Compania Deloitte anunță că algoritmii de învățare mecanică vor fi de două ori mai prezenți în cadrul companiilor până finele lui 2018.
Deloitte a dat publicității rezultatele studiului anual Technology, Media & Telecommunications Predictions. Alături de cercetarea unor domenii de mare actualitate precum evoluția smartphone-urilor sau obișnuințele de consum a conținutului video la tineri, Deloitte scoate la iveală o serie de aspecte deosebit de interesante legate de cea mai actuală nișă a inteligenței artificiale: învățarea mecanică.
Cum era de așteptat, tehnologiile de învățare mecanică se vor dezvolta și răspândi foarte rapid în viitorul apropiat. Cei de la Deloitte spun chiar că numărul acestor tehnologii în zona de business se va dubla, comparativ cu 2017, doar în lunile care au rămas până la sfârșitul acestui an, după care se vor dubla din nou până în 2020.
Companiile mari, care au început deja să acorde atenție inteligenței artificiale, vor avea până la sfârșitul acestui an cel puțin 10 activități și la fel multe proiecte pilot în care este implicată învățarea mecanică.
Învățare mecanică este acea ramură a inteligenței artificiale prin care un sistem de inteligență artificiale devine din ce în ce mai bun ca urmare a unui proces de învățare.
Spre exemplu, în medicină cercetătorii folosesc învățarea mecanică pentru a depista automat prezența timpurie a unor boli, ca urmare a unui proces de învățare în care AI-ul a analizat mii sau zeci de mii de imagini cu și fără markerii bolnavi, pentru a face diferența și a depista zonele cu probleme.
Studiul Deloitte arată că implementarea API-urilor de învățare mecanică și a hardware-ului specializat în infrastructura cloud va ajuta la răspândirea rapidă a acestei tehnologii, care va ajunge să fie accesibilă inclusiv firmelor mici.
La baza accelerării adopției acestei tehnologii stau cinci factori.
Automatizarea procesului științific
Activități precum organizarea și interpretarea datelor, identificarea modelului predictiv și altele care fac parte dintr-un proces ce necesită până la 80% din timpul oamenilor de știință din acest domeniu pot fi automatizate din ce în ce mai mult.
Cu ajutorul instrumentelor de automatizare, productivitatea în domeniul învățării mecanice va crește semnificativ. De exemplu, în loc să dureze mai multe luni, o demonstrație în acest domeniu va putea fi realizată în câteva zile.
Învățarea cu date mai puține
În general, învățarea mecanică necesită foarte multe date pe baza cărora să fie antrenat AI-ul. Culegerea și parcurgerea datelor necesită, evident, timp și bani.
Aici intervin datele sintetice. Pornind de la informațiile reale, pot fi create date sintetice care să reproducă caracteristicile originale sub alte forme și să fie folosite în procesul de învățare. Spre exemplu, un AI poate fi antrenat pe baza unor informații care sunt 20% originale și 80% sintetice, generate pe baza celor originale.
Timpul de învățare mai poate fi redus prin ceea ce specialiștii numesc „învățare prin transfer”. Practic, datele învățate pot fi transferate de la un domeniu similar la altul, cum ar fi informațiile folosite de AI în recunoașterea imaginilor și traducerea automatizată.
Antrenarea accelerată
Hardware-ul specializat va ajuta la reducerea timpului necesar antrenării AI-ului. Vor fi lansate din ce în ce mai multe componente care vor ajuta companiile să grăbească procesul de învățare.
Un bun exemplu vine din partea Microsoft. Un proces de învățare a limbajului conversațional care ar fi durat cinci ani dacă ar fi fost realizat cu procesoare obișnuite, a fost finalizat în doar un an folosindu-se puterea de procesare a plăcilor grafice.
Explicarea rezultatelor
Una din dificultățile specialiștilor constă în imposibilitatea explicării clare a unora dintre concluziile la care ajunge inteligența artificială. Chiar dacă se dovedește că rezultatul este bun, în unele cazuri nu se poate găsi interpretarea 100% corectă a deciziei luate de AI.
Pentru a combate această problemă, cercetătorii de la MIT (Massachusetts Institute of Technology) au realizat o metodă de învățare prin care o rețea neuronală își raționalizează acțiunile, explicând de ce a ales o anumită cale și nu alta.
Integrarea locală
Deși au la bază vaste rețele neuronale, inteligențele artificiale bazate pe învățare mecanică pot fi integrate din ce în ce mai bine în dispozitivele mobile și în cadrul celor care fac parte din sfera Internet of Things.
Astfel, această tehnologie poate fi folosită pentru case inteligente, automobile autonome, smartphone-uri, accesorii inteligente și multe alte produse, inclusiv din zona industrială.
Google, Microsoft și alții folosesc deja modele software pentru unele tehnici precum recunoașterea conținutului din imagini sau traducerile automate pe smartphone-uri și alte dispozitive portabile.
Numărul aplicațiilor în care se folosește învățarea mecanică va crește cu ajutorul smartphone-urilor, care se dovedesc a fi pentru producători instrumente foarte bune de învățare și antrenare a inteligenței artificiale.
Toate aceste considerente vor contribui la dublarea tehnologiilor de învățare mecanică folosite de companiile mari și medii până la sfârșitul acestui an. Mai multe informații despre evoluția învățării mecanice pot fi găsite în studiul Technology, Media & Telecommunications Predictions realizat de Deloitte.
