerdem über Informationen, mit denen sie ihr Verhalten und ihre Reaktionen untersuchen können.
Beispielsweise verwendet Nova maschinelles Lernen, um E-Mail-Newsletter an Kunden zu schreiben und E-Mails personalisiert zu gestalten. Der Computer weiß, welche E-Mails zuvor hohe Conversions hatten, und schlägt dementsprechend Änderungen an den Mailings vor, um bessere Verkäufe zu erzielen.
Gesundheitswesen. IBM hat EntwicklungWatson . Es ist ein Supercomputer für maschinelles Lernen für die medizinische Forschung. Die Watson for Oncology-Technologie verarbeitet eine große Menge medizinischer Daten, einschließlich Bilder, mit denen Krebs genau diagnostiziert werden kann. Watson for Oncology wird heute in Krankenhäusern in New York, Bangkok und Indien eingesetzt. Im Juli 2016 begann IBM mit den 16 medizinischen Zentren und Technologie-Startups zusammenzuarbeiten, um die Entwicklung von Programmen zur präzisen Diagnose zu beschleunigen.
Ausgabe
Die Zukunft der Technologie ist maschinelles Lernen. In den nächsten zehn Jahren wird maschinelles Lernen nicht nur für Top-Unternehmen, sondern auch für vielversprechende Startups ein Wettbewerbsvorteil sein. Was heute von Hand gemacht wird, wird morgen von Maschinen gemacht. Es sollte hinzugefügt werden, dass Algorithmen für maschinelles Lernen nicht nur in Wirtschaft und Wirtschaft eingesetzt werden, sondern auch Teil des Alltags werden (Erkennung von Sprachbefehlen für ein Smart Home ).
Heute nimmt maschinelles Lernen neue Formen an und entwickelt sich ständig weiter. Maschinelles Lernen basiert auf dem Konzept, dass Computer lernen können. Jene. Sie können Dinge tun, für die sie ursprünglich nicht programmiert waren.
Derzeit wollen Forscher der künstlichen Intelligenz testen, ob Computer aus den Daten lernen können. Der interaktive Aspekt des maschinellen Lernens ist wichtig, da Maschinen kontinuierlich selbstständig lernen und sich anpassen können. Computer lernen aus früheren Berechnungen und Metriken, um zuverlässige und erfolgreiche Lösungen und Ergebnisse für eine bessere Zukunft zu liefern.