Johdatus koneoppimisarkkitehtuuriin
Koneoppimisarkkitehtuuri aiheena on kehittynyt viime aikoina fantasiakäsityksestä todellisuuden todistamiseen.
Kuviotunnistusta koskevasta peruslähestymistavasta kehittyi pohjan luominen suuren keinotekoisen älykkyyden foorumin kehittämiselle. Perusajatuksena oli selvittää, kykenevätkö koneet oppimaan heille toimitetuista tiedoista ja kykenevätkö ne tuottamaan toistettavia toimia suuremmalla luotettavuudella ja tehokkaalla päätöksenteolla. Näin voimme määritellä koneoppimisen keinotekoisen älyn haaraksi, joka kouluttaa koneita kuinka oppia. Koneoppimiskyky tekee järjestelmästä, joka pystyy suorittamaan päätöksentekoa ilman käyttäjän nimenomaista panosta. Tämä kyky kehitetään järjestelmään, joka perustuu datatilaan, jota kutsutaan harjoitustiedoksi. Koneoppimisen käyttö on nykyään näkyvää jokaisessa tekniikan kehityksessä, sillä mobiilijärjestelmille voidaan kyetä ehdottamaan valintoja sovelluksissa käyttäjän aikaisempien hakujen perusteella, ravintolapaikkojen tapahtumapohjaiseen valikkoon, ikäperusteiseen junapaikkojen allokointiin, jne. Laajemmassa yhteydessä koneoppimista voidaan pitää ennustavan analytiikan sovelluksena.
Koneoppiminen voidaan määritellä muodollisesti järjestelmän poimittaman tiedon analysointitekniikkaksi ilman mitään nimenomaista määritelmää suorittaa sama havainnointisarjan perusteella.
Koneoppimisarkkitehtuurin tyypit
Koneoppimisarkkitehtuuri voidaan luokitella koulutuksessa käytetyn algoritmin perusteella.
1. Ohjattu oppiminen
Ohjatussa oppimisessa käytetty harjoitustieto on matemaattinen malli, joka koostuu sekä panoksista että halutuista tuotoksista. Jokaisella vastaavalla sisääntulolla on osoitettu lähtö, jota kutsutaan myös valvontasignaaliksi. Käytettävissä olevan harjoitusmatriisin avulla järjestelmä pystyy määrittämään tulon ja ulostulon välisen suhteen ja käyttämään sitä seuraavissa syöttöissä harjoituksen jälkeisissä vaiheissa vastaavan ulostulon määrittämiseksi. Ohjattua oppimista voidaan edelleen laajentaa luokitteluun ja regressioanalyysiin lähtökriteerien perusteella. Luokitteluanalyysi esitetään, kun tuotokset ovat luonteeltaan rajoitettuja ja rajoitettu arvojoukkoon. Regressioanalyysi määrittelee kuitenkin tulosteen numeerisen arvoalueen. Esimerkkejä ohjatusta oppimisesta nähdään kasvojentunnistuksessa, kaiuttimien varmennusjärjestelmissä.
2. Ohjaamaton oppiminen
Toisin kuin ohjattu oppiminen, ohjaamaton oppiminen käyttää harjoitustietoja, jotka eivät sisällä tuotoksia. Ohjaamaton oppiminen tunnistaa relaatiotulon trendien, yhteisten piirteiden perusteella ja tuotos määritetään sen perusteella, onko käyttäjän syötteessä tällaista trendiä vai ei.
3. Vahvistuskoulutus
Tätä käytetään järjestelmän kouluttamiseen päättämään tietystä relevanssikontekstista käyttämällä erilaisia algoritmeja oikean lähestymistavan määrittämiseksi nykyisessä tilassa. Näitä käytetään laajalti peliportaalien kouluttamisessa käyttäjien syötteiden mukaisesti.
Koneoppimisprosessin arkkitehtuuri
Kuva: - Koneoppimisjärjestelmien päätöksentekoarkkitehtuurin lohkokaavio,
Yritetään nyt ymmärtää yllä olevan kuvan edustamat tasot.
1. Tietojen hankinta
Koska koneoppiminen perustuu järjestelmän käytettävissä olevaan tietoon päätöksen tekemiseksi, siis ensimmäinen arkkitehtuurissa määritelty askel on datan hankinta. Tähän sisältyy tiedonkeruu, tapausskenaarioiden valmistelu ja segregaatio tiettyjen päätöksentekojaksoon liittyvien piirteiden perusteella ja datan välittäminen käsittelyyksikölle lisäluokittelun suorittamiseksi. Tätä vaihetta kutsutaan joskus datan esikäsittelyvaiheeksi. Datamalli odottaa luotettavaa, nopeaa ja joustavaa dataa, joka voi olla luonteeltaan diskreetti tai jatkuva. Tiedot siirretään sitten virtausprosessointijärjestelmiin (jatkuvaa dataa varten) ja tallennetaan eräajotietovarastoihin (erillistä dataa varten) ennen kuin ne siirretään datan mallintamis- tai käsittelyvaiheisiin.
2. Tietojenkäsittely
Tiedonkeruukerroksessa vastaanotettu data lähetetään sitten tietojenkäsittelykerrokselle, jossa sille suoritetaan edistynyt integrointi ja käsittely, ja siihen sisältyy datan normalisointi, datan puhdistaminen, muuntaminen ja koodaus. Tietojenkäsittely riippuu myös käytetyn oppimisen tyypistä. Esimerkiksi, jos käytetään ohjattua oppimista, tiedot on tarpeen jakaa useisiin järjestelmän kouluttamiseen tarvittaviin näytedatan vaiheisiin, ja siten luotavaa tietoa kutsutaan harjoittelunäytteenä tai yksinkertaisesti harjoitustiedona. Tietojenkäsittely on myös riippuvainen vaaditusta käsittelyprosessista ja voi sisältää valintoja, jotka vaihtelevat jatkuvasta tiedosta tapahtuvaan toimintaan, johon sisältyy erityisen toimintopohjaisen arkkitehtuurin, esimerkiksi lambda-arkkitehtuurin, käyttäminen. Se voi myös käsittää toiminnan diskreettiin tietoon, joka saattaa vaativat muistiin sidotun käsittelyn. Tietojenkäsittelykerros määrittelee, onko muistin käsittely suoritettava siirrettävään tai lepäämään tietoon.
3. Tietojen mallintaminen
Tämä arkkitehtuurikerros sisältää erilaisten algoritmien valinnan, jotka saattavat mukauttaa järjestelmää vastaamaan ongelmaan, jota varten oppimista suunnitellaan. Näitä algoritmeja kehitetään tai peritään kirjastojoukosta. Algoritmeja käytetään datan mallintamiseen vastaavasti, tämä tekee järjestelmästä valmiita toteuttamisvaiheeseen.
4. Suorittaminen
Tässä koneoppimisvaiheessa kokeilu suoritetaan, testaus on mukana ja viritykset suoritetaan. Yleisenä tavoitteena on optimoida algoritmi koneen vaaditun lopputuloksen purkamiseksi ja järjestelmän suorituskyvyn maksimoimiseksi. Vaiheen tulos on hienostunut ratkaisu, joka pystyy tarjoamaan koneelle tarvittavan tiedon päätöksentekoon.
5. Käyttöönotto
Kuten kaikki muutkin ohjelmistolähdöt, myös ML-lähdöt on aktivoitava tai välitettävä edelleen tutkittavaan käsittelyyn. Tulosta voidaan pitää ei-deterministisena kyselynä, joka on otettava edelleen käyttöön päätöksentekojärjestelmässä.
On suositeltavaa siirtää ML-tuotos saumattomasti suoraan tuotantoon, jossa se antaa koneelle mahdollisuuden tehdä päätöksiä suoraan tuotoksen perusteella ja vähentää riippuvuutta muista etsintävaiheista.
johtopäätökset
Koneoppimisarkkitehtuuri kiinnittää nyt suurta teollisuuden kiinnostusta, koska jokainen prosessi pyrkii optimoimaan käytettävissä olevat resurssit ja tuotokset käytettävissä olevan historiatiedon perusteella. Lisäksi koneoppiminen sisältää merkittäviä etuja tietojen ennustamisessa ja ennustavassa analytiikassa, kun se yhdistetään tietotekniikan tekniikkaan. Koneoppimisarkkitehtuuri määrittelee koneoppimisjaksoon osallistuvat eri kerrokset ja sisältää tärkeimmät vaiheet, jotka suoritetaan raakadatan muuttamisessa koulutustietosarjoiksi, jotka pystyvät mahdollistamaan järjestelmän päätöksenteon.
Suositellut artikkelit
Tämä on opas koneoppimisarkkitehtuuriin. Tässä keskustelimme koneoppimisarkkitehtuurin käsitteestä, prosessista ja tyypeistä. Voit myös käydä läpi muiden ehdotettujen artikkeleidemme saadaksesi lisätietoja -
- Ohjattu oppiminen vs. syväoppiminen
- Mikä on Java-sovellusliittymä?
- Mikä on HBase-arkkitehtuuri?
- Mikä on puskurin ylivuoto?