Искусственный интеллект — одна из самых важных тем в мире информационных технологий. Программы учатся имитировать мышление и способности человека к управлению навыками. После того как машина научилась работать с полученными данными, она может принимать решения. Машинное обучение является одной из подтем в рамках искусственного интеллекта и описывает процесс, необходимый для автономного обучения программ и машин. Неподконтрольное обучение является одним из таких процессов.
Что такое неконтролируемое обучение?
Бесподчиненное обучение — это метод анализа данных в области искусственного интеллекта, при котором искусственная нейронная сеть ищет сходство между различными входными значениями. В процессе обучения без наблюдения компьютер пытается самостоятельно распознать закономерности и структуры во входных данных.
Таким образом, бесконтрольное обучение является противоположностью контролируемого обучения. При использовании этого метода разработчики сохраняют полный контроль над всем процессом и четко определяют результат обучения. Третий метод обучения называется обучением с подкреплением, с помощью которого разработчики дают импульсы, влияющие на процесс обучения алгоритма.
Как работает обучение без подкрепления?
Проще говоря, метод обучения представляет собой искусственную нейронную сеть, которая анализирует большой объем поступающей информации и использует ее для выявления связей, закономерностей и сходства между данными. Эта операция основана на различных процедурах. Одной из методик, полезной для метода обучения, является кластеризация, также известная как кластерный процесс, при котором алгоритмы создают кластеры и распределяют в них данные.
Например, если входные данные состоят из фотографий кошек и собак, программа сначала отсортирует все фотографии собак и кошек по отдельным категориям с помощью обучения без контроля. Однако результат не предопределен, в отличие от контролируемого обучения. Алгоритмы машинного обучения без надзора принимают эти решения самостоятельно, основываясь на сходстве и различии картинок.
Другой процесс называется ассоциацией, когда данные, которые могут быть связаны с другими данными через определенные атрибуты, распределяются по категориям. Задача алгоритмов в данном случае — найти объекты, которые связаны друг с другом, но они не обязательно должны быть идентичными. В случае с фотографиями собак алгоритм обучения без надзора не будет объединять всех собак, а будет ассоциировать только собак с поводками.
В целях защиты вашей конфиденциальности видео не будет загружаться, пока вы не нажмете на него.
Где и когда применяется бессупервизорное обучение?
Существует множество практических примеров применения бессупервизорного обучения. Поскольку оно позволяет программам изучать правила игры и выигрышные стратегии, это выгодное приложение для фондового рынка. Прогнозисты могут использовать исходные данные о ценах на акции для того, чтобы программа могла распознавать определенные действия на бирже и предвидеть тенденции.
Искусственный интеллект, и в частности обучение без наблюдения, также широко используется во многих других отраслях. Кластеризация позволяет объединять группы людей, что имеет большое значение для маркетинга. Целевая группа выступает в качестве центра и основы для создания рекламной стратегии. Алгоритмы могут научиться агрегировать конкретную целевую группу.
Одной из отраслей, в которой принцип бесконтрольного обучения надежно закреплен, является распознавание речи. Такие программы помощи, как Siri, Alexa и Google Assistant, для своей эффективной работы полагаются на распознавание речи. Эти программы изучают особенности речи своих владельцев и со временем способны понимать более точный речевой ввод, даже если владелец устройства допускает ошибки при разговоре или говорит на сильном диалекте.
Многие смартфоны также полагаются на несамостоятельное обучение, чтобы помочь пользователям организовать свои фотогалереи. Благодаря автономному и несамостоятельному обучению устройство способно распознать одного и того же человека на нескольких фотографиях или определить сходство в месте, где были сделаны фотографии, на основе метаданных. Таким образом, фотографии могут быть упорядочены либо по местоположению, либо по людям, которые изображены на них.
Неконтролируемое обучение также ценно, когда речь идет об онлайн-чатах. Многие пользователи Интернета уже сталкивались с чат-ботами, которые теперь используются для регулирования виртуальных бесед. Боты могут распознавать оскорбления, язык ненависти, расистские и дискриминационные высказывания и либо удалять оскорбившего пользователя из чата, либо отправлять ему предупреждение. Автоматизированные чаты работают примерно так же, как и такие приложения, как обслуживание клиентов и онлайн-заказы. Независимо от того, используют ли клиенты мессенджер или свой телефон, боты обучаются автономно, а иногда даже без надзора.
Негативный пример: Чатботы в социальных сетях
В 2016 году компания Microsoft столкнулась с негативными последствиями несамостоятельного обучения. ИИ компании «Tay» завел аккаунт в Twitter и обучался через общение с другими пользователями на платформе. Поначалу программа была простой, но быстро начала использовать смайлики и научилась строить целые предложения. Проблема с Tay заключалась в том, что она не оценивала свои высказывания и начала делать ненавистные заявления в адрес иностранцев и феминисток, и даже распространять теории заговора — и все это менее чем за 24 часа. Программа не имела ни расовой, ни политической подоплеки. Она просто училась у людей. Однако неясно, не подшучивали ли некоторые пользователи Twitter над технологией, целенаправленно скармливая Tay расовые и политически противоречивые данные.
Положительный пример: Генетические исследования
Напротив, в области генетических исследований обучение без наблюдения дает очень положительные результаты. Кластеризация — полезный аналитический инструмент для анализа генетического материала. Медицинский и технический секторы объединяются благодаря ИИ и его различным методам обучения. Это позволяет значительно ускорить исследования. По прогнозам, в будущем наследственные заболевания, такие как серповидно-клеточная анемия и даже наследственная слепота, будут поддаваться лечению и даже излечиваться.
Преимущества бессупервизорного обучения перед другими методами
Машинное обучение не только способствует техническому прогрессу, но и помогает облегчить давление повседневной жизни в самых разных отраслях. Оно приносит огромную пользу нашей повседневной жизни, экономике и научным исследованиям. В отличие от других методов обучения (контролируемое обучение и обучение с подкреплением), разработчики не участвуют в процессе обучения, что, наряду с экономией времени, дает возможность распознавать ранее незамеченные закономерности. Неконтролируемое машинное обучение дает алгоритмам возможность развивать творческие идеи.