Een van de kenmerken van menselijke intelligentie is om leren te kunnen integreren en om mettertijd slimmer te worden wanneer nieuwe gegevens worden geïntegreerd in de kennisbank van uw hersenen..

Van oudsher worden computers niet als intelligent beschouwd, terwijl ze spectaculaire computationele vaardigheden hebben, maar ze moeten behoorlijk precies worden geprogrammeerd om deze kracht te benutten en hebben geen enkele mogelijkheid om leren te integreren. In plaats daarvan moeten ze opnieuw worden geprogrammeerd om verbeteringen te omvatten - vaak aangegeven als Program 2.0 om de nieuwere, en hopelijk betere versie van de software aan te wijzen die op de computer wordt uitgevoerd.

Machinaal leren is de tak van de informatica die algoritmen bevat om gegevens te analyseren die worden ingevoerd, en via statistische analyse een voorspelling kan doen op een uitvoer, terwijl nieuwe gegevens worden opgenomen zodra deze beschikbaar komen, om de voorspelde uitvoer bij te werken.

Met andere woorden, met het algoritme kan de computer nieuwe gegevens opnemen en het algoritme in de loop van de tijd bijwerken, zodat het leren effectief plaatsvindt. Een nauw verwante en soms bijna bijna synonieme term is kunstmatige intelligentie - hoewel sommigen beweren dat kunstmatige intelligentie wordt beschouwd als de bredere term waarvan machine learning een subtype is.

De uitdrukking machine learning dateert uit 1959, toen Arthur Samuel, een pionier op het gebied van computergaming en kunstmatige intelligentie en een onderzoeksprofessor aan de Stanford University, het definieerde als de “vaardigheid om te leren zonder expliciet geprogrammeerd te zijn”.

Dammen kampioen

Hij had interesse in machinaal leren met betrekking tot dammen, wat hij als een ideaal onderwerp ervoer vanwege de eenvoud van het spel. Vanwege het gebrek aan beschikbare rekenkracht op dat moment, in plaats van elke mogelijkheid uit te proberen, gebruikte zijn algoritme alfa-beta snoeien (een variant van het Minimax-algoritme) om een ​​zet te kiezen op basis van de positie van de stukken, inclusief de locatie van stukken van de koning, en de kans op een overwinning.

Hij zette zijn theorieën in 1961 in praktijk toen zijn programma een wedstrijd won tegen de kampioen van de staatscontrole van Connecticut, die op dat moment de op vier na grootste speler in de natie was, waarmee hij zijn werk geloofde.

Dit maakte de weg vrij voor meer baanbrekend werk op het gebied van machine learning. Dit omvat de beroemde wedstrijd uit 1997 waarbij IBM's supercomputer Deep Blue, na een eerste verlies het jaar daarvoor, wereldkampioen Garry Kasparov in een reeks wedstrijden in het complexere schaakspel kon verslaan.

Nog recenter nam Google in 2016 het nog ingewikkelder spel Go, een populair Chinees bordspel dat bekend staat om zijn hoge strategie. Met behulp van het AlphaGo-algoritme voor machine learning, een product van Google DeepMind, werd een professionele speler verslagen in een indrukwekkende vijf opeenvolgende spellen.

Machinaal leren is toegepast op meer dan alleen games. In 2012 werd in Google X Labs een algoritme voor het leren van computers ontworpen om door YouTube-video's te gaan en om onafhankelijk te identificeren wie een kat in de videostream heeft. Tegen 2014 had Facebook een algoritme voor het leren van machines, DeepFace, waarmee afbeeldingen van gezichten konden worden vergeleken met een persoon met een nauwkeurigheid van meer dan 97%, wat de prestaties van een typisch mens benadert als het op die taak aankomt.

Om meer projecten mogelijk te maken, debuteerde Microsoft in 2015 haar Distributed Machine Learning Toolkit, die momenteel Distributed (Multi-sense) Word Embedding bevat voor hoogwaardige natuurlijke taalverwerking.

De technologie van machine learning is ook toegepast op robots en hun vermogen om zelfstandig complexe taken uit te voeren. Er is belangstelling geweest voor militaire toepassingen en dit heeft ertoe geleid dat veel tech-gebruikers, waaronder Stephen Hawking en Steve Wozniak, een open brief aan de VN hebben gestuurd.

Hun zorg is dat bewapend machine-leren staat voor een “derde revolutie in oorlogsvoering”. Aan de andere kant belooft autonome technologie auto's veiliger te laten rijden, en dit werd onlangs tentoongesteld met de technologie geïmplementeerd in een klassiek voertuig, een Ford Mustang uit 1965, op het Goodwood Festival of Speed.

Zakelijke voordelen

Bedrijven hebben ook machine learning omarmd, en een voorbeeld hiervan zijn geautomatiseerde chatbots die de interactie van klanten met duurdere klantenondersteuningsmedewerkers verminderen.

Er is ook een trend om afstand te nemen van de menu's voor telefooninteractie (“druk hier één voor, druk daarvoor op twee”) die klanten over het algemeen irriteren, in de richting van tekstinteractie. Eind 2017 bracht de Royal Bank of Scotland zijn nieuwe AI-chatbot, Luvo, een webchat-tool die op de website van de bank verschijnt, naar voren en vraagt ​​of de klant vragen heeft.

Het doel is om Luvo 10% van de klanten te helpen, met de mogelijkheid om eenvoudige vragen direct te beantwoorden en anderen met ingewikkeldere problemen naar de juiste menselijke agent te sturen om meer definitieve hulp te bieden. Het idee is dat Luvo met de eenvoudigere taken omgaat, dit maakt menselijke adviseurs vrij voor de meer gecompliceerde klantaangelegenheden.

Deze specifieke virtuele chatbot wordt mogelijk gemaakt door de Watson Conversation-tool van IBM, die algemeen wordt beschouwd als een van de meest geavanceerde AI-engines, met een bijzondere kracht voor natuurlijke taalherkenning. Deze integratie van machinaal leren in de vorm van een chatbot bij de Royal Bank of Scotland, gedreven door kosten en tijdsbesparingen voor klantenservice, maakt deel uit van een bredere trend, die andere bedrijven met overduidelijk dividend hebben omarmd. Facebook sloot eerder dit jaar echter zijn tekstgebaseerde chatbot M af, dus de overgang is nauwelijks naadloos omdat haalbare toepassingen voor deze technologie worden gezocht.

Muziek in je oren

Machinaal leren is ook toegepast op online muziekstreaming. Bij Spotify, de uitgebreide on-demand muziekservice met meer dan 100 miljoen gebruikers, past het bedrijf machine learning toe om muziek te streamen die past bij uw muzikale smaak. Vooral populair is de 'Discover Weekly'-functie van Spotify, die lijkt op een handgeplukte lijst met nummers op basis van je luistergewoonten - een beetje als een goede vriend die je luistergewoonten kent en een mixtape maakt om je aan nieuwe artiesten voor te stellen.

Dit wordt echter bereikt door algoritmen voor machinaal leren die gegevens bevatten van collaboratief filteren die uw luistergedrag en vergelijkbare fans analyseert, samen met natuurlijke taalverwerking die tekst en audioanalyse van de tracks rechtstreeks incorporeert.

Al deze gegevens doorlopen het algoritme van machine-algoritme van het bedrijf om deze muziekkeuzes te genereren, wat ongetwijfeld bijdraagt ​​aan de populariteit van Spotify - terwijl sommige concurrerende services, zoals Songza en Pandora, nummers kiezen die zijn gebaseerd op handmatig taggen zonder de extra gegevens die Spotify gebruikt.

Met machine learning in staat om de beste menselijke kampioenen bij meerdere strategische bordspellen, is de kracht van deze algoritmen die nieuwe gegevens kunnen opnemen in hun besluitvormingsproces duidelijk aangetoond. En nu hebben verschillende industrieën, van klantenservice, autonoom rijden tot beheerde muziekstreaming, de kracht laten zien om ook machine learning-algoritmen te integreren.

  • Dit is hoe Google machinaal leren gebruikte om het eerste zonnestelsel zoals het onze te vinden