2. Parę słów o mnie
2
• Od 14 lat lat pracuje w sektorze IT
• Pracowałem dla Lufthansa Systems, GE Money Bank, Datera S.A.
• Zajmowałem stanowiska - programisty, projektanta, kierownika
projektów i szefa działu IT
• Tworzyłem oprogramowanie dla sektora lotniczego, finansowego
i telekomunikacyjnego
• Znam specyfikę działania aplikacji typu Real-Time, OLTP i BI
• Jestem jednym z twórców dużej platformy telekomunikacyjnej
Datera Carrier-eX
3. Agenda
3
• Machine Learning – co to jest i dla kogo?
• Sztuczna inteligencja – jak długo będziemy czekać?
• Typy uczenia
• Typowe problemy rozwiązywane przez ML
• Dlaczego nie jest tak różowo – czyli praktyka ML
• Co my mamy wspólnego z ML?
4. Definicja
4
Machine Learning - Uczenie maszynowe
„Mówimy, że program uczy się w oparciu o doświadczenie E w
przypadku klasy zadań T i miary uczenia P, jeśli jego miara uczenia P
dla zadań T ulega poprawie wraz ze wzrostem doświadczenia”
Tom M.Mitchell
„Uczenie ma charakter adaptacyjny w tym sensie, że pozwalają
systemowi wykonać za następnym razem takie same zadanie lub
zadania podobne bardziej efektywnie”
Herbet Simon
Definicja dla praktyków
5. Jak to jest w przyrodzie..
5
Źródło: Wikipedia
1mm3 -> 30 000 neuronów, 100 milionów synaps
7. Co teraz się dzieje..
7
Human Brain Project - 1.3 mld $
Cel - zrozumieć jak działa mózg
• Neurobiologia
• Medycyna
• Informatyka
Polecam TedTalk
„Henry Markram buduje mózg w superkomputerze.
Henry Markram
Źródło: Wired, Fot. Joachim Ladefoged
8. Co teraz się dzieje..
8
Brain Activity Map – 10 * 300 mln. $
Cel – pomiar i stymulowanie
równocześnie milionów a może
miliardów komórek nerwowych
Barack Obama
źródło: Wikipedia
9. Typy uczenia
9
Uczenie
• Nadzorowane – dane wejściowe + wyjściowe
• Nienadzorowane – tylko dane wejściowe
• Semi-nadzorowane
• Uczenie z wzmocnieniem (ang.reinforcement learning)
10. Problemy dla ML - klasyfikacja
10
Klasyfikacja – przyporządkowanie do grupy na podstawie
atrybutów wejściowych
• Regresja logiczna
• Sieci neuronowe
• K-najbliższych sąsiadów
• Maszyna wektorów nośnych SVM
Przykłady:
• Projekt Google’a - 1000 serwerów (16 000 rdzeni) przetworzyło 1o milionów
obrazków z YouTube w poszukiwaniu kotów
• Rozpoznawanie cyfr pisanych ręcznie
• Wykrywanie spamu
11. Problemy dla ML – predykcja wartości
11
Predykcja wartości – ustalenie wartości dla podanych parametrów
wejściowych
• Regresja liniowa
• Sieci neuronowe
• Maszyna wektorów nośnych
SVM
Przykłady:
• Cena mieszkania w zależności od lokalizacji, metrażu, ilości pomieszczeń
• Ilość produkcji energii elektrycznej z paneli słonecznych w zależności od warunków
meteorologicznych, zabrudzenia itp
12. Problemy dla ML – wykrywanie anomalii
12
Wykrywanie anomalii – pozwala ustalić czy występują „podejrzane
sytuacje”
Przykłady:
• Czy dane połączenie telefoniczne albo transakcja bankowa nie jest próbą oszustwa
• Czy obciążenie łączy sieciowych nie świadczy podejrzanej działalności użytkowników
Godzina
Kwota
13. Problemy dla ML – systemy rekomendacji
13
Systemy rekomendacji – algorytmy próbujące przewidzieć
preferencje użytkownika
Przykłady:
• Zaproponowanie podobnych wykonawców do tego co już słuchaliśmy
• Collaborative filtering
• Content based filtering
14. Kiedy używać / nie używać ML
14
Jeśli jesteś w stanie opisać problem za pomocą
reguł matematycznych nie używaj ML
Stopnie niewiedzy jeśli chodzi o analizowany problem:
• Znamy relacje między wejściem a wyjściem
nie używaj ML
• Wiemy mniej więcej jakie są zależności np. można opisać wielomianem
używaj metod typu regresja liniowa
• Prawie nic nie wiemy o danych i łączących ich relacjach
używaj metod nie wymagających przyjmowanie założeń np. sieci neuronowe
15. Kiedy używać / nie używać ML
15
Źródło: http://peekaboo-vision.blogspot.com/
16. Dlaczego nie jest tak różowo z ML
16
Jakie są problemy w praktyce
• Złożoność obliczeniowa – słaba wydajność
• Skomplikowane algorytmy
• Brak bibliotek nadających się do używania w realnych zadaniach
• Wiele metod jest opracowane przez wielkie koncerny i jest
objęte prawami autorskimi
• Wielu chce, ale niewiele wie o co chodzi
17. Parę słów dlaczego tu jestem
17
• Ponieważ uważam, że ML i generalnie AI to przyszłość
• Ponieważ realizujemy projekt związany z ML i szukamy
ambitnych, zaangażowanych pracowników
rekrutacja@datera.pl