5 основных тенденций в области машинного обучения на 2021 год
Одна из технологий, которая со временем становится все более популярной, - это машинное обучение ! В наши дни есть вероятность, что вы слышали о популярности машинного обучения и искусственного интеллекта, если вы каким-либо образом связаны с технологической индустрией (а иногда даже если нет!) Машинное обучение внедряется во все большем количестве компаний, таких как Google. (что ожидается) или даже Netflix (Вау!) и даже более мелкие компании, которые используют алгоритмы машинного обучения для получения информации из данных. Маркетинговые исследования даже предсказывают, что глобальный рынок машинного обучения, который в настоящее время составляет около 7,3 миллиарда долларов в 2020 году, вырастет до 30,6 миллиарда долларов в 2024 году. Это отличная новость для машинного обучения, а также показывает тенденцию к росту в 2021 году для этой технологии.
Существует множество новых инноваций и тенденций в области машинного обучения, которые могут выйти на первый план в 2021 году. Уже сейчас существует множество приложений машинного обучения в отрасли, например, его интеграция с Интернетом вещей, более распространенное использование в таких отраслях, как кибербезопасность, финансы. , Медицина и т. Д. Согласно исследованию Salesforce Research, 83% ИТ-руководителей считают, что машинное обучение и искусственный интеллект меняют взаимодействие с клиентами к лучшему. Это ясно показывает, что популярность ML как технологии только растет.
Итак, по мере того, как мы приближаемся к концу 2020 и началу 2021 года, давайте посмотрим на некоторые из ключевых тенденций машинного обучения, которые могут изменить будущее к лучшему. Эти тенденции демонстрируют не только интеграцию машинного обучения в различные отрасли, но и улучшения самой технологии.
1. Пересечение машинного обучения и Интернета вещей
IoT - это уже устоявшаяся технология, в которой несколько устройств или «вещей» подключены к сети и могут обмениваться данными друг с другом. Эти устройства постоянно растут, и к 2025 году их может быть более 64 миллиардов устройств Интернета вещей. Все эти устройства собирают данные, которые можно анализировать и изучать для получения полезной информации. Вот почему машинное обучение становится таким важным! Алгоритмы машинного обучения могут использоваться для преобразования данных, собранных устройствами IoT, в полезные практические результаты.
Примером этого является Green Horizons, проект, созданный китайской исследовательской лабораторией IBM, цель которого - контролировать уровни загрязнения до более пригодных для дыхания стандартов. Это можно сделать с помощью сети IoT, где датчики собирают выбросы от транспортных средств, уровни пыльцы, направление воздушного потока, погоду, уровни движения и т. Д., А затем используются алгоритмы машинного обучения, чтобы найти лучший способ уменьшить эти выбросы. Пересечение машинного обучения и Интернета вещей также можно увидеть в области интеллектуальных транспортных средств, где беспилотные автомобили должны быть чрезвычайно точными, а все части должны обмениваться данными друг с другом за миллисекунды на дороге. Это показывает, насколько важно сочетание этих технологий. Gartner даже прогнозирует, что к 2022 году более 80% корпоративных проектов IoT будут в той или иной форме использовать искусственный интеллект и машинное обучение, что намного превышает 10% проектов, использующих его в настоящее время.
2. Автоматизированное машинное обучение
Следующий этап развития машинного обучения - это автоматизированное машинное обучение! Это находка для людей, не являющихся экспертами в сложном мире машинного обучения, а также для опытных специалистов по обработке данных и аналитиков. Автоматизированное машинное обучение позволяет этим специалистам по данным создавать модели машинного обучения с более высокой эффективностью и производительностью, сохраняя при этом первоклассное качество.
Таким образом, такой инструмент, как AutoML, можно использовать для обучения высококачественных пользовательских моделей машинного обучения для классификации, регрессии и кластеризации без особых знаний программирования. Он может легко предоставить нужный объем настройки без детального понимания сложного рабочего процесса машинного обучения. Это также может помочь в использовании передовых методов машинного обучения, экономя время и ресурсы. Одним из таких примеров AutoML является автоматизированное машинное обучение, предоставляемое Microsoft Azure, которое можно использовать для создания и развертывания прогнозных моделей.
3. Машинное обучение в кибербезопасности
Поскольку в настоящее время машинное обучение становится все более популярным, оно также расширяет область применения во многих различных отраслях. Одна из самых популярных среди них - индустрия кибербезопасности. Машинное обучение имеет множество приложений в Cyber Security, включая улучшение доступного антивирусного программного обеспечения, борьбу с киберпреступностью, которая также использует возможности машинного обучения, определение киберугроз и т. Д.
Машинное обучение также используется для создания интеллектуального антивирусного программного обеспечения, которое может идентифицировать любой вирус или вредоносное ПО по его ненормальному поведению, а не просто использовать его сигнатуру, как обычный антивирус. Таким образом, интеллектуальный антивирус может идентифицировать старые угрозы от ранее встречавшихся вирусов, а также новые угрозы от вирусов, которые были созданы недавно, путем анализа их благоприятного поведения. Поскольку в наши дни многие компании интегрируют машинное обучение в кибербезопасность, наиболее распространенными примерами этого являются Chronicle, компания по кибербезопасности, которой управляет Alphabet (материнская компания Google), Sqrrl, компания, основанная бывшими сотрудниками Агентства национальной безопасности (страшно!), и т.п.
4. Повышение этики искусственного интеллекта
Теперь, когда искусственный интеллект и машинное обучение находятся на подъеме, не менее важно обсудить этику этих технологий. Очень легко создать интеллектуальную технологию, обладающую способностями к независимому мышлению, но что происходит после? Что, если беспилотный автомобиль убьет человека? Что, если алгоритм машинного обучения смещен в сторону определенных людей из-за смещения данных? Должны ли роботы иметь какие-то права по закону или нет? Что произойдет с рабочими местами людей, если машинное обучение станет более распространенным? Это все этические вопросы, которые важны и нуждаются в более подробном обсуждении в 2021 году.
По поводу этики ИИ уже было много споров. Самый популярный из них произошел, когда Amazon обнаружил, что их алгоритм найма на основе машинного обучения был предвзятым против женщин в 2018 году. Это потому, что он был обучен на данных, где большинство кандидатов были мужчинами, поэтому алгоритм также предпочитал мужчин женщинам. Другой недавний скандал произошел в 2020 году, только когда Google уволил доктора Тимнита Гебру, известного исследователя расовых предубеждений в технологиях, который изучал предвзятость в системах искусственного интеллекта Google.
5. AI Engineering
Все слышали о разработке программного обеспечения, но теперь профессия ИИ-инженерия набирает обороты! Это очень важное событие, потому что интеграция искусственного интеллекта и машинного обучения в отрасли была очень спонтанной и случайной без каких-либо правил передовой практики. Вот почему Gartner даже прогнозирует, что только 53% проектов AI и ML завершают путь от прототипа до полного производства в компании, в то время как остальные 47% терпят неудачу.
Вот где на помощь приходит AI Engineering! Оптимизированная стратегия разработки ИИ для компании обеспечивает отличную производительность, надежность и масштабируемость с помощью алгоритма машинного обучения, который гарантирует окупаемость инвестиций в ИИ. Это включает в себя сильный акцент на DataOps, ModelOps, DevOps и т. Д., Причем проекты искусственного интеллекта являются частью общей стратегии DevOps в компании, а не просто специальной практикой в некоторых проектах.
Заключение
С началом нового года в машинном обучении 2021 будет наблюдаться много новых тенденций. Конечно, 2020 год был годом, которого никто не мог ожидать (и не в хорошем смысле!), Так что кто знает, что на самом деле ждет в 2021 году? Но очевидно, что некоторые тенденции в машинном обучении сохранятся, например, его интеграция во многие новые области, такие как кибербезопасность, финансы и даже здравоохранение. Все больше и больше компаний внедряют машинное обучение, так что эта технология больше не является эксклюзивной для технологических гигантов, таких как Google, Facebook, Microsoft и т. Д. Это также означает, что этика ИИ становится необходимой, поскольку многие компании также имеют советы по этике. Итак, давайте посмотрим, куда пойдет развитие машинного обучения в 2021 году и в будущем!