„Samouczenie” stało się modnym określeniem w firmach z sektora finansowego, marketingowego i bezpieczeństwa. Jednak co to tak naprawdę oznacza i jak to działa? Nie zawsze, ale często poziom skomplikowania nowoczesnej technologii powoduje, że staje się ona synonimem sztucznej inteligencji. Mimo wszystko samouczenie staje się ważną częścią codziennego biznesu jako sposób analizy dużych zbiorów danych i tworzenia założeń na ich podstawie. Ma to wpływ między innymi na monitorowanie przewidywanych zachowań, logistykę i obsługę klienta. Technologie inteligentnych budynków i bezpieczeństwo mogą wiele zyskać dzięki wprowadzeniu urządzeń zdolnych do uczenia się na podstawie otaczającego je środowiska, co może być jednym z głównych atutów nowoczesnych obiektów.
Więcej o uczeniu maszynowym
Uczenie maszynowe występuje w momencie, kiedy komputer – w celu przewidywania pewnych zachowań – wykorzystuje skomplikowane algorytmy przetwarzające dane. Algorytmy są opracowywane przez inżynierów w celu prowadzenia maszyny poprzez proces nauki o środowisku lub sytuacji. Informacje wizualne i numeryczne przechowywane jako metadane są gromadzone i analizowane komputerowo przez Sztuczną Sieć Neuronową (ang. ANN – Artificial Neural Network) w postaci ogromnych zbiorów danych. ANN pozwala urządzeniu nadać sens temu co widzi, a następnie stworzyć założenia na podstawie wcześniejszego zachowania. Podczas przetwarzania informacji przez komputer występują następujące typy uczenia maszynowego:
- Nadzorowany – do urządzenia dostarczane są spróbkowane, oznakowane dane
- Nienadzorowany – do urządzenia dostarczane są spróbkowane, nieoznakowane dane
- Wsparcia – podobny do nienadzorowanego, ale komputer jest „nagradzany” za każdym razem jak znajdzie istotny wzór i dąży do otrzymania jak największej „nagrody”
Samouczenie to rodzaj uczenia maszynowego, który przetwarza wielowarstwową sieć ANN tworząc „głęboką” sieć neuronową. Istnieją dwa rodzaje samouczenia – nadzorowane lub nienadzorowane. Zgodnie z nazwą pierwszy rodzaj angażuje operatora znakującego dane w celu kategoryzacji, a drugi wymaga od urządzenia samodzielnego działania. Przewagą samouczących sieci neuronowych w porównaniu z innymi rodzajami sztucznych sieci neuronowych jest zdolność do nauki kluczowych cech schematów automatycznie. Samouczenie jest idealne do zarządzania dużą ilością danych i może być wykorzystywane do przewidywania pewnych zachowań / trendów. Dodatkowo dokładność analizy zwiększa się, a przewidywanie jest doskonalone dzięki ciągłemu zbieraniu dużych ilości danych przez urządzenie, w celu poprawy funkcjonalności. Samouczące się algorytmy są wykorzystywane na przykład w celu dopasowywania reklam do odbiorców na podstawie wcześniejszych zakupów podobnej grupy osób.
Samouczenie to nie sztuczna inteligencja
Wiele gałęzi przemysłu twierdzi, że ich produkty wykraczają poza samouczenie i są sztuczną inteligencją. To stwierdzenie nie jest zupełnie bez sensu. Kiedy urządzenie się „uczy” i buduje własną wiedze na której opiera swoje działanie, jest uważane za sztuczną inteligencję.
Jednakże, kiedy przyjrzymy się bliżej procesowi samouczenia, „inteligencja” jest tylko tak dobra jak dane pobrane przez sztuczną sieć nerwową ANN. Koncepcja sztucznej inteligencji zakłada, że urządzenie będzie w stanie odróżnić dobre dane wejściowe od złych.
Samouczenie w połączeniu z innymi wysoko zaawansowanymi technologiami powinno być traktowane raczej jako droga do sztucznej inteligencji niż sztuczna inteligencja w pełnym tego słowa znaczeniu.
Zainteresowanie samouczeniem gwałtownie rośnie
Inwestycja w technologię wykorzystującą uczenie maszynowe i samouczenie jest priorytetem dla wielu gałęzi przemysłu. Nowoczesne mechanizmy takie jak strony internetowe i strumieniowanie wideo gromadzą ogromne ilości danych i zamieniają je w metadane znaczenie szybciej niż człowiek. Samouczące urządzenia pobierają te dane i przy pomocy samego komputera lub jego operatorów zamieniają je na informacje użyteczne do wykorzystania. W niektórych przypadkach pozwala to urządzeniu na tworzenie własnych założeń bez pomocy wykwalifikowanego personelu.
Kluczowe statystyki biznesowe:
– patenty z zakresu uczenia maszynowego są trzecią najszybciej rozwijającą się technologią
– wydatki na uczenie maszynowe w 2021 roku przekroczą 57 miliardów dolarów
– oprogramowanie wspierające uczenie maszynowe rozwinie się o 13% do 2021 roku, pozostawiając w tyle analitykę biznesową i analizometrykę
– niemalże 45% użytkowników uczenia maszynowego zanotowało wzmożone zainteresowanie operacjami i danymi biznesowymi
Samouczenie jako sposób na zarządzanie budynkami
Budynki i pomieszczenia z jednej strony muszą zapewnić bezpieczeństwo wielu osobom w ciągu dnia, a z drugiej wymaga się od nich wysokiego poziomu wygody. Ponadto bezpieczeństwo majątku i ważnych pomieszczeń jest priorytetem dla wielu właścicieli budynków. Urządzenia samouczące mogą pomóc zoptymalizować działanie różnych systemów w wielu lokalizacjach, takich jak systemy sterowania mocą i temperaturą. Mogą pomóc również w optymalizacji zasobów ludzkich i zwiększeniu dochodu inwestycji.
Bezpieczeństwo fizyczne
Samouczenie umożliwia elektronicznym urządzeniom służącym do ochrony (kamerom) na automatyzację procesów zachodzących w systemach dozoru wizyjnego, jednocześnie zwiększając szansę na optymalizację działalności biznesu. Zastosowanie samouczenia w wideoanalizie umożliwia programom nagrywającym lepszą identyfikację tego co dzieje się w otoczeniu kamer. Ponadto czujniki stosowane w analizie wideo pozwalają na badanie intensywności ruchu, zatłoczenia i innych kluczowych czynników, których znajomość pozwala pracownikom ochrony na poprawne rozlokowanie urządzeń i personelu.
Inteligentne budynki
Budynki biurowe są od lat wyposażone w „inteligentne” technologie pozwalające na automatyczne otwarcie drzwi, kiedy ktoś się do nich zbliża lub włączenie światła po wykryciu ruchu. Kiedy do tej infrastruktury dodamy urządzenia samouczące, budynek może sam zacząć dobierać ustawienia urządzeń na podstawie danych behawioralnych. Na przykład, jeżeli czujnik taki jak kamera wideo jest w stanie określić właściwą temperaturę na podstawie ilości osób w pomieszczeniu może przesłać tę informację bez konieczności ingerencji człowieka.
Firmy efektywnie wykorzystują samouczenie
Badanie przeprowadzone na 19 firmach pokazało, że 69% z tych firm może zyskać korzyści z technologii samouczenia, wliczając w to: bankowość, sektor socjalny, opiekę zdrowotną, rząd i porty morskie. Oto niektóre z przykładów:
Przewidywanie i monitoring zachowań
Uczenie maszynowe pozwala firmie American Express na szybkie określenie czy doszło do oszustwa podczas transakcji kartą kredytową, poprzez analizę ostatnich transakcji i określenie czy ostatni zakup był wiarygodny.
Przewidywanie i logistyka
Gigant z branży energetycznej – firma BP – używa samouczenia i danych do obserwacji zużycia oleju napędowego i gazu na świecie w celu lepszego poznania potrzeb poszczególnych regionów. To pozwala na efektywne rozlokowanie zasobów.
Obsługa klienta i personalizacja
Netflix używa sieci neuronowych do określenia co tak naprawdę poszczególni klienci lubią oglądać. To pozwala na lepszy dobór rekomendacji i produkcję nowych materiałów na podstawie informacji o tym co sprzedaje się najlepiej.
Podsumowanie
Przedsiębiorstwa, które inwestują w urządzenia samouczące są w stanie osiągnąć więcej i zanotować lepsze zyski z inwestycji niż konkurencja. Dobrze przygotowane sieci neuronowe analizują informacje z kilku źródeł i ułatwiają codzienne czynności dzięki przewidywaniu wcześniej niezauważanych możliwości. Od poprawy obsługi klienta do optymalizacji logistyki samouczące komputery mogą rozwijać wewnętrzne i zewnętrzne operacje biznesowe. Użycie tej technologii w ochronie fizycznej oraz innych systemach zarządzania budynkiem będzie korzyścią personelu i odwiedzających przekształcając przeciętny budynek w inteligentny obiekt.
Opracowano na bazie materiałów Johnson Controls