В течение нескольких десятилетий ни одна наука, бизнес или производство не обходились без компьютеров. Каждый день мы используем тысячи рутинных компьютерных процессов, таких как веб-поиск, распознавание речи и текста и фильтрация спама, не подозревая, что большинством этих возможностей мы обязаны такой области информатики, как Машинное обучение (ML).

Машинное обучение считается одним из самых прогрессивных способов в области человекоподобного искусственного интеллекта (ИИ). Инженеры могут применять методы машинного обучения во многих отраслях: автомобилестроении, медицине, генетике, финансах, биоинформатике, маркетинге, играх и т. д. Благодаря машинному обучению мы можем получать точные результаты анализа данных за считанные минуты, чтобы принимать более качественные и быстрые решения.

Наверняка вы заметили, что рекламные разделы на сайтах и ​​в социальных сетях показывают вам товары и информацию, ориентированные на ваши вкусы. Как они узнают, что человек хочет такой смартфон? Ответ таков: когда вы просматриваете веб-сайты, алгоритмы машинного обучения запоминают выбранные вами предпочтения, а затем рекомендуют товары, которые могут вас заинтересовать.

В настоящее время объемы накопленных данных настолько велики, что постоянно растущие объемы данных позволяют строить прогнозные модели для автоматизации процессов принятия даже нетривиальных решений. Цель ученых-компьютерщиков нового века — научить машины находить «правильный ответ», не программируя их напрямую.

Проблема в том, что в отличие от запрограммированных приложений (у которых есть четкие инструкции действий для получения необходимых результатов) алгоритмы машинного обучения могут основываться только на статистике, входных примерах и предыдущем опыте, используя большой (если не бесконечный) набор возможных моделей. На самом деле алгоритмы машинного обучения должны работать так же, как человеческий мозг при поиске ответа.

Машинное обучение — не новая идея в ИТ; однако сейчас он приобретает все большую популярность среди растущего поколения программистов. Разработчики, занимающиеся машинным обучением, могут выбирать из множества готовых решений для построения моделей машинного обучения без необходимости глубокого изучения алгоритмов и технологий. Среди наиболее известных MLaaS — AmazonML, Microsoft AzureML, BigML, Google Prediction API и IBM Watson.

Технологии машинного обучения сейчас активно используются в реальных проектах. Хорошими примерами применения машинного обучения являются:
• Исправление орфографии в поисковых системах
• Рекомендации похожих продуктов
• Рекомендации релевантных статей по предыдущему поиску пользователя
• Анализ информации с устройств Интернета вещей
• Обнаружение мошенничества с кредитными картами
• Языковой перевод в режиме реального времени (например, в Skype, который может в режиме реального времени переводить разговор с одного языка на другой)
• Распознавание текста и голоса , компьютерное зрение
• Обнаружение нежелательной почты
• Распознавание речи на смартфонах и планшетах (Siri, Cortana, Google Now)

Важность машинного обучения для науки и техники будущего очевидна. Понимать потребности и интересы клиентов, быть в курсе мировых экономических тенденций, точнее создавать маркетинговые кампании — вот лишь несколько идей о том, как ML может помочь будущим предпринимателям. Самоуправляемые автомобили, которые, возможно, сделают нашу жизнь более безопасной и экологичной, также используют алгоритмы машинного обучения.

Использование ОД в медицине для более точной и своевременной диагностики, контроля эффекта от приема лекарств, изобретения новых лекарственных препаратов в более короткие сроки — вот что ждет нас с ОД в ближайшем будущем.

А что, если бы компьютер мог заранее предсказать передвижения врага, чтобы правительство могло подготовиться и усилить безопасность? Даже сейчас, когда машинное обучение только в начале своего развития, уже есть проекты, использующие алгоритмы машинного обучения для обхода различных угроз.

Первоначальный источник: http://svitla.com/blog/how_machine_learning_can_change_our_future