P:
Zašto je ogroman broj slikovnih datoteka važan za mnoge projekte strojnog učenja?
A:Za tvrtke koje se žele uključiti u svoja ulaganja u prvo strojno učenje (ML), cijeli se postupak može činiti pomalo sumornim i ezoteričnim. Mnogima je zapravo teško zamisliti kako strojno učenje zapravo radi i što će točno učiniti za posao.
U nekim slučajevima, netko tko istražuje strojno učenje može imati priličnu epifaniju kad razmotri zašto je veliki broj slikovnih datoteka, sakupljenih u urednim digitalnim spremnicima, toliko važan za ML projekte. To je zato što koncept "slikovne datoteke" pomaže u vizualizaciji ML-a. Razmišljanje o ovome omogućava nam da razumemo više o tome kako će se ovakve tehnologije primijeniti na naš svijet vrlo brzo.
| Besplatno preuzimanje: Strojno učenje i zašto je to važno |
Kratki je odgovor da je ovaj veliki broj slikovnih datoteka važan za strojno učenje jer predstavljaju skupove treninga - skupove početnih podataka na kojima računalo mora raditi dok uči. Ali ima malo više od toga. Zašto su slike tako vrijedne?
Jedan od razloga što su slike tako vrijedne je taj što su znanstvenici postigli veliki napredak u obradi slike. Ali osim toga, oni su također postigli napredak u pomaganju strojevima da prepoznaju rezultate na temelju onoga što je prikazano na slici.
Na primjer, svatko tko je čuo za duboko tvrdoglave mreže s generativnim i diskriminativnim motorima razumije malo o tome kako računala mogu čitati i razumjeti vizualne podatke i slike. Ne čitaju piksele kao nekada - zapravo "vide" sliku i identificiraju komponente. Na primjer, razmislite o prepoznavanju lica na Facebooku - računalo uči kako izgledate i prepoznaje vas na slikama - kao i one oko vas. To je često moguće prikupljanjem mnogih slika i iterativnim treningom koji čini osnovu za projekt strojnog učenja.
Kad su dionici identificirali plan i koncept, otišli van i prikupili sve relevantne slike i stavili ih u algoritme strojnog učenja, oni mogu iskoristiti ogromnu snagu umjetne inteligencije za pokretanje poslovnih procesa.
Tvrtka može poslati web pretraživač na internet u potrazi za slikama koje mogu sadržavati određenog kupca, kako bi stvorio datoteku koja prikazuje identitet kupca i njegove sklonosti i sklonosti. Tvrtka čak može upotrebljavati te podatke za automatizaciju izravne pošte ili drugog izravnog marketinga. Kad ovako počnete razmišljati, lako je vidjeti kako se samo taj proces prepoznavanja i prepoznavanja slike može povezati sa svim vrstama funkcionalnosti koje će računalima omogućiti toliko mnogo stvari koje su ljudi navikli raditi za sve naša zabilježena povijest. Uzimajući primjer istraživanja kupaca, s gore navedenim vrstama postavki, ljudi uopće ne moraju biti uključeni: računalo može "izaći na web" i izvijestiti svoje vlasnike ili nositelje podataka.
Za one koji su uključeni u duboke vode strojnog učenja, razumijevanje koncepta masovnog iskopavanja podataka o slikama pruža dobar prvi korak u mapi puta ka iskorištavanju moći strojnog učenja i pronalaženju kako to iskoristiti u korist poduzeća.
