Продолжая с того места, где мы остановились в прошлый раз, было обсуждение некоторых примеров того, какие проекты можно реализовать с помощью машинного обучения, а какие нет.
Беспилотный автомобиль
Возьмем пример с самоуправляемым автомобилем. Можем ли мы сопоставить наши предположения или знания по этому проекту, давайте выясним.
Первый вопрос: можно ли за секунды идентифицировать машину и как далеко она от нас?
Ну для людей да, это возможно. Даже нормальный человек видит, на каком расстоянии находится автомобиль от автомобиля, который он видит, или приблизительное расстояние между двумя автомобилями, которые он видит на дороге. Таким образом, такие системы можно создавать с помощью искусственного интеллекта.
Второй вопрос: можем ли мы получить много данных, содержащих фотографии автомобилей и измеренные расстояния от них (очевидно, для этого используются специальные технологии)?
Технически это возможно, и на самом деле мы можем получить огромное количество таких данных, что удовлетворяет еще одному условию нашего обучения.
Система распознавания жестов человека
Еще одним кандидатом на роль нашего беспилотного автомобиля является распознавание человеческого жеста.
Ну, это может быть полицейский или любой представитель правоохранительных органов, который просит остановить машину. Любой случайный человек, который просит подвезти и т. д. Давайте выясним, могут ли люди распознать его за секунды или нет.
Во-первых, можете ли вы решить в течение секунды или миллисекунды, если кто-то жестикулирует, чтобы остановить машину, просит подвезти или предупреждает вас, должен ли он двигаться влево или вправо?
Честно говоря, некоторые из вас могут сначала сказать, что мы можем, но поверьте мне, иногда это самая запутанная вещь, и поэтому ее нельзя сделать в течение, по крайней мере, секунды. Это не может быть хорошим кандидатом для проекта искусственного интеллекта.
Во-вторых, можем ли мы иметь много данных о таких жестах? Ответ положительный, но опять же, это зависит от того, насколько четкими и четкими являются жесты и насколько хорошо модель сделана для идентификации между такими жестами. Даже если нам каким-то образом удастся этого добиться, результаты могут быть точными или неожиданными, если быть точным.
Сильные и слабые стороны машинного обучения
Машинное обучение, как правило, работает хорошо, когда:
Изучение относительно «простой» концепции.
Это лучше объяснить на приведенных выше примерах, где, если концепция проста, ее можно изучить с помощью машинного обучения без каких-либо проблем.
Доступно много данных
Чем больше у нас данных (релевантных), тем лучше работает модель машинного обучения. Но это не всегда так, как в случае с системой распознавания жестов человека.
С другой стороны, машинное обучение работает плохо, когда:
Изучение сложных концепций из небольших объемов данных
Изучение сложных понятий, таких как выявление пневмонии на рентгенограмме грудной клетки, не так просто, особенно если входные данные для модели сильно отличаются от изображений в наборе данных.
Попросили выполнить на новом типе данных
Если модель вводится с новым типом данных, который сильно отличается от того, какой тип данных использовался для обучения модели.
Заключение
Есть много примеров, которые подтверждают наши предположения, и многие, которые не подтверждают и, следовательно, не являются хорошими проектами искусственного интеллекта.
Далее мы обсудим проект «Поток машинного обучения» и то, как его следует планировать, а пока продолжайте учиться.
