2020年3月18日
2020年3月18日
贡献:梅根·Rimol
了解人工智能项目中有监督、无监督和强化机器学习的用例和最佳实践。
从欺诈检测到图像识别再到自动驾驶汽车,机器学习(ML)和人工智能(AI)将彻底改变整个行业。ML和AI一起改变了我们与数据交互的方式,并利用数据实现数字化增长。
毫升是人工智能的一个子集,它使机器能够通过识别数据中的模式来开发解决问题的模型,而不是利用显式编程。学习指的是训练过程——算法识别数据中的模式,然后使用这些模式调整模型,旨在每次提供更准确的输出。ML可以被监督、无监督或强化。
“目前从ML中获得的大部分经济价值都是基于监督学习用例,”他说Saniye Alaybeyi, Gartner的高级总监分析师。然而,非监督学习可能更适合于某些问题——例如,当目标是聚类实体,而标记数据不可用时。强化学习在企业部署中仍然受到限制,但其卓越的精度和瞄准能力在未来很有前景。”
Alaybeyi研究了当今企业AI程序中使用的三种ML类型,以及每种ML可以解决的业务问题。
到2022年,监督学习仍将是企业IT领导者使用最多的ML类型。监督学习在许多商业场景中都是有效的,比如欺诈检测、销售预测和库存优化。
监督学习的工作原理是将已知的历史输入和输出数据输入ML算法。在每一步中,在处理每个输入输出对之后,算法修改模型以创建尽可能接近预期结果的输出。
例如,可以向一个模型输入来自数千笔银行交易的数据,每笔交易都被标记为欺诈或非欺诈。该模型将识别导致“欺诈”或“非欺诈”输出的模式,并随着时间的推移,学会更准确地预测给定的交易是否欺诈。
输入和输出数据可以来自历史数据,通过模拟或通过人工数据标记。在涉及非结构化数据的情况下,如图像、视频、音频或文本,某些属性或分类可以作为输出数据。监督学习可以用于预测、识别数据或对数据进行分类。
监督学习的示例用例包括:
阅读更多:CIO的人工智能指南
无监督学习用于从无历史标记响应的输入数据中开发预测模型。例如,客户列表或一组未标记的照片可以作为无监督学习用例中的输入数据。
无监督学习最常见的应用是聚类和关联问题。聚类产生一个基于某些属性(如颜色)对对象进行分组的模型。关联接受这些集群并识别它们之间存在的规则。
无监督学习的示例用例包括:
无监督学习也可以用来为后续的监督学习准备数据。这是通过识别可用于分类、压缩和降低数据维数的模式或特征来实现的。
强化学习(RL)是基于奖励想要的行为或惩罚不想要的行为。该算法不是一个输入产生一个输出,而是产生各种输出,并根据特定的变量进行训练以选择正确的输出。因此,例如,一个计算机程序可以通过识别导致它比其他玩家得分更多的行为模式来赢得电子游戏。
尽管RL已经存在了几十年,但最近人们对它重新产生了兴趣。RL比监督学习需要更少的管理,使得它更容易处理未标记的数据集。最近在游戏世界中,RL的实现取得了一些成功。然而,实际的RL应用仍在出现。
最新的数据科学和ML平台没有本地的RL功能,它需要比大多数企业可用的更高的计算能力。目前,RL只适用于可以完全模拟的、相当稳定的或有大量相关数据可用的领域。
例子强化学习的用例包括:
人工智能的领导者必须开发出更好的模拟能力,才能让RL被大规模采用。认识到RL的潜在机会,但只在有限的情况下使用它。
加入您的同行,在高德纳会议上揭开最新的见解。
为Gartner客户推荐的资源*:
面向企业的3种机器学习类型作者:Saniye Alaybeyi等人。
*注意,有些文档可能不是所有Gartner客户都可以使用的。