Q:
Hvorfor er et stort antal billedfiler vigtige for mange maskinlæringsprojekter?
EN:For virksomheder, der ønsker at blive involveret i deres første investering i maskinlæring (ML), kan hele processen virke lidt kryptisk og esoterisk. For mange mennesker er det virkelig svært at visualisere, hvordan maskinlæring faktisk fungerer, og nøjagtigt, hvad det vil gøre for en virksomhed.
I nogle tilfælde kan nogen, der undersøger maskinlæring, have en ganske epifoni, når de overvejer, hvorfor et stort antal billedfiler, samlet i pæne digitale containere, er så vigtige for ML-projekter. Det skyldes, at "billedfil" -konceptet hjælper med at visualisere ML. At tænke på dette giver os mulighed for hurtigt at forstå mere om, hvordan disse slags teknologier vil blive anvendt på vores verden.
| Gratis download: Machine Learning og Why It Matters |
Det korte svar er, at dette store antal billedfiler er vigtige for maskinlæring, fordi de repræsenterer træningssæt - sæt oprindelige data, som computeren skal arbejde på, når den lærer. Men der er lidt mere ved det end det. Hvorfor er billeder så værdifulde?
En af grundene til, at billeder er så værdifulde, er, at forskere har gjort meget fremskridt med billedbehandlingen. Men ud over det har de også gjort fremskridt med at hjælpe maskiner med at identificere resultater baseret på hvad der er på et billede.
F.eks. Forstår enhver, der har hørt om dybe stædige netværk med både generative og diskriminerende motorer, lidt om, hvordan computere kan læse og forstå visuelle data og billeder. De læser ikke de pixels, som de plejede at gøre - de "ser faktisk" billedet og identificerer komponenter. Tænk for eksempel på Facebooks ansigtsgenkendelse - computeren lærer, hvordan du ser ud, og identificerer dig på billeder - såvel som dem omkring dig. Dette muliggøres ofte gennem sammenlægning af mange billeder og iterativ træning, der danner grundlaget for et maskinindlæringsprojekt.
Når interessenterne har identificeret en plan og et koncept og er gået ud og samlet alle de relevante billeder og placeret dem i maskinlæringsalgoritmerne, kan de udnytte den enorme magt af kunstig intelligens til at køre forretningsprocesser.
Et firma kan muligvis sende en webcrawler ud på Internettet på udkig efter billeder, der kan indeholde en bestemt kunde, for at oprette en fil, der viser kundens identitet og hans eller hendes præferencer og tendenser. Virksomheden kan endda bruge disse oplysninger til at automatisere direkte mail eller anden direkte markedsføring. Når du begynder at tænke på det på denne måde, er det let at se, hvordan netop denne proces med billedgenkendelse og identifikation kan knyttes til alskens funktionalitet, der lader computere gøre så mange af de ting, som mennesker har været vant til at gøre for alle vores indspillede historie. Ved at tage eksemplet på kundeforskning med ovenstående typer opsætninger, behøver mennesker slet ikke at være involveret: computeren kan "gå ud på nettet" og rapportere tilbage til dens ejere eller indehavere af dataene.
For enhver, der er involveret i at vade sig ind i det dybe farvande i maskinlæring, er forståelsen af konceptet med massebilleddata-udvinding et godt første skridt i et køreplan til at udnytte maskinens læringskraft og finde ud af, hvordan man bruger det til gavn for en virksomhed.
