ano ang machine learning

Kung itinatanong mo kung ano ang machine learning, ito ang pinakasimpleng sagot: ang machine learning ay paraan para matuto ang mga computer ng mga pattern mula sa data at gamitin ang mga pattern na iyon upang gumawa ng mga prediksyon, rekomendasyon, o desisyon. Sa halip na isulat nang mano-mano ang bawat tuntunin, nagbibigay ang mga tao ng mga halimbawa sa sistema, at natututo ang sistema mula sa mga ito.

Talahuluganan ng NIST ay tumutukoy sa machine learning bilang mga computer system na umaangkop at natututo mula sa data upang mapahusay ang katumpakan. Mukhang teknikal ito, ngunit pamilyar ang pang-araw-araw na ideya: habang mas maraming kapaki-pakinabang na halimbawa ang nakikita ng sistema, mas mahusay nitong nakikilala ang mga pattern.

ano ang machine learning sa simpleng salita

Ang machine learning ay sangay ng artificial intelligence. IBM, Google Cloud, Microsoft Azure, at AWS ay lahat nagpapaliwanag nito sa magkatulad na paraan: gumagamit ang machine learning ng data at mga algorithm upang sanayin ang mga system na maaaring gumawa ng mga prediksyon o makahanap ng mga pattern nang hindi tahasang pinoprograma para sa bawat kaso.

Isipin mong tinuturuan ang isang bata na makilala ang mga aso. Hindi mo inililista ang bawat posibleng hugis ng tainga, haba ng buntot, at kulay ng balahibo. Nagpapakita ka ng mga halimbawa. Sa paglipas ng panahon, natututuhan ng bata ang pattern. Gumagana ang machine learning sa katulad na diwa, ngunit gamit ang data, matematika, at mga algorithm.

Paano Gumagana ang Machine Learning

Karamihan sa mga proyekto ng machine learning ay sumusunod sa isang pangunahing daloy: mangolekta ng data, ihanda ito, magsanay ng modelo, subukan ito, at pagkatapos ay gamitin ang modelo sa mga bagong input. Inilalarawan ito ng gabay ng AWS sa pagbuo ng isang machine learning application bilang isang paulit-ulit na proseso: tukuyin ang problema, ihanda ang data, lumikha ng kapaki-pakinabang na mga feature, sanayin ang modelo, suriin ito, at gamitin ito para sa mga prediksyon.

Isang simpleng halimbawa ang spam filter. Natututo ang sistema mula sa mga email na may label na “spam” at “hindi spam.” Habang nagsasanay, napapansin nito ang mga pattern: kahina-hinalang link, paulit-ulit na parirala, asal ng nagpadala, o pag-format. Sa inference, inilalapat nito ang natutuhan nito sa isang bagong email at hinuhulaan kung spam ito.

Ang mahalagang salita ay “hinuhulaan.” Hindi nauunawaan ng machine learning ang mundo tulad ng tao. Nakakahanap ito ng mga estadistikal na pattern. Makapangyarihan iyon, ngunit nangangahulugan din itong napakahalaga ng kalidad ng data.

Mga Karaniwang Uri ng Machine Learning

Ang machine learning ay hindi iisang pamamaraan lamang. Kabilang dito ang ilang pangunahing paraan:

Itinuturo ng Stanford CS229 ang machine learning sa pamamagitan ng mga pangunahing paksa tulad ng supervised learning, unsupervised learning, neural networks, at reinforcement learning. Kapaki-pakinabang din para sa mga baguhan ang Machine Learning Crash Course ng Google dahil ipinapaliwanag nito ang mga konsepto gamit ang mga praktikal na halimbawa. Para sa mga taong gusto ng praktikal na dokumentasyon, ang gabay para sa gumagamit ng scikit-learn at mga batayan ng machine learning ng TensorFlow ay mahuhusay na teknikal na sanggunian.

Machine Learning Kumpara sa AI Kumpara sa Deep Learning

Madalas napagpapalit ng mga tao ang AI, machine learning, at deep learning. Magkakaugnay ang mga ito, ngunit hindi magkakatulad.

Ang artificial intelligence ay ang malawak na larangan: pagbuo ng mga system na maaaring magsagawa ng mga gawaing kaugnay ng katalinuhan ng tao, gaya ng pangangatwiran, wika, persepsyon, pagkatuto, o pagdedesisyon. Ang machine learning ay isang paraan upang bumuo ng mga AI system. Ang deep learning ay isang uri ng machine learning na gumagamit ng mga neural network na may maraming layer.

Kaya simple ang ugnayan: ang AI ang malaking kategorya. Nasa loob ng AI ang machine learning. Nasa loob ng machine learning ang deep learning.

Ang calculator ay sumusunod sa nakapirming mga tuntunin, kaya hindi ito machine learning. Ang isang recommendation system na napapahusay sa pamamagitan ng pagkatuto mula sa pag-uugali ng user ay machine learning. Ang malaking language model na gumagamit ng malalalim na neural network ay deep learning.

Mga Totoong Halimbawa ng Machine Learning

Bahagi na ng ordinaryong buhay ang machine learning. Ginagamit ito ng mga streaming service upang magrekomenda ng mga video. Ginagamit ito ng mga bangko upang matukoy ang mga di-pangkaraniwang transaksyon. Ginagamit ito ng mga email service upang salain ang spam. Ginagamit ito ng mga tool sa pagsasalin upang magsalin ng wika. Ginagamit ito ng mga search engine upang maunawaan ang mga senyales ng kaugnayan at pagraranggo.

Sa pangangalagang pangkalusugan, nagpapanatili ang FDA ng listahan ng mga medikal na device na pinagana ng AI, na marami sa mga ito ay gumagamit ng AI o mga teknik ng machine learning para sa imaging, diagnosis, o klinikal na suporta. Magandang paalala ito na maaaring maging kapaki-pakinabang ang machine learning, ngunit nangangailangan ng pagsubok at pangangasiwa ang mga sistemang may mataas na panganib.

Isa pang matibay na halimbawa ang agham. Gumagamit ang AlphaFold ng AI upang hulaan ang mga estruktura ng protina, na tumutulong sa mga mananaliksik na pag-aralan ang biyolohiya nang mas mahusay. Ipinapakita nito na ang machine learning ay hindi lamang para sa mga ad, app, at dashboard; maaari rin nitong suportahan ang pagtuklas sa agham.

Bakit Mahalaga ang Kalidad ng Data

Ang isang modelo ng machine learning ay kasinghusay lamang ng data at mga palagay na pinagbabatayan nito. Kung hindi kumpleto, may pagkiling, lipas na, o hindi maayos ang paglalagay ng label sa training data, maaaring matutuhan ng modelo ang mga maling pattern.

Halimbawa, maaaring ulitin ng isang modelong ginagamit sa pagkuha ng empleyado na sinanay sa may pagkiling na nakaraang data sa pagkuha ng empleyado ang mga pattern na iyon. Maaaring hindi gaanong mahusay na gumana para sa ibang populasyon ang isang medikal na modelong sinanay pangunahin sa isang populasyon. Maaaring maging masyadong makitid ang isang recommendation model at patuloy na magpakita sa mga user ng mas marami pang kaparehong bagay.

Kabilang sa mahusay na gawain sa machine learning ang paglilinis ng data, pagsubok, pagpapatunay, pagsubaybay, at pagsusuri ng tao. Nangangahulugan din ito ng pagtatanong ng mahihirap na tanong: Sino ang kinakatawan sa data? Sino ang nawawala? Ano ang mangyayari kung mali ang modelo?

Pagpapaliwanag ng Machine Learning sa Pamamagitan ng Biswal gamit ang Pi

Maaaring mukhang abstrakto ang machine learning dahil madalas hindi nakikita ang mahalagang gawain: paghahanda ng data, pagsasanay ng modelo, pagsusuri, pag-deploy, at mga feedback loop. Nakakatulong ang biswal na pagpapaliwanag upang makita ng mga tao ang proseso.

Sa Pi, maaari mong gawing presentasyon ang mga konsepto ng machine learning: isang daloy ng trabaho mula data patungo sa modelo, paghahambing ng supervised at unsupervised learning, tsart na nagpapakita ng katumpakan ng modelo, o pagpapaliwanag ng pagsasanay at inference gamit ang mga icon. Maaari ring i-customize ng Pi ang mga tema, kulay, layout, icon, tsart, at mga biswal na ginawa ng AI, na nagpapadali sa paglalahad ng mga teknikal na ideya sa mga estudyante, kliyente, founder, o internal na team.

Mga Panganib at Responsableng Paggamit

Maaaring magkamali ang mga machine learning system. Maaari nilang palakihin ang pagkiling, ilantad ang pribadong impormasyon, lumikha ng hindi makatarungang resulta, o maging mahirap ipaliwanag. Kaya mahalaga ang responsableng AI.

Ang NIST AI Risk Management Framework ay nagbibigay sa mga organisasyon ng paraan upang pag-isipan ang mga panganib ng mapagkakatiwalaang AI. Binibigyang-diin ng OECD AI Principles ang mga halagang nakasentro sa tao, pagiging patas, transparency, katatagan, kaligtasan, at pananagutan.

Para sa mga baguhan, simple ang pangunahing mensahe: hindi dapat husgahan ang machine learning batay lamang sa katumpakan. Dapat din itong husgahan batay sa pagiging patas, kaligtasan, privacy, kakayahang maipaliwanag, at epekto sa totoong mundo.

Ang Hatol

Ang machine learning ay ang pagsasanay ng pagtuturo sa mga computer na matuto ng mga pattern mula sa data at ilapat ang mga pattern na iyon sa mga bagong sitwasyon. Isa ito sa mga pangunahing makina sa likod ng makabagong AI, mula sa mga rekomendasyon at pagtukoy ng pandaraya hanggang sa mga medikal na tool at siyentipikong pananaliksik.

Simple ang konsepto, ngunit nangangailangan ng pag-iingat ang pagsasagawa nito. Nangangailangan ang mahusay na machine learning ng mahusay na data, malinaw na layunin, pagsubok, pagsubaybay, at responsableng paggamit. Ang pinakamahuhusay na modelo ay hindi lamang matalino. Kapaki-pakinabang, maaasahan, at angkop ang mga ito para sa mga taong naaapektuhan nila.

Mga Madalas Itanong (FAQ)

T: Ano ang machine learning?

S: Ang machine learning ay sangay ng AI kung saan natututo ang mga computer ng mga pattern mula sa data at ginagamit ang mga pattern na iyon upang gumawa ng mga prediksyon, rekomendasyon, o desisyon.

T: Pareho ba ang machine learning at artificial intelligence?

S: Hindi. Ang AI ang mas malawak na larangan. Ang machine learning ay isang paraan na ginagamit upang bumuo ng mga AI system. Ang deep learning ay mas maliit na kategorya sa loob ng machine learning.

T: Ano ang mga karaniwang halimbawa ng machine learning?

S: Kabilang sa mga karaniwang halimbawa ang mga recommendation system, spam filter, pagtukoy ng pandaraya, pagkilala ng boses, pag-uuri ng larawan, mga tool sa pagsasalin, at ilang medikal na AI system.

T: Kailangan ba ng coding upang matuto ng machine learning?

S: Mauunawaan mo ang mga pangunahing ideya nang walang coding, ngunit ang pagbuo ng totoong mga modelo ng machine learning ay karaniwang nangangailangan ng kasanayan sa programming, estadistika, paghawak ng data, at pagsubok.