Uczenie nadzorowane i nienadzorowane — rodzaje nauczania maszynowego

# Autonomous Enterprise

Uczenie nadzorowane i nienadzorowane — rodzaje nauczania maszynowego

15.12.2022

Uczenie nadzorowane i nienadzorowane to dwie odsłony uczenia maszynowego. Różnią się zakresem pracy oraz koniecznością kontroli przez człowieka, ale mogą być stosowane równocześnie. Ich użycie w procesach biznesowych poprawia rynkowy potencjał firmy.

Uczenie maszynowe – czym tak naprawdę jest?

Uczenie maszynowe jest podzbiorem sztucznej inteligencji. Pod tym pojęciem kryją się algorytmy automatycznie doskonalące swoje działanie dzięki nabywaniu doświadczenia i wykorzystaniu danych. Innymi słowy, chodzi o mechanizm, za pomocą którego oprogramowanie uczy się na podstawie wprowadzonych informacji oraz może z każdą kolejną operacją pracować lepiej.

Aby uniknąć nieporozumień, należy zauważyć, że uczenie maszynowe, uczenie głębokie i sztuczna inteligencja nie są tym samym. Są ze sobą powiązane, ale każde pojęcie obejmuje inny zakres:

Sztuczna inteligencja łączy w sobie uczenie maszynowe i głębokie.
Uczenie głębokie zawiera się w maszynowym – korzysta z podobnych rozwiązań, ale w inny sposób i w innym obszarze.
Uczenie maszynowe wymaga w pewnym stopniu obecności i kontroli człowieka i pracuje na mniejszych zestawach danych.
Uczenie głębokie może działać bez nadzoru na dużych zasobach.

Uczenie maszynowe – jak działa?

Początków uczenia maszynowego należy szukać w latach 50. i 60. XX wieku, kiedy to Artur Samuel z firmy IBM pracował nad programem szkolącym szachistów. To on wymyślił nazwę machine learning i określił ją jako „zdolność komputerów do uczenia się bez konieczności programowania nowych umiejętności”. Przełomem był opracowany w 1965 roku na Uniwersytecie Stanforda program Dendral, stosowany do analizy i identyfikowania molekuł związków organicznych na podstawie dostarczonych danych.

Algorytmy używane w różnych metodach uczenia maszynowego można podzielić na trzy części:

Proces decyzyjny, w którym w oparciu o dane wejściowe i ich etykiety algorytmy używają ich do klasyfikacji lub predykcji.
Funkcja błędu, która jest stosowana do oceny przewidywań danego modelu.
Proces optymalizacji modelu, w którym dzięki wagom algorytm zmniejsza rozbieżności i zwiększa próg dokładności.

Innymi słowy, uczenie maszynowe to zapamiętywanie wzorców, analiza nowych danych oraz szukanie rozwiązań.

Uczenie nadzorowane i nienadzorowane – jakie są pomiędzy nimi różnice?

Obecnie wyróżnia się wiele rodzajów uczenia maszynowego. Mowa m.in. o drzewach decyzyjnych, uczeniu z przykładów czy uczeniu się zbioru reguł. Wszystkie metody można podzielić na dwie główne części – uczenie nadzorowane i nienadzorowane.

Podstawowa różnica pomiędzy nimi to obecność człowieka w procesie uczenia – w pierwszym wypadku jest konieczna, a w drugim nie. Kolejnym czynnikiem odróżniającym jest obecność etykietowanych danych.

Uczenie nadzorowane – czym się wyróżnia?

Uczenie nadzorowane do trenowania algorytmów wykorzystuje zbiory etykietowanych danych. Na podstawie etykiet algorytmy dopasowują wagi do momentu, gdy cały model będzie odpowiednio skorygowany. Dane analizuje się w procesie walidacji krzyżowej, dzięki czemu można uniknąć niedouczenia i przeuczenia.

Mówiąc inaczej, zestawy danych w uczeniu nadzorowanym łączone są w pary pod postacią wejściowego obiektu uczącego oraz pożądanej odpowiedzi. Na ich podstawie algorytm poszukuje wzorów i generalizacji. Metody stosowane w uczeniu nadzorowanym to m.in. sieci neuronowe, regresja liniowa czy las losowy.

Modele uczenia nadzorowanego stosowane są w dwóch rodzajach problemów:

Klasyfikacji, w której algorytmy dzielą dane na konkretne kategorie, np. odróżniają psy od kotów. Tego typu rozwiązania używa się do filtrowania spamu.
Regresji, gdzie maszyna stara się zrozumieć związek między zmiennymi zależnymi i niezależnymi. Przykład zastosowania tego typu algorytmu to np. prognozowanie przychodów ze sprzedaży.

Jak działa uczenie nienadzorowane?

W przypadku uczenia nienadzorowanego algorytmy korzystają z nieoznaczonych (pozbawionych etykiet) danych. Grupują je i analizują, żeby wykryć wzorce oraz odkryć podobieństwa i różnice. W przeciwieństwie do wcześniej wspomnianego rodzaju uczenie nienadzorowane nie zakłada pojawienia się konkretnych danych wyjściowych. Przykładowe metody stosowane w uczeniu nienadzorowanym to grupowanie k-średnich czy grupowanie probabilistyczne.

Uczenie nienadzorowane wykorzystywane jest w trzech zadaniach:

Grupowaniu, w którym algorytm grupuje nieoznakowane dane na podstawie różnic lub podobieństw, co jest pomocne np. w kompresji obrazów.
Asocjacji, gdzie szuka relacji między zmiennymi, co stosuje się do analiz koszyków rynkowych. Z tą metodą można spotkać się w sklepach internetowych pod postacią rekomendacji.
Redukcji wymiarowości, co sprawdza się przy zbyt dużej liczbie danych. Algorytm zmniejsza je do wykonalnego wymiaru przy zachowaniu integralności. Ten sposób używany jest np. w redukcji szumów w obrazach.

Inne rodzaje uczenia maszynowego

Wyróżnić można jeszcze dwie metody uczenia maszynowego:

Uczenie częściowo nadzorowane. Wykorzystuje ono minimalną liczbę danych etykietowanych i dużą pozbawionych znaczników.
Uczenie wzmocnione, w którym algorytm stosuje metodę prób i błędów do osiągnięcia zamierzonego celu.

Zastosowanie nadzorowanego i nienadzorowanego uczenia maszynowego w praktyce

Uczenie maszynowe jest intensywnie rozwijaną technologią, której używa się w wielu gałęziach przemysłu. Korzystają z niego wyszukiwarki internetowe czy poczta elektroniczna do filtrowania niechcianych wiadomości. Jest również nieodłącznym elementem sklepów internetowych czy platform streamingowych, gdzie jest bazą systemów rekomendacji. Uczenie maszynowe w finansach służy do określania ryzyk inwestycyjnych czy kredytowych. Ponieważ technologia ta szkolona jest do szukania wzorców, stosowana jest w różnych systemach rozpoznających oraz automatycznych translatorach.

Dzięki skalowalności i możliwości modyfikacji uczenie maszynowe można dostosować do wymagań różnych branż. Może być z powodzeniem stosowane w systemach ochrony zdrowia, administracji publicznej czy obsłudze klienta. Jednym z obszarów, w których intensywnie się je wykorzystuje jest automatyzacja przedsiębiorstw, szczególnie w wydaniu holistycznym. Zastosowanie różnych metod uczenia nadzorowanego i nienadzorowanego pomaga we wdrożeniach technologii RPA, co pozwala zautomatyzować większość procesów biznesowych.

Zastosowania uczenia maszynowego w badaniach naukowych i analizie danych

Uczenie maszynowe wydatnie pomaga nauce. Jego wszystkie rodzaje działają na zbiorach danych, więc można je wykorzystywać do analizy, zwłaszcza olbrzymich baz. Mogą poszukiwać wzorów i zależności, a możliwość dopasowania się algorytmów uczenia maszynowego do zmiennego środowiska pozwala na poprawne działanie w przypadku zwiększenia zasobu informacji.

Z perspektywy nauki uczenie maszynowe może wykrywać nieznane zależności. Sprawdzi się w tworzeniu nowych pojęć i reguł oraz przetworzeniu ich w zrozumiałą wiedzę, co może pomóc dziedzinom operującym abstrakcyjnymi terminami, np. astrofizyce czy fizyce wysokich energii.

Perspektywy machine learningu

Uczenie nadzorowane i nienadzorowane to obszary, w których postęp dokonuje się z dnia na dzień. W przyszłości będą wykorzystywane w nauce języków obcych czy w social mediach do walki z cyberprzemocą oraz wyszukiwania szkodliwych treści. W dziennikarstwie algorytmy mogą w przyszłości redagować newsy.

Machine learning poprawia efektywność firm, co widać we wdrożeniach cRPA. Łączą one ze sobą technologie takie jak uczenie maszynowe, data mining, rozumienie języka naturalnego oraz systemy rozpoznawania do stworzenia zautomatyzowanego środowiska pracy. Pozwala to szybciej tworzyć modele, przewidywać wyniki i otrzymywać je w bardziej użytecznej formie.

Wyzwania i problemy w uczeniu maszynowym

Przed uczeniem maszynowym jednak stoją liczne problemy do rozwiązania. Jednym z nich jest ochrona prywatności i bezpieczeństwo danych, co będzie istotne np. w przypadku użycia w administracji publicznej. Nie da się też nie zauważyć wpływu machine learningu na pracę. Automatyzacja kolejnych zadań może doprowadzić do wzrostu bezrobocia i problemów społecznych.

Wyzwania są także natury etycznej. Jednym z najczęściej rozważanych jest technologiczna osobliwość. Nie można wykluczyć sytuacji, w której opracowane przez nas algorytmy staną się inteligentniejsze od nas samych. Wydaje się jednak, że do tego daleka droga, gdyż obecnie stosowane algorytmy uczenia maszynowego są tylko bardzo wyspecjalizowanymi narzędziami i brakuje im ludzkiej kreatywności. Można być za to pewnym, że będą się upowszechniać, gdyż korzyści płynące z ich wdrożenia są większe niż poniesione koszty.