Se busca: más tipos de aprendizaje automático

ML (aprendizaje automático) es algo útil. Ahora que la computación en la nube pública lo ha hecho barato, veo todo tipo de aplicaciones basadas en la nube que aplican esta tecnología de manera efectiva.

Básicamente, hay tres tipos de aprendizaje automático.

  • Aprendizaje supervisado significa que tenemos que capacitar a la base de conocimiento directamente, proporcionando etiquetas para los datos, como una imagen que sea una persona, animal o planta. Esto tiende a estar más alineado con el uso transaccional de ML, como detectar controles fraudulentos, identificación facial, incluso reconocer patrones en los datos que conducen a un diagnóstico común. Yo uso este tipo de ML sobre todo.
  • L sin supervisiónganador no requiere datos etiquetados para la capacitación. Este tipo de ML puede aprender a agrupar, agrupar y / u organizar los datos como lo haría un humano. He utilizado este tipo de aprendizaje automático para crear motores de recomendación para sitios web que buscan aumentar las ventas al recomendar productos que probablemente interesarían a un cliente.
  • Aprendizaje reforzado realmente está aprendiendo de los errores, al igual que los humanos. Deberá proporcionar algún tipo de señal al motor de conocimiento que asocie los buenos comportamientos con un indicador positivo y los malos comportamientos con uno negativo. La idea es reforzar la preferencia por los buenos comportamientos sobre los malos. Encontrarás este tipo de ML en videojuegos y simulaciones.

Por supuesto, muchos doctores. Las tesis y los artículos académicos identifican otros tipos de inteligencia artificial o LD también. Lo que he enumerado aquí son los tipos compatibles con la mayoría de las herramientas de ML basadas en la nube.

El problema para mí es que los grupos de ML que he mencionado son quizás limitantes. Considere una combinación dinámica de todos los tipos, con el ajuste del enfoque, tipo o algoritmo durante el procesamiento de los datos de entrenamiento, ya sea cargas masivas o transacciones.

El problema son los casos de uso que realmente no se ajustan a estas tres categorías. Por ejemplo, tenemos algunos datos etiquetados y datos no etiquetados, y estamos buscando el motor ML para identificar tanto los datos en sí como los patrones en los datos. La mayoría de nosotros no tenemos datos de entrenamiento perfectos, y sería bueno si el motor de ML pudiera resolverlo por nosotros mismos.

Con algunas excepciones, tenemos que elegir el aprendizaje supervisado o no supervisado y solo resolver una parte del problema, y ​​es posible que no tengamos los datos de capacitación necesarios para que sea útil. Además, carecemos de la capacidad de proporcionar aprendizaje de refuerzo ya que los datos se utilizan en aplicaciones transaccionales, como la identificación de una transacción fraudulenta en curso.

Hay formas de crear un enfoque de "todo lo anterior", pero implica un trabajo bastante pesado tanto para los datos de entrenamiento como para los algoritmos. Esto generalmente implica la tipificación de datos y la aplicación del algoritmo adecuado (tipo de ML) a los datos, tanto en singular como en grupos. Toda esta personalización significa que tendrá que mantener la aplicación ML, los datos y los medios de procesamiento de ML. No desea entrar en ese negocio como TI empresarial.

La llamada aquí es simple: es hora de pensar en lo que sigue para ML como un jugador más grande en el mundo de la IA. Esto significa encontrar nuevas formas de hacerlo de forma más dinámica, con la vista puesta en la flexibilidad.

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *