Machine Learning: miért hasznos, ha a gépek is tanulnak?

Machine Learning: miért hasznos, ha a gépek is tanulnak?

Machine Learning: miért hasznos, ha a gépek is tanulnak?

még több m2m

2 perc

A Dolgok Internetét a többség úgy értelmezi, hogy a hétköznapi tárgyak intelligenssé válnak, illetve rákapcsolódnak a világhálóra. Az viszont még korántsem elég, hogyha ezeket az élettelen tárgyakat „ellátjuk az érzékelés képességével”.

A Qulix Systems üzleti részlegvezetője szerint a fejlődés következő lépcsőjében inkább hagynunk kellene, hogy maga az Internet of Things (IoT) gondolkodjon és tanuljon.

A készülékekre felszerelt szenzorok főleg a környezetükről, valamint az eszköz működéséről gyűjtenek speciális adatokat. Most pedig képzeljen el egy olyan, 10 ezer érzékelővel ellátott okosgyárat, amely folyamatos információáramlást generál. Nem kérdés, hogy ezeket a hatalmas adathalmazokat össze kell gyűjteni, tárolni kell, és kiemelten fontos a megfelelő kezelés, valamint a hatékony elemzés is.

Az információáradat, ahogy a példa is mutatja, ma már megállíthatatlan, és még akkor is nehézséget okoz a megfelelő kezelése, ha egy adott vállalatnál létezik valamilyen elemzési megoldás. A leghatásosabb eszközök ugyanis részben az úgynevezett adattudósok (data scientist) hatáskörébe tartoznak. 

Ezt a koncepciót talán az IBM által meghatározott, a Big Datára vonatkozó négy kulcsszó írja le a legpontosabban; ezek pedig a Volumen, a Változatosság, a Valódi érték és a Gyorsaság. Mindez valójában annyit jelent, hogy a rendkívüli sebességgel (Gyorsaság) növekvő adatmennyiség (Volumen) több különböző forrásból és különféle formátumban (Változatosság) érkezik, ami igen bonyolulttá teszi a valódi értéket képviselő információ elkülönítését az úgynevezett „fehér zajtól” – foglalta össze Alex Arabey, a Qulix Systems szakértője.

Ennek a hihetetlen mennyiségű adatnak az elemzése összetett és időigényes feladat. Emellett ráadásul a piacon egyre égetőbb szükség lesz az adattudósokra. A McKinsey jelentése alapján 2020-ra a munkaerőhiány ezen a területen az Egyesült Államokban meghaladhatja akár a 100 ezer főt is. Ebből kifolyólag elengedhetetlen, hogy a mérnökök minél több időt spóroljanak meg és maximális hatékonysággal végezzék a munkájukat. Ezen a ponton jöhet tehát képbe az elemzési eszközök kombinálása a gépek tanulási képességével, ami „életmentőnek” bizonyulhat. 

A gépi tanulást (ami a mesterséges intelligencia egyik alterülete) úgy lehetne a legpontosabban körülírni, mint az a folyamatot, melynek keretében megtanítunk egy gépet arra, hogy kezeljen egy adott problémát, ahelyett, hogy a megoldásra vonatkozó konkrét utasításokat adnánk neki. Ez hozzájárulhat a „betanítható” programok létrehozásához, amelyek figyelik a mintázatokat, és a viselkedésüket az új adatok fényében változtatják meg. 

Ehhez azért érdemes hozzátenni, hogy míg a gépi tanulás révén a készülékek képesek megoldani adott problémákat, a rendszer kezelését mindig az emberekre kell bízni, hiszen kizárólag ők tudják az adatokat stratégiai és üzleti szemszögből is megvizsgálni. 

Forrás: IoT Now