П:
Зашто је огроман број датотека са сликама важан за многе пројекте машинског учења?
А:За компаније које желе да се укључе у своје прве инвестиције у машинско учење (МЛ), цео процес може изгледати мало загонетно и езотерично. Многима је заиста тешко предочити како машинско учење у ствари функционише и шта ће тачно учинити за посао.
У неким случајевима, неко ко истражује машинско учење може имати приличну епифанију кад размотри зашто је велики број слика, сакупљених у уредне дигиталне контејнере, толико важан за МЛ пројекте. То је зато што "имаге филе" концепт помаже у визуелизацији МЛ-а. Размишљање о овоме омогућава нам да разумемо више о томе како ће се овакве технологије врло брзо применити на наш свет.
| Бесплатно преузимање: Машинско учење и зашто је то важно |
Кратки одговор је да су ови велики бројеви датотека слика важни за машинско учење јер представљају скупове тренинга - скупове почетних података на којима рачунар мора да ради док учи. Али има мало више од тога. Зашто су слике толико вредне?
Један од разлога што су слике толико вредне је тај што су научници постигли велики напредак у обради слике. Али осим тога, они су такође постигли напредак у помагању машинама да препознају исходе на основу онога што је приказано на слици.
На пример, свако ко је чуо за дубоко тврдоглаве мреже са генеративним и дискриминативним моторима мало разуме како рачунари могу да читају и разумеју визуелне податке и слике. Не читају пикселе као некада - заправо "виде" слику и идентификују компоненте. На пример, размислите о препознавању лица на Фацебооку - рачунар учи како изгледате и идентификује вас на сликама - као и оне око вас. То је често омогућено помоћу обједињавања многих слика и итеративног тренинга који чини основу за пројекат машинског учења.
Када су заинтересоване стране идентификовале план и концепт, и изашле ван и сакупиле све слике које су релевантне и ставиле их у алгоритме машинског учења, они могу да искористе огромну снагу вештачке интелигенције за покретање пословних процеса.
Компанија може послати веб претраживач на интернет у потрази за сликама које могу садржавати одређеног купца, да направе датотеку која показује идентитет купца и његове преференције и склоности. Компанија можда чак користи ове информације за аутоматизацију директне поште или другог директног маркетинга. Када овако почнете да размишљате, лако је видети како се само тај процес препознавања и препознавања слике може повезати са свим врстама функционалности које ће рачунарима омогућити толико много ствари које су људи навикли да раде за све наша забележена историја. Узимајући пример истраживања купаца, са горе наведеним врстама подешавања, људи уопште не морају да буду укључени: рачунар може „изаћи на мрежу“ и пријавити се својим власницима или власницима података.
За свакога ко је укључен у дубоке воде машинског учења, разумевање концепта масовног вађења података о сликама пружа добар први корак у мапи пута ка искоришћењу моћи машинског учења и проналажењу како да га искористе за добробит предузећа.
