Становится проще, быстрее и дешевле для компаний каждого предприятия внедрять машинное обучение - технологию искусственного интеллекта, используемую для сбора данных, и выявлять закономерности и аномалии, а также делать прогнозы.
Несмотря на то, что отрасли находят свои возможности привлекательными, большинство компаний пока не используют эту преобразующую технологию. Как поясняется в « Делойте » , «Делойт» считает, что прогресс в пяти ключевых областях может помочь преодолеть барьеры для принятия и в конечном итоге сделать технологию машинного обучения основной.
Препятствия машинного обучения
Согласно опросу, проведенному в 2017 году из 3100 руководителей различных компаний в 17 странах, менее 10% компаний инвестируют в машинное обучение [i], несмотря на то, что это считается «одной из самых мощных и универсальных информационных технологий, доступных сегодня» [ II]
«Делойт» указывает на некоторые основные факторы, препятствующие принятию машинного обучения: нехватка квалифицированных специалистов [iii]; незрелые и все еще развивающиеся инструменты и рамки для выполнения машинного обучения [iv]; и потребление времени и затраты, связанные с получением достаточного набора данных для разработки модели машинного обучения. [v]
Неизбежно для чрезмерно дорогостоящих технологий для внедрения новых технологий, но другой проблемой, препятствующей принятию машинного обучения, является нежелание руководителей развертывать инструмент, внутренняя работа которого они не могут понять или четко объяснить, хотя его принятие окажется полезным для их компании ,
Прогресс в пяти областях
«Делойт» считает, что барьеры усыновления начинают падать и выделяют пять ключевых векторов прогресса, которые должны способствовать расширению машинного обучения. Первые три упрощают, экономят и / или ускоряют процесс обучения, помогая ускорить использование в существующих областях, в то время как последние два помогут расширить приложения для машинного обучения в новых областях.
Автоматизация научных исследований. Наука о данных, предпосылка для разработки решений машинного обучения, может быть частично или полностью автоматизирована, освобождая ученых-данных, которые пользуются большим спросом, но не хватает, чтобы быть продуктивными в других местах. Вместо того, чтобы занять несколько месяцев, чтобы выполнить концепцию машинного обучения, автоматизация науки о данных может сократить эту длину до нескольких дней. [Vi]
Снижение потребности в подготовке данных. Приобретение и маркировка огромного объема данных (потенциально в миллионах элементов), необходимых для машинного обучения, оказалось дорогостоящим и трудоемким, что позволяет прибегнуть к таким технологиям, которые могут значительно снизить необходимое количество данных обучения. Один из таких методов предполагает использование синтетических данных, генерируемых алгоритмами для имитации характеристик реальных данных. [Vii] Команда Deloitte проверила инструмент, который построил точную модель, начиная с всего лишь 20 процентов от типичного объема требуемых данных и имел алгоритмы для создания отдых. Предварительная подготовка модели машинного обучения с использованием одного набора данных, который может быть использован для изучения других наборов данных в похожих доменах (например, перевод на язык или распознавание изображений), называется переносом обучения и является еще одним методом, который может уменьшить необходимость в подготовке данных.
Ускорение обучения. Производители полупроводников и компьютеров значительно сокращают время, необходимое для обучения моделей машинного обучения, разрабатывая специальные процессоры, такие как графические процессоры (GPU), для ускорения расчетов и ускорения передачи данных в чипе.Поскольку требуемое время обучения сокращается, так же и связанные с этим затраты. Принятие этих специализированных чипов распространяется, и поскольку каждый крупный поставщик облачных вычислений предлагает облачные вычисления с графическим процессором, становится возможным повышение производительности за счет ускоренного обучения.
Объяснение результатов. Некоторые отрасли не могут использовать модели машинного обучения, потому что невозможно объяснить, как модель принимает решения. Медицинский диагноз или финансовая операция часто не принимаются без обоснования для поддержки прогнозируемого результата. Но методы, используемые для просмотра внутри черного ящика моделей, становятся доступными, и поскольку становится возможным создавать интерпретируемые модели машинного обучения, высоко регулируемые отрасли теперь смогут капитализировать и использовать преимущества.
Развертывание локально. Принятие машинного обучения будет возрастать по мере того, как станет возможным развертывание технологии в новых областях.Недавние достижения в области аппаратного и программного обеспечения позволяют использовать его на мобильных устройствах и интеллектуальных датчиках [viii], значительно расширяя возможности использования в таких областях, как умные дома, автономные транспортные средства, износостойкие технологии и Интернет вещей.
Не теряйте данный канал https://zen.yandex.ru/media/id/5ac689915f4967b64d108643
из "Поля зрения", подписывайтесь на него,ставьте лайки и получайте самые актуальные, захватывающие, интересные и полезные темы, события, факты о технологическом прогрессе как в России, так и в мире)))
