2. Dlaczego "uczyć”?
Uczenie maszynowe to programowanie komputerów w
celu optymalizacji kryterium wydajności przy użyciu
przykładowych danych lub wcześniejszych
doświadczeń.
3. O czym rozmawiamy, gdy mówimy o
"Uczeniu”?
• Nauce ogólnych modeli na podstawie danych z konkretnych
przykładów
• Zbudowaniu modelu, który jest dobrym i przydatnym
przybliżeniem danych.
• O danych które są tanie i obfite (hurtownie danych, bazy
danych) a wiedza jest droga i rzadka.
4. Przykłady uczenia maszynowego
• Tworzenie oprogramowania do rozpoznawania
mowy
• Automatyczna nawigacja i sterowanie
• Analiza i klasyfikacja danych
5. Ograniczenia i problemy
zbyt mała lub zbyt duża zależność systemu od
środowiska
wiarygodność i poprawność generowanych
wniosków
niekompletne lub częściowo sprzeczne dane,
niezdefiniowanie ograniczeń dziedzinowych
6. Wiedza generowana przez systemy
powinna spełniać:
podlegać kontroli i ocenie człowieka
system powinien być zdolny do udzielenia
wyjaśnienia w przypadku problemu
wiedza powinna być zrozumiała dla człowieka
8. Gartner przewiduje, że:
• do 2025 roku około 1/3 obecnych zajęć
wykonywanych przez ludzi zostanie zastąpionych
przez inteligentne maszyny i roboty
• do 2020 roku około 85% relacji klientów z
firmami odbywać się będzie bez interakcji z
człowiekiem
• około 80% decydentów uważa, że rozwiązania
sztucznej inteligencji wpływają na wzrost
wydajności pracowników
9. Fakty
•Mastercard wprowadził nową usługę AIExpress,
która pomoże bankom opracować dopasowany
do ich potrzeb model wykorzystania sztucznej
inteligencji do realizacji priorytetów biznesowych
z obszaru bezpieczeństwa
•Dzięki sztucznej inteligencji drony wyposażone w
kamery nauczyły się rozpoznawać agresywne
zachowania w tłumie.
•Dzięki specjalnym algorytmom sztuczna
inteligencja może już czytać ludzkie myśli.
Technologia znajdzie zastosowanie w grach i
biznesie
10. Fakty C. D.
•Alibaba opracowuje system zamówień głosowych
oparty na sztucznej inteligencji dla kawiarni i
restauracji
•Z badań wynika, że AI wykrywa lepiej raka skóry od
dermatologów