Padariet mašīnmācīšanos pieejamu visiem

Viena no lielākajām grūtībām, runājot par mašīnmācību, ir kompetences trūkums. Datu zinātnieki tiek izmisīgi meklēti visur. Arī šī iemesla dēļ tikai lielas korporācijas šobrīd var izmantot ML.

Tomēr mašīnmācība nevar pilnībā realizēt savu potenciālu, izmantojot šo ierobežoto izmantošanu. Tehnoloģijai jābūt pieejamai masai. Tāpēc mašīnmācības demokratizācijai ir vislielākā nozīme pētniecībā un attīstībā. Šķēršļi ir jālikvidē un zinātība jānodod visiem uzņēmumiem un iestādēm neatkarīgi no to lieluma. Šī iemesla dēļ ir ļoti svarīgi veicināt atvērtās tehnoloģijas un vienlaikus pamatizglītību, lai sabiedrība sajustu minimālu sajūtu par jauno tehnoloģiju darbību un iespējām.

Tikai tad, kad ir pieejamas pamatzināšanas, tehnoloģiju var izmantot plašā lietojumu klāstā, kas ikdienas dzīvē risina izaicinājumus. Tomēr tas, ka salīdzinoši maz vēl ir ieviests lietojumos, nav saistīts ar tehnoloģiju. Drīzāk nekādas konkrētas programmas nerodas, jo darbinieki vēl nedomā šajā virzienā, lai izstrādātu savas sistēmas uzņēmumam vai iestādei.

displejs

Katrai nodaļai jākļūst par inovāciju laboratoriju

Augšminētie norādījumi vai tā dēvēto inovāciju laboratoriju izveidošana nav pietiekami, lai izstrādātu jaunas koncepcijas. Lai gan tas bieži rada jaunas idejas, reti ir mašīnmācīšanās lietojumprogrammas, kas integrējas esošajās struktūrās un piedāvā svarīgus risinājumus atsevišķām nodaļām un uzņēmumam. Ar pareizu izpratni un bailēm no jaunajām tehnoloģijām katra nodaļa var kļūt par nelielu inovāciju laboratoriju. Speciālistu nodaļas izveido ML sistēmas, kas var uzlabot ikdienas dzīvi. Kad mašīnmācība un mākslīgais intelekts tiek uztverti kā rīki un iespējas, tos var izmantot.

Kur var izmantot mašīnu apguvi

Starp citu, mašīnmācīšanās projekta īstenošana nekādā gadījumā nenozīmē iedziļināšanos programmēšanā. Mūsdienu rīki ļauj apgūt pat sarežģītus uzdevumus ar skaidru virsmu palīdzību un apmācīt savus modeļus. Piemēram, Londonas Zooloģijas biedrība ar kameru slazdiem sagūst tūkstošiem dzīvnieku visā pasaulē. Modelis, kura pamatā ir Google Cloud AutoML Vision, atpazīst šos dzīvniekus un klasificē tos. Ar to zinātniskā sabiedrība var ātrāk iegūt sugu krājumus visā pasaulē un vēl labāk aizsargāt dzīvniekus.

Vienkāršotais ieraksts paver pilnīgi jaunas iespējas. Nereti pabeigtus projektus var realizēt pusdienā. Pamatideja ir bagātināt pat analogi apgabalus ar mašīnmācību, padarot ikvienu par ekspertu, kurš var veidot un apmācīt savas sistēmas. Piemēram, automašīnu mehāniķis var izveidot lietojumprogrammu, kas klasificē krāsas bojājumus pēc fotoattēla. Izmantojot tīmekļa lietojumprogrammu vai lietotni, klienti ar rezervācijām varēja tieši uzzināt, cik daudz varētu izmaksāt remonts. Tas tiešajam klientam nodrošina pilnīgi jaunu pakalpojumu, kas vienlaikus var uzlabot darba kvalitāti.

Pat ja daudzos uzņēmumos joprojām ir liels potenciāls, mašīnmācība mūsdienās ir notikusi ne tikai daudzās nozarēs, bet arī jau ir nostiprinājusies. Bez šaubām, vācu valodā runājošajā pasaulē apstrādes rūpniecība piedāvā vislielākās iespējas mašīnu apguvei.

Tomēr daudzas rūpnīcas ar ražošanas līnijām saskaras ar izaicinājumiem, kas IT tradicionāli nav zināmi: daudzām mašīnām vēl nav tīkla. Zems joslas platums un slikta mobilā uztveršana apgrūtina savienojumu ar lietojumprogrammām mākonī, kur lielās skaitļošanas jaudas dēļ mākslīgās sistēmas ir jāapmāca. Turklāt ir liela jutība pret radiosakaru traucējumiem, piemēram, magnētisko lauku dēļ, kā arī ārkārtīgi augstas drošības un atbilstības prasības. Visas šīs lietas apgrūtina vai šķietami neļauj mašīnu mācīšanos no mākoņa.

Mašīnmācība piedāvā daudzas iespējas

Neskatoties uz to, pastāv pieejas mašīnmācības izmantošanai pat šajos sarežģītajos apstākļos. Šādas sistēmas var palīdzēt optimizēt visu ražošanas procesu vai uzlabot kvalitātes nodrošināšanu. Iedomājieties tikai komponentu vizuālo novērtējumu. Mūsdienu tehnoloģijas piedāvā risinājumus, apvienojot labāko no divām pasaulēm. Izmantojot hibrīdu ML pieeju, sistēma tiek apmācīta mākonī ar maksimālu veiktspēju un pēc tam tiek realizēta lokāli, izmantojot optimizētus mikrodatorus. Pēc tam visu lietu var izmantot ar ļoti zemu latentumu, lai to varētu izmantot arī augstfrekvences ražošanas līnijās.

Viens piemērs ir sīkdatņu un cepumu ražošana. Šeit sīkdatņu kvalitāti pastāvīgi uzrauga kameras. Vai mīkla ir izcepta pareizi, vai arī atsevišķi sīkfaili ir pārāk tumši vai pārāk gaiši? Vai marmelāde tika uzklāta apļveida formā vai arī tā bija plankumaina? Augstas izšķirtspējas video straumes nodrošina mašīnmācīšanās sistēmas ar datiem. Tādā veidā sīkfailus var sakārtot sekundes laikā, kas neatbilst kvalitātes standartam. Asinhroni jauniegūtie dati tiek izmantoti, lai neatgriezeniski uzlabotu modeli un apmācītu to mākonī. Tas ne tikai pastāvīgi palielina sīkdatņu kvalitāti, bet arī tiek paātrināta un uzlabota kvalitātes nodrošināšana.

Šie piemēri parāda mašīnmācīšanās iespējas. Ikviena nozare var gūt labumu no tā un izveidot savas sistēmas, tiklīdz tehnoloģija ir ātri saprotama un ieviesta. Tāpēc mašīnmācībai jābūt pieejamai visiem. Tāpēc tehnoloģijas demokratizācija ir pirmais vissvarīgākais solis, lai realizētu lietojumus un risinājumus visdažādākajās jomās. Tikai tad mašīnmācība var attīstīties tālāk un atklāt daudzo uzņēmumu lielo potenciālu.

Stefans Ebeners (klientu inženiertehniskais vadītājs – mašīnu apguve, EMEA) ir EMEA mēroga mašīnmācīšanās un AI ekspertu grupas vadītājs Google Cloud klientu inženierijai. Viņš arī atbalsta klientus individuālu risinājumu ieviešanā, attīstīšanā un paplašināšanā. Ebeners ir ārštata lektors biznesa informātikā un nodarbojas ar šādām tēmām: ML, AI un Big Data.

Atbildēt

Jūsu e-pasta adrese netiks publicēta. Obligātie lauki ir atzīmēti kā *