Ερ:
Γιατί είναι τεράστιοι αριθμοί αρχείων εικόνας σημαντικά για πολλά προγράμματα μηχανικής μάθησης;
ΕΝΑ:Για τις εταιρείες που θέλουν να συμμετάσχουν στις πρώτες επενδύσεις μηχανικής μάθησης (ML), η όλη διαδικασία μπορεί να φαίνεται λίγο κρυπτική και εσωτερική. Για πολλούς ανθρώπους, είναι πραγματικά δύσκολο να οραματιστεί κανείς πώς λειτουργεί η μηχανική μάθηση και τι ακριβώς θα κάνει για μια επιχείρηση.
Σε ορισμένες περιπτώσεις, κάποιος που ερευνά την εκμάθηση μηχανών μπορεί να έχει μια μεγάλη επιφανειακή αντίληψη όταν εξετάζει γιατί μεγάλος αριθμός αρχείων εικόνας, που συλλέγονται σε τακτοποιημένα ψηφιακά δοχεία, είναι τόσο σημαντικά για τα έργα ML. Αυτό συμβαίνει επειδή η ιδέα του "αρχείου εικόνας" βοηθά στην απεικόνιση του ML. Η σκέψη για αυτό μας επιτρέπει να καταλάβουμε περισσότερα για το πώς αυτές οι τεχνολογίες θα εφαρμοστούν στον κόσμο μας πολύ σύντομα.
| Δωρεάν Λήψη: Μηχανική Μάθηση και γιατί έχει σημασία |
Η σύντομη απάντηση είναι ότι αυτοί οι μεγάλοι αριθμοί αρχείων εικόνας είναι σημαντικοί για τη μηχανική μάθηση επειδή αντιπροσωπεύουν σύνολα εκπαίδευσης - σύνολα αρχικών δεδομένων που ο υπολογιστής πρέπει να δουλέψει καθώς μαθαίνει. Αλλά υπάρχει κάτι περισσότερο από αυτό. Γιατί οι εικόνες είναι πολύτιμες;
Ένας λόγος για τον οποίο οι εικόνες είναι τόσο πολύτιμοι είναι ότι οι επιστήμονες έχουν σημειώσει μεγάλη πρόοδο στην επεξεργασία εικόνων. Αλλά πέρα από αυτό, έχουν επίσης σημειώσει πρόοδο στο να βοηθήσουν τα μηχανήματα να εντοπίσουν τα αποτελέσματα με βάση το τι υπάρχει σε μια εικόνα.
Για παράδειγμα, όσοι έχουν ακούσει για βαθιά πεισματικά δίκτυα τόσο με γενετικές όσο και με διακριτικές μηχανές κατανοούν λίγο πώς οι υπολογιστές μπορούν να διαβάσουν και να κατανοήσουν οπτικά δεδομένα και εικόνες. Δεν διαβάζουν τα εικονοστοιχεία, όπως συνέβαιναν - πράγματι «βλέπουν» την εικόνα και εντοπίζουν εξαρτήματα. Για παράδειγμα, σκεφτείτε την αναγνώριση προσώπου του Facebook - ο υπολογιστής μαθαίνει τι μοιάζει και σας ταυτοποιεί σε εικόνες - καθώς και σε όσους βρίσκονται γύρω σας. Αυτό γίνεται συχνά μέσω της συσσωμάτωσης πολλών εικόνων και της επαναληπτικής εκπαίδευσης που αποτελεί τη βάση για ένα πρόγραμμα εκμάθησης μηχανών.
Όταν οι ενδιαφερόμενοι έχουν εντοπίσει ένα σχέδιο και έννοια και έχουν βγάλει και συλλέξει όλες τις σχετικές εικόνες και τις βάζουν σε αλγόριθμους μηχανικής μάθησης, μπορούν να εκμεταλλευτούν την τεράστια δύναμη της τεχνητής νοημοσύνης για την εκτέλεση επιχειρηματικών διαδικασιών.
Μια εταιρεία μπορεί να στείλει ένα web crawler στο διαδίκτυο αναζητώντας εικόνες που μπορεί να περιέχουν έναν συγκεκριμένο πελάτη, να δημιουργήσει ένα αρχείο που να δείχνει την ταυτότητα του πελάτη και τις προτιμήσεις και τις τάσεις του. Η εταιρεία μπορεί να χρησιμοποιήσει ακόμη και αυτές τις πληροφορίες για να αυτοματοποιήσει το διαφημιστικό ταχυδρομείο ή άλλο άμεσο μάρκετινγκ. Όταν αρχίζετε να το σκέφτεστε έτσι, είναι εύκολο να δείτε πόσο ακριβώς αυτή η διαδικασία αναγνώρισης και ταυτοποίησης εικόνας μπορεί να συνδεθεί με κάθε είδους λειτουργικότητα που θα επιτρέψει στους υπολογιστές να κάνουν τόσο πολλά από τα πράγματα που οι άνθρωποι έχουν συνηθίσει να κάνουν για όλα το εγγεγραμμένο ιστορικό μας. Λαμβάνοντας το παράδειγμα της έρευνας των πελατών, με τους παραπάνω τύπους ρυθμίσεων, οι άνθρωποι δεν χρειάζεται να συμμετέχουν καθόλου: ο υπολογιστής μπορεί να "βγει στον ιστό" και να αναφερθεί στους ιδιοκτήτες του ή στους κατόχους των δεδομένων.
Για όσους ασχολούνται με το βάδισμα στα βαθιά νερά της μηχανικής μάθησης, η κατανόηση της έννοιας της μαζικής επεξεργασίας δεδομένων εικόνας παρέχει ένα καλό πρώτο βήμα σε έναν οδικό χάρτη για την αξιοποίηση της εξουσίας μάθησης μηχανών και την εξεύρεση τρόπων χρήσης της προς όφελος μιας επιχείρησης.
