Wielu rodziców miało nieszczęście nadepnąć boso na zapomniane klocki Lego swoich dzieci. Jednak holenderski programista
Jacques Mattheij miał kolejną wpadkę związaną z kolorowymi plastikowymi klockami — a mianowicie niechcący wygrał ponad dwie tony tych klocków podczas nocnej szaleńczej licytacji na eBayu.
Aby jak najlepiej wykorzystać tę sytuację, Mattheij stworzył proces uczenia maszynowego, który sortował tysiące klocków Lego według kształtu i koloru. Uczenie maszynowe, termin ukuty w 1959 roku przez informatyka Arthura Samuela, pozwala komputerom rozpoznawać wzorce i „uczyć się” analizować dane bez konieczności wyraźnego programowania w tym zakresie.
Mattheij skonfigurował system przenośników taśmowych i pojemników, przez które klocki przechodziły „
obok kamery połączonej z komputerem, na którym działa klasyfikator obrazów oparty na sieci neuronowej”, jak podaje Mental Floss. Sieci neuronowe, czyli sztuczne sieci neuronowe, zazwyczaj składają się z kilku połączonych ze sobą komputerów. Zostały zaprojektowane tak, by naśladować neurony ludzkiego mózgu, co ma na celu nauczenie komputerów podejmowania decyzji na wzór człowieka.
Gdy algorytm Mattheija wyszkolił komputer do rozpoznawania klocków Lego na podstawie określonych parametrów, system przenośników mógł umieszczać elementy w oddzielnych pojemnikach.
program komputerowy jest również stale aktualizowany w miarę jak gromadzi coraz więcej danych dotyczących klocków Lego, w tym informacji o uszkodzonych, wyblakłych i podrobionych klockach Lego.
Eksperymenty z zakresu uczenia maszynowego i sztuki
Wyniki uczenia maszynowego mogą brzmieć jak science fiction, ale szybko stają się częścią naszego codziennego życia. Algorytmy stanowiące podstawę procesów uczenia maszynowego pomagają serwisowi Amazon przewidywać nasze kolejne zakupy, a serwisowi Netflix – polecać filmy i seriale. Korzystane przez nas wyszukiwarki, takie jak Google, wykorzystują przetwarzanie języka naturalnego – kolejną formę uczenia maszynowego – do określenia intencji stojącej za naszymi zapytaniami.
Uczenie maszynowe uczy nawet komputery, jak oglądać filmy i wyciągać z nich wnioski. Instytut Geeny Davis ds. Równouprawnienia Płci w Mediach, przy wsparciu Google, wykorzystał niedawno uczenie maszynowe do śledzenia
stronniczość płciowa w najpopularniejszych filmach fabularnych z lat 2014, 2015 i 2016.
Wcześniej naukowcy musieli oglądać filmy jeden po drugim i zapisywać wyniki — było to bardzo pracochłonne zadanie. Dzięki uczeniu maszynowemu komputery mogły jednak oglądać filmy, klasyfikować twarze pojawiające się na ekranie oraz analizować, czy mówiące postacie to mężczyźni, czy kobiety.
Oprócz badań nad uprzedzeniami związanymi z płcią przemysł filmowy wykorzystał również uczenie maszynowe przy pomocy systemu IBM Watson. Watson, który brał udział w konkursie i wygrał w
Jeopardy! W 2011 roku przeanalizowano 100 horrorów, aby stworzyć wyjątkowy zwiastun filmowy.
Uczenie maszynowe firmy Google
eksperymenty wkraczają nawet w świat sztuki. Użytkownicy mogą rysować w Autodraw, a Google uzupełni rysunek – na przykład sprawiając, że niedbale narysowany kot faktycznie wygląda jak kot – lub wypróbować aplikację Google QuickDraw, która pomaga maszynie nauczyć się rozpoznawać wspomniane rysunki. Google oferuje również aplikacje, które pozwalają użytkownikom grać na fortepianie w duecie z maszyną, tworzyć teksty piosenek na podstawie zdjęć oraz korzystać z „nieskończonego automatu perkusyjnego” do tworzenia kakofonii codziennych dźwięków sortowanych przez uczenie maszynowe.
Uczenie maszynowe w świecie biznesu
Procesy uczenia maszynowego mają jednak szersze zastosowanie niż tylko w popkulturze. Mogą one wpływać nawet na codzienne życie w miejscu pracy.
The
Harvard Business Review z badania wynika, że inwestycje przedsiębiorstw w sztuczną inteligencję (AI) mają się w tym roku potroić, a do 2025 r. rynek ten osiągnie wartość 100 miliardów dolarów. Firmy wykorzystują tę technologię w najróżniejszych obszarach – od obsługi klienta i utrzymania klientów po zarządzanie zasobami ludzkimi i logistykę łańcucha dostaw.
W 2017 roku firma EagleView przejęła OmniEarth, firma zajmująca się opracowywaniem technologii uczenia maszynowego oraz narzędzi wspomagających podejmowanie decyzji dla sektorów gospodarki wodnej, infrastruktury energetycznej i ubezpieczeń. Technologie te umożliwiają identyfikację obiektów i cech terenu widocznych na obrazach geoprzestrzennych.
Technologie uczenia maszynowego mogą pomóc firmie EagleView w rozpoznawaniu stanu dachu, zwisających gałęzi drzew oraz innych elementów na zdjęciach Pictometry.
EagleView’s
Zdjęcia z wykorzystaniem technologii Pictometry® Baza danych zawiera setki milionów zdjęć i ponad 60 petabajtów (60 000 terabajtów) danych. Wykorzystując te zasoby w połączeniu z nowymi technologiami uczenia maszynowego, EagleView może szybciej pozyskiwać dane z tych zdjęć. Funkcje te obejmują stan i materiał pokrycia dachowego, zwisające gałęzie drzew, przeszkody roślinne oraz obecność basenów.
Zautomatyzowane procesy oparte na uczeniu maszynowym sprawiają, że żmudne sortowanie, kategoryzowanie i analizowanie szybko stają się przeszłością. Wykorzystując te osiągnięcia, możemy szybciej uzyskiwać dane pomocne w podejmowaniu kluczowych decyzji – niezależnie od tego, czy chodzi o to, co zrobić z dwiema tonami klocków Lego, czy też o obliczenie ryzyka i stanu milionów nieruchomości.