Искусственный интеллект как идеальное решение
методы ИИ
Искусственный интеллект решит нашу проблему. У многих предпринимателей есть грандиозное видение того, как ИИ может решить любую сложную проблему для их бизнеса. Это не означает, что они неверны, но области ИИ и МО (машинного обучения) имеют множество подкатегорий и областей активных исследований, которые позволяют нам добиться прогресса в решении довольно специфических вычислительных задач. Применение неправильной формы обучения или решения проблемы к задаче может привести к разочаровывающим результатам. Доработка и настройка модели или метода — это способ получить надежные результаты и опередить своих конкурентов в бизнес-вариантах. Я хотел бы рассказать о нескольких методах машинного обучения и о том, для чего они используются, возможно, чтобы вдохновить на новые идеи.
Нейронные сети
Первый метод, который приходит на ум, когда речь идет об машинном обучении, — это нейронные сети, а в последнее время — то, что мы называем «глубоким обучением», то есть нейронные сети значительно большего размера. Наш мозг состоит из нейронов, которые представляют собой сложные клетки, передающие информацию между собой. У них есть потенциал действия, который определяет, срабатывают ли они на основе стимуляции нейронов на более раннем этапе пути. Этот потенциал действия был смоделирован в виде математической функции, а матрица нейронов, каждый со своим весом, соединяет входной и выходной слои. Эти слои в простейшем виде будут давать решения. Например, у вас может быть изображение, разбить пиксели на три значения цвета и выложить их все подряд. Подайте эти числа в матрицу, которая имеет много нейронов и несколько слоев, которые уменьшаются в размере до тех пор, пока не будет получено одно выходное значение «это изображение собаки». Это простая версия того, как должна работать нейронная сеть. Глубокое обучение используется во многих бизнес-приложениях. Чат-боты, обнаружение реальности, искусство и композиция, обнаружение изображений, планирование робототехники, подписи к изображениям, обнаружение банковского мошенничества, стратегия самостоятельного вождения, экстраполяция цвета в черно-белом, OCR, альфа-звезда. Это используется в тонне мест.
Состязательные нейронные сети
Существует подкатегория, называемая состязательными нейронными сетями, где у вас может быть одна сеть, генерирующая «поддельные» версии изображения или данных, и другая нейронная сеть, оценивающая их подлинность. Эти двое развиваются и учатся вместе, подобно мимикрии в эволюционной биологии. Они часто используются для создания образцов видео, аудио или изображений, которые кажутся реалистичными для человеческой оценки.
Классификация
Классификация распределяет ответы модели по категориям. Для простого классификатора изображений у вас могут быть собаки, кошки и ни собаки, ни кошки. Для этой широкой категории существует несколько методов реализации, но их можно использовать в ряде бизнес-кейсов. Его можно использовать, чтобы предсказать, какой продукт порекомендовать пользователю, учитывая прошлую историю и возможное покупательское поведение. Его можно использовать для сбора и упаковки промышленных роботов или для классификации типов пользователей в социальной сети с учетом их группы друзей и определенных интересов.
Регрессия
Регрессия обычно предсказывает число или количество чего-либо. Как долго этот клиент может смотреть телевизор. Или как далеко эта машина проедет в этом году. Ответ представляет собой количество на числовой прямой и может иметь широкий диапазон. Некоторые варианты использования могут помочь определить потребление определенного ресурса, например пропускной способности, энергии, апельсинового сока. Или сколько клиент может потратить с фирмой. Его также можно использовать для оптимизации систем, например: каких размеров должен быть ковер, чтобы понравиться большинству клиентов, или в какое время мы должны отправить это маркетинговое письмо, чтобы получить наилучший ответ.
Генетические алгоритмы
Генетические алгоритмы ближе подходят к области ИИ, хотя я рассматриваю их все как методы решения разных классов задач. ГА берет систему естественного отбора и превращается в вычислительную численную задачу. Необходимо определить три основные вещи. Определение организма (его черты и параметры), способ изменения этого организма от одного поколения к другому (половое размножение, бесполое размножение, случайная мутация) и функция приспособленности (насколько хорошо организм выжил в окружающей среде, в которой он находится). установить). Запускается симуляция, и наиболее приспособленные особи каждого поколения размножаются вместе, чтобы породить следующее поколение. Затем это повторяется до тех пор, пока не будет достигнута желаемая пригодность. Как правило, подходящие люди, если их немного изменить, создадут подходящих людей, одних в большей степени, чем других, так что вы достигнете (по крайней мере) локального оптимума. Легко понять, что это была бы хорошая модель для моделирования и просмотра популяций существ в экосистеме, обладающих определенным метаболизмом, энергией и репродуктивными способностями, но алгоритм гораздо мощнее. Хорошим примером может служить оптимизатор свечей. Чертами могут быть высота, ширина, ингредиенты воска, толщина фитиля. Воспроизведение может быть случайным небольшим изменением или средним из двух (если половое). Фитнес-функцией может быть время сжигания минус стоимость. Затем мы можем запустить эту симуляцию, чтобы определить лучшую свечу с учетом наших параметров. Оптимизация моделей воздушного потока, упаковка, формулы, распределение ресурсов в компании могут быть возможными приложениями.
Турниры
Хотя это и не официальное название метода, похожего на генетические алгоритмы, турниры использовались для постоянной игры против других ИИ в методе метавычислений. Deep Mind много раз использовал эту тактику в Chess, Go, Starcraft. Он создает игровой алгоритм с рядом метапараметров (как это делается, не имеет значения для данного обсуждения, но часто представляет собой глубокую нейронную сеть). Затем он порождает ряд таких алгоритмов с различными параметрами, похожими на организмы в генетическом алгоритме. Затем они все играют друг с другом в турнире. Победители размножаются в генетическом смешении, аналогичном ГА. Турнир выступает в качестве фитнес-функции. Это в значительной степени полезно для состязательных игр, где вы можете противопоставить одно решение другому в смоделированной задаче, чтобы определить одного победителя.
Трансферное обучение
Трансферное обучение использует CNN для одной задачи и без переобучения с нуля может быть использовано для аналогичной задачи. Допустим, у вас есть классификатор изображений для определения наличия собаки или отсутствия собаки. Теперь вы хотите, чтобы он определял кота или нет кота. Вы можете использовать веса в нейронной сети из вашего первоначального обучения, чтобы помочь вам достичь своей цели значительно быстрее. Основная идея заключается в том, что нейронная сеть на более ранних уровнях понимает общие концепции. Что такое линия, или абрис, или мех, или фон, или ножка. Получив эти простые строительные блоки, мы можем перенести их в другую модель для использования в других целях. Этот метод часто используется, когда у вас уже есть решение машинного обучения для одной задачи, и вы хотите расширить его возможности, не вкладываясь в обучение новой модели.
Сожаление Минимизация
Это относительно нишевый метод, который я встречал в покерном мире. Покер — это игра с неполной информацией, в отличие от шахмат или го. Вы не знаете природу активов другого человека, и все же вы должны действовать в своих лучших финансовых интересах. Было обнаружено, что самый простой способ рассчитать и действовать в этом сценарии — использовать минимизацию сожаления или посмотреть на проблему с противоположной точки зрения, не максимизируя доллары, а минимизируя сожаление. Какие действия я должен предпринять на этой улице (колл, бет, фолд), чтобы свести к минимуму мои будущие сожаления или потери? Это может быть полезно для новых исследований в области переговоров, разведки или других несовершенных информационных сценариев.
Заключение
В ML есть множество методов, которые можно использовать в бизнес-приложениях. Глубокое понимание проблемы и правильный выбор метода важнее надежной реализации. Обращайтесь, если вам нужно руководство по проблеме, которую вы решаете.
