Варто мати уявлення про машинному навчанні. Хоча б тому, що воно у списку пріоритетних напрямів роботи компаній, які рухають комп'ютерну індустрію вперед – таких, як Google, Facebook і Amazon. Сама природа цієї технології гарантує, що вона відчутно змінить технології вже на перших етапах свого розвитку. І щоб не залишитися за бортом цього паровоза, варто знати, навіщо воно потрібно і як в принципі працює.

Мета машинного навчання – зробити все програмованим

По суті, це навчання комп'ютера «людському» розпізнавання об'єктів. Для цього створюється величезна кількість даних, організованих і прокоментованих людиною – таких, як фото з тегами. Потім програма аналізує ці дані, зіставляючи їх елементи з коментарями людини, а потім шукає розпізнані елементи на просторах мережі. Так Facebook пропонує теги для фотографій, а Google photos шукає на зображеннях людей.

Поки що більшість таких алгоритмів використовується практично іграшкових цілях – розумні фотоальбоми, розпізнавання мови. Ці застосування невибагливі. Якщо такий алгоритм переплутає вашу собаку з другом Петром або розіб'є складне слово «самосовершенствующиеся» на непередбачений набір прийменників, користувач просто посміється і виправить помилку вручну. Але алгоритми стають надійніше, і скоро будуть використовуватися в куди більш цікавих завданнях.

Машинне навчання дозволяє компаніям створювати додатки, які краще працюють з створюваними людьми малюнками, текстами, мовою і іншими погано оцифровываемыми штуками. Коротше кажучи, створювати додатки, які зможуть розуміти людей – зламати стіну, яка відділяє людину від комп'ютера з часів диференціальної машини Тюрінга.

Графічний інтерфейс і мишка дали комп'ютера пропуск в кожен будинок. Сенсорний інтерфейс зробив його побутовим інструментом. Інтерфейси, засновані на машинному навчанні, зроблять їх всепроникаючими.

Більше про штучний інтелект тут: искусственный интеллект купить.

Є тільки одна проблема.

Комусь доведеться все це систематизувати.

Машинне навчання настільки добре, наскільки гарні вихідні дані

Щоб створити самонавчальну програму, знадобляться три речі

Дані для тренування: файли, які каталогізовані або якось ще систематизовано людьми
Сама програма: софт, який побудує моделі, базуючись на тренувальних даних
Залізо: ті обчислювальні потужності, на яких працює програма і зберігаються вищезазначені дані.
Залізо легко добути. Взяти старий комп'ютер, орендувати шматок хмари.

Програму, насправді, добути ще простіше. Більша частина ліцензій доступна безкоштовно. 

Все, що потрібно – це дані для тренування. І ось їх потрібно дуже багато. Тут-то і криється головна проблема.

Справа в тому, що якість створюваних алгоритмів відчутно залежить від обсягу вихідної бази даних. Поки що немає софта, який здатний створити хорошу модель на підставі, наприклад, тисячі джерел.

До того ж ці алгоритми неможливо безпосередньо чистити від помилок – хоча б тому, що ми самі не дуже розуміємо, як вони працюють. Це сама дивна в машинному навчанні: в його алгоритмах неможливо розібратися безпосередньо або логічно, тільки шляхом проб і помилок.

І поки ситуація залишається такою, поки ми не знаємо, як працює машинне навчання, нам доводиться компенсувати локальні завихрення комп'ютерної логіки шляхом згодовування їй божевільних обсягів даних.

Звідки ж ці дані взяти?

Використовуйте кожну частину буффало, тобто користувача

Якщо ми хочемо, щоб комп'ютери навчилися розуміти таких нецифровых людей, доведеться умовити цих самих людей їх навчати. Але де знайти ці тисячі людей, які погодяться витрачати вільний час на створення зручної для згодовування комп'ютера інформації? Не наймати ж їх насправді – це зробить бюджет розробки абсурдним.

Все просто. Якщо людина не платить за продукт грошима – він платить за нього чимось ще, чи не так? Переглядом реклами, як в Google. Або розстановкою тих самих тегів в Instagram. Саме користувачі безкоштовних сервісів створюють той самий масив даних, необхідний для машинного навчання.

Онлайн-сервіси вчаться використовувати всі частини своїх користувачів – так, як індіанці колись використовували всі частини биків буффало. Нашу увагу забезпечує їх доходами від реклами. Наші знання – паливо для їх машинного навчання, навіть якщо це знання про те, що ось цей круглий об'єкт на фото з обіду – піца.

Це як Том Сойєр і фарбування паркану, тільки масштабированное в мільйони разів.

Візьмемо, приміром, Facebook Photoes. Ця програма пропонує вам відзначити друзів на завантажених фотографіях. Це зручно вам, щоб потім знайти потрібні фотографії. Це зручно їм, щоб знайти себе або згадати, що вчора ввечері було-то. Це зручно Facebook, бо створює величезний масив даних, який може бути використаний для тренування штучного інтелекту. І це дозволяє Facebook покращувати сервіс Photoes. Коротше, суцільні плюси.

Чим краще стає програма, тим більше людей її використовує, тим краще стає програма. Це циклічний процес.

В яких же умовах можуть існувати такі програми?

Воно повинно бути онлайновим. Інакше отримані їм дані неможливо буде дістати.
Обчислення повинні відбуватися не на пристрої пользовтеля, а на серверах. Серйозно, ніхто не хоче завантажувати чужий смартфон настільки.
Перша умова створення хорошої програми – велика аудиторія. Чим більше народу, тим більше даних вони створюють.
Друга умова – регулярне використання. Чим частіше люди користуються додатком, тим більше даних вони створюють.
Хороші програми заохочують створення точних даних. Серйозно, ви не хочете провокувати користувача позначати піцу тегом «пікачу».
Для стартапів тут, зрозуміло, криється маленька проблема. У вас ніколи не буде тієї ж кількості користувачів, що в Facebook, значить, у вас завжди буде менше даних, і якщо ви спробуєте переграти мега-корпорації на її власному полі, ви приречені на провал. Тому єдиний вихід – збирати унікальні дані і створювати власні алгоритми в тій області знань, де ще немає переможця.
Детальніше: http://igate.com.ua/news/16042-mashinnoe-obuchenie-dlya-chajnikov