Inhalt
- Automatisierung im Kontext der Informationstechnologie
- Ist Automatisierung die Zukunft des maschinellen Lernens?
- Keine Bugs, kein Stress - Ihre schrittweise Anleitung zur Erstellung lebensverändernder Software, ohne Ihr Leben zu zerstören
- Fallstudie
- Maschinelles Lernen kann Jobs ersetzen
- Fazit
Quelle: Krulua / Dreamstime.com
Wegbringen:
Maschinelles Lernen ist die Fähigkeit eines Systems, seine eigene Programmierung zu ändern. Aber wenn ein System das kann, braucht es dann noch Menschen?
Maschinelles Lernen war einer der größten Fortschritte in der Geschichte des Computerwesens, und es wird jetzt angenommen, dass es in der Lage ist, bedeutende Rollen im Bereich Big Data und Analytics zu übernehmen. Die Big-Data-Analyse ist aus Unternehmenssicht eine große Herausforderung. Beispielsweise können Aktivitäten wie das Verstehen großer Mengen unterschiedlicher Datenformate, die Datenvorbereitung für Analysen und das Filtern redundanter Daten viel Ressourcen verbrauchen. Die Einstellung von Datenwissenschaftlern und -spezialisten ist eine kostspielige Angelegenheit und nicht im Rahmen der Möglichkeiten jedes Unternehmens. Experten glauben, dass maschinelles Lernen in der Lage ist, viele analytische Aufgaben zu automatisieren - sowohl routinemäßig als auch komplex. Durch die Automatisierung des maschinellen Lernens können viele Ressourcen freigesetzt werden, die für komplexere und innovativere Aufgaben verwendet werden können. Es scheint, dass maschinelles Lernen in diese Richtung gegangen ist. (Weitere Informationen zur Verwendung des maschinellen Lernens finden Sie unter Versprechen und Fallstricke des maschinellen Lernens.)
Automatisierung im Kontext der Informationstechnologie
Automatisierung ist im Kontext der IT die Verknüpfung unterschiedlicher Systeme und Software, sodass diese ohne menschliches Eingreifen bestimmte Aufgaben ausführen können. In der IT-Branche können automatisierte Systeme sowohl einfache als auch komplexe Aufgaben ausführen. Ein Beispiel für einen einfachen Auftrag ist die Integration eines Formulars in ein PDF-Dokument und die Übermittlung des Dokuments an den richtigen Empfänger. Die Bereitstellung eines Offsite-Backups kann ein Beispiel für einen komplexen Auftrag sein.
Um seine Aufgabe zu erfüllen, muss ein automatisiertes System programmiert oder explizit angewiesen werden. Jedes Mal, wenn ein automatisiertes System den Umfang seiner Aufgaben ändern muss, muss das Programm oder der Befehlssatz von einem Menschen aktualisiert werden. Während automatisierte Systeme effizient arbeiten, können Fehler aus verschiedenen Gründen auftreten. Wenn Fehler auftreten, muss die Grundursache identifiziert und behoben werden. Es ist offensichtlich, dass automatisierte Systeme für ihre Arbeit völlig von Menschen abhängig sind. Je komplexer die Art des Auftrags ist, desto höher ist die Wahrscheinlichkeit von Fehlern und Problemen.
Normalerweise werden Routine- und wiederholbare Jobs automatisierten Systemen zugewiesen. Ein weit verbreitetes Beispiel für Automatisierung in der IT-Branche ist die Automatisierung des Testens von webbasierten Benutzeroberflächen. Testfälle werden in Automatisierungsskripten eingespeist und die Benutzeroberflächen entsprechend getestet. (Weitere Informationen zu praktischen Anwendungen des maschinellen Lernens finden Sie unter Maschinelles Lernen und Hadoop in der Betrugserkennung der nächsten Generation.)
Das Argument für die Automatisierung war, dass sie routinemäßige und wiederholbare Aufgaben ausführt und die Mitarbeiter für komplexere und kreativere Aufgaben frei macht. Es wird jedoch auch argumentiert, dass die Automatisierung viele Jobs oder Rollen, die früher von Menschen ausgeführt wurden, verdrängt hat. Mit dem Einzug des maschinellen Lernens in verschiedene Branchen könnte die Automatisierung eine neue Dimension eröffnen.
Ist Automatisierung die Zukunft des maschinellen Lernens?
Das Wesen des maschinellen Lernens ist die Fähigkeit von Systemen, kontinuierlich aus Daten zu lernen und sich zu entwickeln, ohne dass Menschen eingreifen müssen. Maschinelles Lernen kann sich wie das menschliche Gehirn verhalten. Beispielsweise kann eine Empfehlungs-Engine auf einer E-Commerce-Website die individuellen Vorlieben und Vorlieben eines Benutzers bewerten und Empfehlungen zu Produkten und Dienstleistungen abgeben, die am besten zur Auswahl des Benutzers passen. Aufgrund dieser Fähigkeit wird maschinelles Lernen als ideal für die Automatisierung komplexer Aufgaben im Zusammenhang mit Big Data und Analysen angesehen. Es hat bereits die Hauptbeschränkung der traditionellen Automatisierungssysteme überwunden, die ohne regelmäßiges Eingreifen des Menschen nicht funktionieren können. Es gibt mehrere Fallstudien, die zeigen, dass maschinelles Lernen anspruchsvolle Datenanalyseaufgaben ausführen kann, wie später in diesem Artikel erläutert wird.
Wie bereits erwähnt, stellt die Big-Data-Analyse eine Herausforderung für Unternehmen dar und kann teilweise an maschinelle Lernsysteme delegiert werden. Aus Sicht eines Unternehmens kann dies viele Vorteile mit sich bringen, z. B. die Freisetzung datenwissenschaftlicher Ressourcen für kreativere und kritischere Aufgaben, ein höheres Arbeitsvolumen, weniger Zeitaufwand für die Ausführung von Aufgaben und Kosteneffizienz.
Keine Bugs, kein Stress - Ihre schrittweise Anleitung zur Erstellung lebensverändernder Software, ohne Ihr Leben zu zerstören
Sie können Ihre Programmierkenntnisse nicht verbessern, wenn sich niemand um die Softwarequalität kümmert.
Fallstudie
Im Jahr 2015 begannen MIT-Forscher mit der Arbeit an einem Data-Science-Tool, mit dem mithilfe einer Technik namens Deep Feature Synthesis-Algorithmus prädiktive Datenmodelle aus riesigen Rohdatenmengen erstellt werden können. Der Algorithmus, so behaupten die Wissenschaftler, kann die besten Merkmale des maschinellen Lernens kombinieren. Den Wissenschaftlern zufolge haben sie den Algorithmus bereits an drei verschiedenen Datensätzen getestet und werden den Testumfang auf weitere Datensätze ausweiten. Die Forscher James Max Kanter und Kalyan Veeramachaneni erklärten in einem Vortrag auf einer internationalen Konferenz zu Data Science und Analytics, wie sie dies tun: „Mit Hilfe eines Auto-Tuning-Prozesses optimieren wir den gesamten Pfad ohne menschliches Eingreifen und können ihn verallgemeinern zu verschiedenen Datensätzen. "
Lassen Sie uns untersuchen, wie komplex die Aufgabe war: Der Algorithmus verfügt über eine Funktion, die als Auto-Tuning-Funktion bezeichnet wird, mit deren Hilfe Erkenntnisse oder Werte aus Rohdaten wie Alter oder Geschlecht abgeleitet oder extrahiert werden und danach kann prädiktive Datenmodelle erstellen. Der Algorithmus verwendet komplexe mathematische Funktionen und eine Wahrscheinlichkeitstheorie, die als Gaußsche Kopula bekannt ist. Es ist daher leicht zu verstehen, mit welchem Komplexitätsgrad der Algorithmus umgehen kann. Die Technik hat auch Preise in Wettbewerben gewonnen.
Maschinelles Lernen kann Jobs ersetzen
Überall auf der Welt wird diskutiert, dass maschinelles Lernen viele Jobs ersetzen könnte, da es Aufgaben mit der Effizienz eines menschlichen Gehirns ausführt. Tatsächlich gibt es Bedenken, dass maschinelles Lernen Datenwissenschaftler ersetzen wird - und es scheint eine Grundlage für solche Befürchtungen zu geben.
Für normale Benutzer, die nicht über die erforderlichen Datenanalysefähigkeiten verfügen, aber dennoch Analysen in unterschiedlichem Maße in ihrem täglichen Leben benötigen, ist es nicht möglich, Computer zu haben, die in der Lage sind, große Datenmengen zu analysieren und Analysen anzubieten. Mit NLP-Technologien (Natural Language Processing) kann diese Einschränkung jedoch überwunden werden, indem Computer darin unterrichtet werden, die natürliche gesprochene Sprache des Menschen zu akzeptieren und zu verarbeiten. Auf diese Weise benötigt der normale Benutzer keine ausgeklügelten Analysefunktionen oder -fähigkeiten.
IBM ist der Ansicht, dass der Bedarf an Datenwissenschaftlern mit dem Produkt Watson Natural Language Analytics Platform minimiert oder beseitigt werden kann. Laut seinem Vice President für Watson Analytics und Business Intelligence, Marc Atschuller, „bringen Sie mit einem kognitiven System wie Watson einfach Ihre Frage mit - oder wenn Sie keine Frage haben, laden Sie einfach Ihre Daten hoch und Watson kann sie sich ansehen und daraus schließen was du vielleicht wissen willst. "
Fazit
Automatisierung ist der nächste logische Schritt für maschinelles Lernen und wir haben die Auswirkungen in unserem Alltag bereits erlebt - auf E-Commerce-Websites, bei Vorschlägen für Freunde, Empfehlungen für LinkedIn-Netzwerke und bei Airbnb-Suchrankings. In Anbetracht der gegebenen Beispiele kann kein Zweifel an der Qualität der von automatisierten maschinellen Lernsystemen erzeugten Ausgabe geäußert werden. Der Gedanke an maschinelles Lernen, das enorme Arbeitslosigkeit verursacht, scheint bei all seinen Qualitäten und Vorteilen eine Überreaktion zu sein. Maschinen ersetzen seit mehreren Jahrzehnten Menschen in vielen Bereichen unseres Lebens, und doch haben sich die Menschen weiterentwickelt und angepasst, um in der Branche relevant zu bleiben. Je nach Perspektive ist maschinelles Lernen trotz aller Störungen nur eine solche Welle, an die sich die Menschen anpassen werden.