Et av hovedtrekkene ved menneskelig intelligens er å kunne innlemme læring og å bli smartere over tid da nye data blir integrert i hjernens kunnskapsbase.

Tradisjonelt betraktes ikke datamaskiner som intelligente, da de har spektakulære beregningsevner, må de programmeres ganske nøyaktig for å utnytte denne kraften, og har ingen evne til å integrere læring. I stedet må de omprogrammeres for å omfatte forbedringer - ofte angitt som Program 2.0 for å betegne den nyere og forhåpentligvis en bedre versjon av programvaren som kjører på datamaskinen.

Maskininnlæring er grenen av databehandling som inkorporerer algoritmer for å analysere data som innleses, og via statistisk analyse kan det foretas en prognose for en utgang, samtidig som det innlemmes nye data etter hvert som det blir tilgjengelig for å oppdatere den spådde utgangen.

Algoritmen tillater med andre ord at datamaskinen innlemmer nye data, og oppdaterer sin algoritme over tid, slik at læring effektivt finner sted. En nært beslektet, og noen ganger betraktet nesten synonymt term, er kunstig intelligens - selv om noen vil hevde at kunstig intelligens anses å være den bredere termen av hvilken maskinlæring som er en undertype.

Setningsmaskininnlæringen dateres tilbake til 1959, da Arthur Samuel, en pioner innen dataspill og kunstig intelligens og en professor ved Stanford University, definerte det som “evnen til å lære uten å være eksplisitt programmert”.

Checkers champ

Han hadde interesse for maskinlæring med hensyn til brikker, som han oppfattet som et ideelt emne på grunn av enkelheten i spillet. På grunn av mangelen på tilgjengelig datakraft på den tiden, i stedet for å forsøke å kjøre alle muligheter, brukte algoritmen alfa-beta beskjæring (en variant av Minimax-algoritmen) for å velge et trekk basert på posisjonen til stykkene, inkludert stedet av kongestykker, og sannsynligheten for en seier.

Han satte teorier i praksis i 1961 da hans program vant en kamp mot Connecticut-statsskriverens mester, betraktet som den fjerde rangerte spilleren i landet på det tidspunktet, utlånt troverdighet til sitt arbeid.

Dette banet vei for mer banebrytende arbeid innen maskinlæring. Dette inkluderer den berømte 1997-kampen der IBMs supercomputer Deep Blue, etter et innledende tap året før, klarte å slå verdensmester Garry Kasparov i en serie kamper i det mer komplekse spillet av sjakk.

Enda nylig i 2016 tok Google det enda mer kompliserte spillet Go, et populært kinesisk brettspill kjent for sitt høye nivå av strategi. Ved å bruke AlphaGo-algoritmen for maskinlæring, et produkt fra Google DeepMind, ble en profesjonell spiller slått i en imponerende fem påfølgende spill.

Maskininnlæring har blitt brukt på mer enn bare spill. I 2012 på Google X Labs ble en maskinlæringsalgoritme designet for å gå gjennom YouTube-videoer, og identifisere selvstendig de som har en katt i videostrømmen. I 2014 hadde Facebook en maskinlæringsalgoritme, DeepFace, som kunne matche bilder av ansikter til en person med over 97% nøyaktighet, som nærmer seg prestasjonen til et typisk menneske når det gjelder oppgaven.

For å lette flere prosjekter, debuterte Microsoft sin distribuerte Machine Learning Toolkit i 2015, som for øyeblikket inkluderer distribuert (multi-sense) Word Embedding for høy kvalitet naturlig språkbehandling.

Teknologien til maskinlæring har også blitt brukt på roboter og deres evne til å utføre komplekse oppgaver autonomt. Det har vært interesse for militære applikasjoner, og dette har forårsaket mange tekniske luminarier, inkludert Stephen Hawking og Steve Wozniak, for å sende et åpent brev til FN.

Deres bekymring er at weaponized machine learning representerer en “tredje revolusjon i krigføring”. På den annen side lover autonome teknologier å gjøre bilene tryggere å kjøre, og dette ble nylig presentert med teknologien implementert i et klassisk kjøretøy, en 1965 Ford Mustang, på Goodwood Festival of Speed.

Bedriftsfordeler

Bedrifter har også omfavnet maskinlæring, og et eksempel på dette er automatiserte chatbots som reduserer nivået av kundeinteraksjon med dyrere kundestøtteansatte.

Det er også en trend å bevege seg bort fra telefoninteraksjonsmenyer (“trykk en for dette, trykk to for det”) som generelt irriterer kunder, mot tekstinteraksjon. For eksempel, sent i 2017 debutte Royal Bank of Scotland sin nye AI chatbot, Luvo, et nettpratverktøy som dukker opp på bankens nettsted og spørre om kunden har spørsmål.

Målet er å få Luvo til å hjelpe 10% av kundene, med muligheten til å svare på enkle spørsmål direkte, og lede andre med mer kompliserte problemer til riktig human agent for å gi mer definitiv hjelp. Tanken er at ved å ha Luvo håndtere enklere oppgaver, frigjør dette menneskelige rådgivere for de mer kompliserte kundeproblemer.

Denne spesielle virtuelle chatbot er drevet av IBMs Watson Conversation-verktøy, allment betraktet som en av de mest avanserte AI-motorer, med en bestemt styrke i naturlig språkgjenkjennelse. Denne innlemmelsen av maskinlæring i form av en chatbot på Royal Bank of Scotland, drevet av kostnads- og tidsbesparelser for kundeservice, er en del av en bredere trend, som andre selskaper har tatt med åpenbare utbytte. Imidlertid stopper Facebook sin tekstbaserte chatbot, M, tidligere i år, så overgangen er nesten ikke sømløs som levedyktige applikasjoner for denne teknologien er søkt.

Musikk i ørene

Maskininnlæring har også blitt brukt til streaming av musikk på nettet. Over på Spotify, den sprawling on-demand musikk tjenesten med over 100 millioner brukere, gjelder firmaet maskinlæring for å streame musikk som passer til din musikalske smak. Spesielt populært er Spotify 'Discover Weekly' -funksjonen som har det som synes å være en håndplukket liste med sanger basert på dine lyttevaner - som en god venn som kjenner dine lyttevaner, og gjør en blandingstape for å introdusere deg til nye artister.

Imidlertid oppnås dette gjennom maskinlæringsalgoritmer som inneholder data fra samarbeidsfiltrering som analyserer lytteadferd og lignende fans, sammen med naturlig språkbehandling som inkorporerer tekst og lydanalyse av sporene direkte.

Alle disse dataene går gjennom selskapets maskinlæringsalgoritme for å generere disse musikkopptakene, og dette bidrar utvilsomt til Spotifys popularitet - mens noen konkurrerende tjenester, som Songza og Pandora, velger sanger basert på å manuelt merke dem uten tilleggsdataene som Spotify sysselsetter.

Med maskinlæring som er i stand til de beste menneskelige mestere i flere strategiske brettspill, har kraften i disse algoritmene som kan innlemme nye data i deres beslutningsprosess blitt tydelig demonstrert. Og nå har ulike næringer, fra kundeservice, gjennom autonom kjøring, til kurert musikkstrømning, vist kraften til å inkorporere maskinlæringsalgoritmer også.

  • Slik brukte Google maskinlæring til å finne det første solsystemet som vår egen