poniedziałek, 30 października 2017

Automatyczne uczenie zwiększa możliwości aplikacji biznesowych

John Soat
Na niedawnym spotkaniu społeczności architektów produktów Oracle (Oracle Product Architects Community) Stephen Green, który jest szefem działu wyszukiwania informacji i automatycznego uczenia w laboratorium Oracle Labs, zamierzał ogólnie przedstawić działalność swojej jednostki. 
Udało mu się omówić tylko trzy pierwsze slajdy. Pozostałą część godziny zajęło mu odpowiadanie na prawdziwy grad pytań dotyczących automatycznego uczenia i potencjalnych sposobów wykorzystania tej specjalistycznej techniki programowania w obszarach, którymi zajmowali się uczestnicy spotkania.

Wzrost zainteresowania zastosowaniem automatycznego uczenia w aplikacjach biznesowych można wyjaśnić, zwracając uwagę na kilka dobrze znanych trendów. Fundamentem jest tu ciągły wzrost mocy obliczeniowej i pojemności pamięci masowej, nie bez znaczenia było też pojawienie się procesorów graficznych — układów obliczeniowych stworzonych z myślą o grach wideo i optymalnie współgrających z modelami automatycznego uczenia. Wraz ze wzrostem mocy obliczeniowej i wielkości pamięci masowej ilość danych gromadzonych przez przedsiębiorstwa poszybowała w górę. To właśnie z tych danych korzystają algorytmy automatycznego uczenia. Służą im one do wyszukiwania wzorców i wykrywania trendów. Im więcej danych mają do dyspozycji algorytmy, tym bardziej przekonujące i wnikliwe są wyniki ich działania.

Jak mówi Amit Ganesh, wiceprezes jednostki zajmującej się rozwojem rozwiązania Oracle Enterprise Manager, firma Oracle stosuje techniki automatycznego uczenia w „każdym aspekcie” platformy Oracle Management Cloud. Jako przykład można tu wymienić usługę, która korzysta z automatycznego uczenia do gromadzenia danych i identyfikowania wzorców w danych dzienników generowanych w czasie rzeczywistym. W ten sposób wykrywa odchylenia i pozwala administratorom szybko rozwiązywać problemy. Inna usługa służąca do monitorowania wydajności aplikacji, nieprzerwanie uczy się zachowań każdego komponentu aplikacji, np. zapytań do serwera WWW. Wykrywa anomalie w czasie rzeczywistym, co ogranicza konieczność ręcznego zarządzania alertami generowanymi przy przekroczeniu zdefiniowanych progów dla setek strumieni wskaźników. „Algorytmy te nie zapewniają jedynie odpowiedzi na pytania operatora, lecz potrafią nieprzerwanie uczyć się zachowań danej aplikacji i z wyprzedzeniem dostarczać użyteczne informacje w przypadku pojawienia się odchylenia od normy” — mówi Amit Ganesh.

Modele automatycznego uczenia można oferować jako usługi przetwarzania w chmurze, za pomocą których firmy mogą zaspokajać własne konkretne potrzeby biznesowe lub technologiczne. To koncepcja stanowiąca podstawę funkcji do analizowania Internetu Rzeczy, wchodzących w skład usługi Oracle Internet of Things Cloud Service. „Głównym zadaniem usługi jest udostępnienie platformy do analizowania IoT, łączącej dane z urządzeń i sprzętu, a także z innych repozytoriów danych lub aplikacji biznesowych” — mówi Bhagat Nainani, wiceprezes ds. inżynierii w firmie Oracle. Jak dodaje, wyspecjalizowane algorytmy analityczne analizują zintegrowane dane i generują użyteczne analizy, dostarczane do kolejnych aplikacji.

Mimo szybkich postępów w stosowaniu sztucznej inteligencji Stephen Green zaleca zachowanie zdrowej dawki sceptycyzmu co do szczególnie szumnie opisywanych możliwości jej przypisywanych, takich jak samoloty pasażerskie bez pilota. „Poświęciłem pracy nad tymi systemami sporą część życia” — mówi. „Oczekiwania stawiane tego typu większym systemom wraz z upływem czasu trzeba formułować powściągliwie”. Nie ma jednak wątpliwości, że techniki sztucznej inteligencji, takie jak automatyczne uczenie, wywrą duży wpływ na architektury informatyczne przedsiębiorstw. Firma badawcza IDC szacuje, że za zaledwie dwa lata około połowa wszystkich opracowywanych aplikacji będzie obejmować sztuczną inteligencję.
Wynika to z faktu, że efekty korzystania ze sztucznej inteligencji i modeli automatycznego uczenia — takie jak większa efektywność, zoptymalizowane procesy i nowe elementy pomagające uzyskać przewagę nad konkurencją — są jak najbardziej realne i wymierne. 
Nie trzeba nam zresztą wierzyć na słowo — wystarczy zapytać Siri.

Kilka przydatnych terminów
  • Sztuczna inteligencja. Zdolność maszyn do wykonania określonego zadania bez wcześniejszego zaprogramowania ich konkretnie z myślą o tym zadaniu. Sztuczna inteligencja jest obecnie ściśle związana z robotyką i umiejętnością wykonywania przez maszyny zadań „ludzkich”, takich jak rozpoznawanie obrazów i przetwarzanie języka naturalnego.
  • Automatyczne uczenie. Algorytm lub zestaw algorytmów, który umożliwia komputerowi wykrywanie wzorców w zbiorze danych i ich interpretowanie w użyteczny sposób.
  • Uczenie nadzorowane. Model automatycznego uczenia, skoncentrowany na interpretacji zbiorów danych w ramach konkretnych parametrów. Przykładem może tu być filtr spamu.
  • Uczenie nienadzorowane. Model automatycznego uczenia, który obejmuje podczas interpretacji cały zestaw danych. Technika ta jest używana w drążeniu danych.
  • Głębokie uczenie. Zestaw algorytmów automatycznego uczenia w architekturze warstwowej, takiej jak sieć neuronowa, który umożliwia interpretację na wysokim poziomie abstrakcji podczas pracy na dużych zbiorach danych. 
  • Sieć neuronowa. Architektura programowa, która potrafi obsługiwać wiele źródeł danych i stosuje warstwy węzłów odwzorowujących neurony na wzór działania systemu nerwowego.
  • Analiza predykcyjna. Model automatycznego uczenia, który interpretuje wzorce w zbiorach danych w celu przewidywania przyszłych wyników. Uwaga: nie wszystkie systemy analizy predykcyjnej stosują automatyczne uczenie lub techniki oparte na sztucznej inteligencji.
John Soat jest doświadczonym autorem w dziale Oracle Content Central. Wcześniej był niezależnym autorem i producentem multimediów, specjalizującym się w zagadnieniach ze styku biznesu i technologii.

Brak komentarzy:

Prześlij komentarz