Automatització: el futur de la ciència de dades i l'aprenentatge automàtic?

L’aprenentatge automàtic ha estat un dels majors avenços de la història de la informàtica i ara es veu que és capaç de jugar un paper important en el camp del big data i l’anàlisi. L’anàlisi de dades massives és un gran repte des d’una perspectiva empresarial. Per exemple, activitats com comprendre el gran nombre de formats de dades diferents, analitzar la preparació de dades i filtrar dades redundants poden requerir recursos. Reclutar especialistes en científics de dades és una proposta costosa i no un mitjà per a un fi per a totes les empreses. Els experts creuen que l'aprenentatge automàtic pot automatitzar moltes de les tasques associades a l'anàlisi, tant rutinàries com complexes. L’aprenentatge automàtic automàtic pot alliberar recursos significatius que es podrien utilitzar per a treballs més complexos i innovadors. Sembla que l’aprenentatge automàtic avança sempre en aquesta direcció.

Automatització en el context de la tecnologia de la informació

A TI, l’automatització és la connexió de diferents sistemes i programes, que els permet realitzar tasques específiques sense cap intervenció humana. A TI, els sistemes automatitzats poden realitzar tasques senzilles i complexes. Un exemple d’un treball senzill pot ser la integració de formularis amb PDF i l’enviament de documents al destinatari correcte, mentre que proporcionar còpies de seguretat fora del lloc pot ser un exemple de feina complexa.

Per fer la vostra feina correctament, heu de programar o donar instruccions clares al sistema automatitzat. Cada vegada que es necessita un sistema automatitzat per modificar l’abast del seu treball, algú ha d’actualitzar el programa o el conjunt d’instruccions. Tot i que el sistema automatitzat és eficaç en el seu treball, es poden produir errors per diversos motius. Quan es produeixen errors, cal identificar i corregir la causa arrel. Clarament, per fer la seva feina, un sistema automatitzat depèn completament dels humans. Com més complexa sigui la naturalesa del treball, més gran serà la probabilitat d'errors i problemes.

Un exemple comú d'automatització a la indústria de TI és l'automatització de proves d'interfícies d'usuari basades en web. Els casos de prova s’introdueixen a l’script d’automatització i la interfície d’usuari es prova en conseqüència. (Per obtenir més informació sobre l'aplicació pràctica de l'aprenentatge automàtic, consulteu l'aprenentatge automàtic i Hadoop a la detecció de fraus de nova generació.)

L’argument a favor de l’automatització és que realitza tasques rutinàries i repetibles i allibera els empleats per fer tasques més complexes i creatives. Tanmateix, també es defensa que l’automatització ha exclòs un gran nombre de tasques o rols realitzats anteriorment per humans. Ara, amb l'aprenentatge automàtic que entra a diverses indústries, l'automatització pot afegir una nova dimensió.

El futur de l'aprenentatge automàtic automàtic?

L’essència de l’aprenentatge automàtic és la capacitat d’un sistema per aprendre contínuament de les dades i evolucionar sense la intervenció humana. L’aprenentatge automàtic és capaç d’actuar com un cervell humà. Per exemple, els motors de recomanacions als llocs de comerç electrònic poden avaluar les preferències i gustos únics de l'usuari i proporcionar recomanacions sobre els productes i serveis més adequats per triar. Donada aquesta capacitat, l'aprenentatge automàtic es veu ideal per automatitzar tasques complexes associades a big data i anàlisi. Ha superat les principals limitacions dels sistemes automatitzats tradicionals que no permeten la intervenció humana de forma regular. Hi ha múltiples estudis de casos que demostren la capacitat de l’aprenentatge automàtic per realitzar tasques d’anàlisi de dades complexes, que es discutiran més endavant en aquest article.

Com ja es va assenyalar, l’anàlisi de dades massives és una proposta difícil per a les empreses, que es pot delegar parcialment en sistemes d’aprenentatge automàtic. Des de la perspectiva empresarial, això pot aportar molts avantatges, com ara alliberar recursos de ciències de dades per a tasques més creatives i de missió crítica, càrregues de treball més altes, menys temps per completar tasques i rendibilitat.

Estudi de casos

El 2015, els investigadors del MIT van començar a treballar en una eina de ciència de dades que pot crear models predictius de dades a partir de grans quantitats de dades brutes mitjançant una tècnica anomenada algorismes de síntesi de característiques profundes. Els científics afirmen que l'algorisme pot combinar les millors característiques de l'aprenentatge automàtic. Segons els científics, l’han provat en tres conjunts de dades diferents i amplien les proves per incloure-ne més. En un document que es presentarà a la Conferència Internacional sobre Ciència i Anàlisi de Dades, els investigadors James Max Kanter i Kalyan Veeramachaneni van dir: “Mitjançant un procés d’ajust automàtic, optimitzem tot el camí sense la participació humana, cosa que li permet generalitzar-se a diferents conjunts de dades”.

Vegem la complexitat de la tasca: l'algoritme té el que es coneix com a capacitat d'ajustament automàtic, amb l'ajut de la qual es poden obtenir o extreure dades o valors de dades brutes (com ara edat o sexe), després de les quals les dades predictives es poden crear models. L'algorisme utilitza funcions matemàtiques complexes i una teoria de probabilitats anomenada còpula gaussiana. Per tant, és fàcil entendre el nivell de complexitat que pot gestionar l'algorisme. Aquesta tècnica també ha guanyat premis en concursos.

L’aprenentatge automàtic podria substituir els deures

S'està discutint a tot el món que l'aprenentatge automàtic podria substituir moltes feines perquè realitza tasques amb l'eficiència del cervell humà. De fet, hi ha certa preocupació pel fet que l'aprenentatge automàtic substituirà els científics de dades i sembla que hi ha una base per a aquesta preocupació.

Per a l’usuari mitjà que no té habilitats d’anàlisi de dades però que té diferents graus de necessitats analítiques a la seva vida diària, no és factible utilitzar equips que puguin analitzar enormes volums de dades i proporcionar dades d’anàlisi. No obstant això, les tècniques de processament del llenguatge natural (PNL) poden superar aquesta limitació ensenyant als ordinadors a acceptar i processar el llenguatge humà natural. D'aquesta manera, l'usuari mitjà no necessita funcions ni habilitats analítiques sofisticades.

IBM creu que la necessitat de científics de dades es pot minimitzar o eliminar a través del seu producte, la plataforma d’anàlisi del llenguatge natural Watson. Segons Marc Atschuller, vicepresident d’anàlisi i intel·ligència empresarial de Watson, “amb un sistema cognitiu com Watson, només heu de fer la vostra pregunta o, si no teniu cap pregunta, només pengeu les vostres dades i Watson la pot mirar. i dedueix el que potser voldries saber. ”

Conclusió

L’automatització és el següent pas lògic de l’aprenentatge automàtic i ja experimentem els efectes en la nostra vida quotidiana: llocs de comerç electrònic, suggeriments d’amics de Facebook, suggeriments de xarxes de LinkedIn i classificacions de cerques d’Airbnb. Tenint en compte els exemples donats, no hi ha dubte que això es pot atribuir a la qualitat de la producció produïda pels sistemes automatitzats d'aprenentatge automàtic. Malgrat totes les seves qualitats i beneficis, la idea de l’aprenentatge automàtic que provoca una desocupació enorme sembla una mica excessiva. Les màquines han estat substituint els humans en moltes parts de la nostra vida durant dècades, però els humans han evolucionat i s’han adaptat per mantenir-se rellevants en la indústria. Segons la visió, l'aprenentatge automàtic per a totes les seves molèsties és només una onada més a la qual les persones s'adaptaran.


Hora de publicació: 03-agost-2121