सामग्री
- माहिती तंत्रज्ञानाच्या कॉनमधील ऑटोमेशन
- ऑटोमेशन मशीन शिक्षणाचे भविष्य आहे काय?
- कोणतीही दोष नाही, तणाव नाही - आपले जीवन नष्ट न करता जीवन-बदलणारे सॉफ्टवेअर तयार करण्यासाठी चरण चरण बाय चरण
- केस स्टडी
- मशीन लर्निंग मेथ रिप्लेस जॉब
- निष्कर्ष
स्त्रोत: क्रुलुआ / ड्रीम्सटाइम डॉट कॉम
टेकवे:
मशीन लर्निंग ही सिस्टमची स्वतःची प्रोग्रामिंग बदलण्याची क्षमता आहे. पण जेव्हा एखादी व्यवस्था हे करू शकते, तर मानव अजूनही आवश्यक आहे का?
संगणकीय अभ्यासाच्या इतिहासातील मशीन लर्निंग ही सर्वात मोठी प्रगती ठरली आहे आणि आता असे मानले जाते की ते मोठ्या डेटा आणि ofनालिटिक्सच्या क्षेत्रात महत्त्वपूर्ण भूमिका बजावण्यास सक्षम आहे. बिग डेटा विश्लेषण हे व्यवसायांच्या दृष्टीकोनातून एक मोठे आव्हान आहे. उदाहरणार्थ, विविध डेटा स्वरूपांचा प्रचंड प्रमाणात अर्थ काढणे, forनालिटिक्ससाठी डेटा तयार करणे आणि अनावश्यक डेटा फिल्टर करणे यासारख्या क्रियाकलाप बर्‍याच संसाधनांचा वापर करू शकतात. डेटा शास्त्रज्ञ आणि तज्ञांना कामावर ठेवणे ही एक महाग प्रस्ताव आहे आणि प्रत्येक कंपनीच्या माध्यमात नाही. तज्ञांचे मत आहे की मशीन लर्निंग नियमित आणि जटिल दोन्ही विश्लेषणाशी संबंधित अनेक कार्य स्वयंचलित करण्यास सक्षम आहे. ऑटोमॅटिंग मशीन लर्निंग बर्‍याच जटिल आणि नाविन्यपूर्ण नोकर्‍यामध्ये वापरल्या जाणार्‍या बरीच संसाधने मुक्त करू शकते. असे दिसते आहे की मशीन लर्निंग त्या दिशेने जात आहे. (मशीन लर्निंगच्या वापराबद्दल अधिक जाणून घेण्यासाठी, मशीन लर्निंगची आश्वासने आणि नुकसान पहा.)
माहिती तंत्रज्ञानाच्या कॉनमधील ऑटोमेशन
आयटीच्या दृष्टीने ऑटोमेशन म्हणजे भिन्न प्रणाली आणि सॉफ्टवेअरचा दुवा साधणे जेणेकरुन ते कोणत्याही मानवी हस्तक्षेपाशिवाय विशिष्ट कामे करण्यास सक्षम असतील. आयटी उद्योगात स्वयंचलित सिस्टम साध्या आणि जटिल दोन्ही कार्य करू शकतात. एखाद्या साध्या नोकरीचे उदाहरण म्हणजे पीडीएफसह फॉर्म एकत्र करणे आणि कागदपत्र योग्य प्राप्तकर्त्यास जोडणे, जेव्हा ऑफसाईट बॅकअपची तरतूद करणे जटिल नोकरीचे उदाहरण असू शकते.
त्याचे कार्य करण्यासाठी, स्वयंचलित सिस्टमला प्रोग्राम करणे आवश्यक आहे किंवा सुस्पष्ट सूचना देणे आवश्यक आहे. प्रत्येक वेळी स्वयंचलित सिस्टमला त्याच्या नोकरीची व्याप्ती सुधारित करणे आवश्यक असते, प्रोग्राम किंवा निर्देशांचा सेट मनुष्याने अद्ययावत करणे आवश्यक आहे. स्वयंचलित सिस्टम त्यांच्या नोकरीत कार्यक्षम असल्यास, विविध कारणांमुळे त्रुटी येऊ शकतात. जेव्हा त्रुटी उद्भवतात, तेव्हा मूळ कारण ओळखले जाणे आणि सुधारणे आवश्यक असते. अर्थातच त्यांची नोकरी करण्यासाठी स्वयंचलित यंत्रणा पूर्णपणे मानवावर अवलंबून असतात. नोकरीचे स्वरूप जितके गुंतागुंतीचे आहे तितकेच त्रुटी आणि समस्यांची शक्यता अधिक असते.
सहसा स्वयंचलित प्रणालींना रुटीन आणि रिपीटेबल जॉब दिली जातात. आयटी उद्योगात ऑटोमेशनचे सामान्य उदाहरण म्हणजे वेब-आधारित वापरकर्ता इंटरफेसची चाचणी स्वयंचलित करणे. चाचणी प्रकरणांना ऑटोमेशन स्क्रिप्टमध्ये दिले जाते आणि त्यानुसार वापरकर्ता इंटरफेसची चाचणी केली जाते. (मशीन लर्निंगच्या व्यावहारिक वापराबद्दल अधिक माहितीसाठी नेक्स्ट-जनरेशन फ्रॉड डिटेक्शन मध्ये मशीन लर्निंग आणि हडूप पहा.)
ऑटोमेशनच्या बाजूने असा युक्तिवाद केला जात आहे की ते नियमित आणि पुनरावृत्ती करण्यायोग्य कार्ये करतात आणि कर्मचार्यांना अधिक जटिल आणि सर्जनशील कामे करण्यास मोकळे करतात. तथापि, असा युक्तिवाद देखील केला जातो की ऑटोमेशनमुळे बर्‍याच रोजगार किंवा पूर्वी मानवांनी केलेल्या भूमिकांना विस्थापित केले आहे. आता, मशीन लर्निंगने विविध उद्योगांमध्ये प्रवेश मिळविल्याने, ऑटोमेशन पूर्णपणे नवीन आयाम जोडेल.
ऑटोमेशन मशीन शिक्षणाचे भविष्य आहे काय?
यंत्र शिक्षणाचे अतिशय सार म्हणजे सिस्टमद्वारे डेटामधून सतत शिकणे आणि मनुष्यांच्या हस्तक्षेपाशिवाय विकसित होणे ही क्षमता आहे. यंत्र शिक्षण मानवी मेंदूप्रमाणे वागण्यास सक्षम आहे. उदाहरणार्थ, ई-कॉमर्स वेबसाइटमधील एक सिफारिश इंजिन वापरकर्त्याच्या विशिष्ट पसंती आणि अभिरुचीचे मूल्यांकन करू शकते आणि वापरकर्त्याच्या आवडीनुसार सर्वोत्तम उत्पादनांमध्ये आणि सेवांवर शिफारसी देऊ शकते. ही क्षमता दिल्यास, बिग डेटा आणि toनालिटिक्सशी संबंधित जटिल कार्य स्वयंचलित करण्यासाठी मशीन लर्निंगला आदर्श मानले जाते. पारंपारिक ऑटोमेशन सिस्टमच्या मुख्य मर्यादेवर याने आधीच विजय मिळविला आहे जो नियमित मानवी हस्तक्षेपाशिवाय ऑपरेट करू शकत नाही. मशीन लर्निंग अत्याधुनिक डेटा विश्लेषण कार्य पूर्ण करण्यास सक्षम आहे हे दर्शविण्यासाठी अनेक केस स्टडीज आहेत, कारण या लेखात नंतर याबद्दल चर्चा केली जाईल.
आधीच सांगितल्याप्रमाणे, मोठा डेटा विश्लेषण कंपन्यांसाठी एक आव्हानात्मक प्रस्ताव आहे आणि ते अंशतः मशीन लर्निंग सिस्टमवर सोपवले जाऊ शकते. व्यवसायाच्या दृष्टीकोनातून, हे अधिक सर्जनशील आणि गंभीर असाइनमेंटसाठी डेटा विज्ञान संसाधने मोकळे करणे, काम पूर्ण करण्याचे उच्च प्रमाण, कार्य पूर्ण करण्यासाठी कमी वेळ आणि कमी प्रभावीपणासारखे बरेच फायदे मिळवू शकते.
कोणतीही दोष नाही, तणाव नाही - आपले जीवन नष्ट न करता जीवन-बदलणारे सॉफ्टवेअर तयार करण्यासाठी चरण चरण बाय चरण
जेव्हा कोणालाही सॉफ्टवेअर गुणवत्तेची काळजी नसते तेव्हा आपण आपली प्रोग्रामिंग कौशल्ये सुधारू शकत नाही.
केस स्टडी
२०१ 2015 मध्ये एमआयटीच्या संशोधकांनी डेटा सायन्स टूलवर काम करण्यास सुरवात केली जे डीप फीचर सिंथेसिस अल्गोरिदम या तंत्रज्ञानाचा वापर करून कच्च्या डेटाच्या प्रचंड प्रमाणात बाहेर भावी डेटा मॉडेल तयार करण्यास सक्षम आहेत. शास्त्रज्ञांच्या म्हणण्यानुसार अल्गोरिदम मशीन शिक्षणातील उत्कृष्ट वैशिष्ट्ये एकत्रित करू शकतात. शास्त्रज्ञांच्या मते, त्यांनी आधीच तीन वेगवेगळ्या डेटा सेट्सवर अल्गोरिदमची चाचणी घेतली आहे आणि अधिक डेटा सेटमध्ये चाचणीची व्याप्ती वाढविणार आहेत. ते कसे करतात हे वर्णन करताना, संशोधक जेम्स मॅक्स कँटर आणि कल्याण वीरमचनेनी यांनी आंतरराष्ट्रीय डेटा विज्ञान आणि विश्लेषक परिषदेत सादर केलेल्या एका पेपरमध्ये म्हटले आहे, “ऑटो-ट्यूनिंग प्रक्रियेचा उपयोग करून, आम्ही मानवी सहभागाशिवाय संपूर्ण मार्ग ऑप्टिमाइझ करतो, सामान्यीकरणास सक्षम करतो वेगवेगळ्या डेटासेटवर. ”
हे कार्य किती गुंतागुंतीचे आहे हे आपण तपासूया: अल्गोरिदममध्ये अशी क्षमता आहे जी ऑटो-ट्यूनिंग क्षमता म्हणून ओळखली जाते, ज्याच्या मदतीने ते वय किंवा लिंग यासारख्या कच्च्या डेटामधून अंतर्दृष्टी किंवा मूल्य प्राप्त करते आणि त्या नंतर, अंदाजे डेटा मॉडेल तयार करू शकते. अल्गोरिदम जटिल गणितीय कार्ये आणि गौशियन कोपुला म्हणून ओळखला जाणारा संभाव्य सिद्धांत वापरतो. तर, अल्गोरिदम हाताळण्यास सक्षम असलेल्या जटिलतेची व्याप्ती समजणे सोपे आहे. तंत्राने स्पर्धांमध्ये बक्षिसेही जिंकली आहेत.
मशीन लर्निंग मेथ रिप्लेस जॉब
जगातील सर्वत्र अशी चर्चा आहे की यंत्र शिक्षण बर्‍याच नोक jobs्यांची जागा घेईल कारण ती मानवी मेंदूत कार्यक्षमतेने कार्य करीत आहे. वस्तुतः अशी काही चिंता आहे की मशीन शिक्षण डेटा वैज्ञानिकांना पुनर्स्थित करेल - आणि अशा प्रकारच्या आशयाचे कारण असल्याचे दिसते.
सामान्य वापरकर्त्यांकडे ज्यांचेकडे डेटा विश्लेषण कौशल्या नाहीत परंतु अद्याप त्यांच्या रोजच्या जीवनात विश्लेषणाची आवश्यकता असते वेगवेगळ्या डिग्रीमध्ये, विशाल डेटा खंड विश्लेषित करण्यास आणि विश्लेषणे ऑफर करण्यास सक्षम असे संगणक असणे शक्य नाही. परंतु संगणकाला मानवाच्या नैसर्गिक, बोलल्या जाणार्‍या भाषेचा स्वीकार करण्यास व त्यावर प्रक्रिया करण्यास शिकवून नैसर्गिक भाषा प्रक्रिया (एनएलपी) तंत्रज्ञान ही मर्यादा पार करू शकते. अशा प्रकारे, सामान्य वापरकर्त्यास अत्याधुनिक विश्लेषण क्षमता किंवा कौशल्याची आवश्यकता नाही.
आयबीएमचा विश्वास आहे की वॅटसन नैसर्गिक भाषा विश्लेषक प्लॅटफॉर्मद्वारे डेटा वैज्ञानिकांची आवश्यकता कमी किंवा कमी केली जाऊ शकते. वॉटसन ticsनालिटिक्स Businessण्ड बिझिनेस इंटेलिजेंसचे उपाध्यक्ष मार्क अ‍ॅटशुलर यांच्या मते, “वॉटसनसारख्या संज्ञानात्मक प्रणालीद्वारे आपण फक्त आपला प्रश्न आणता - किंवा जर आपल्याकडे काही प्रश्न नसेल तर आपण आपला डेटा फक्त अपलोड कराल आणि वॉटसन त्याकडे पाहू शकेल आणि शोधू शकेल तुम्हाला काय जाणून घ्यायचे आहे. ”
निष्कर्ष
मशीन शिकण्यासाठी ऑटोमेशन ही पुढील तार्किक पायरी आहे आणि आम्ही ई-कॉमर्स वेबसाइट्स, मित्रांच्या सूचना, लिंक्डइन नेटवर्किंगच्या शिफारसी आणि एअरबीएनबी शोध क्रमवारीत - आमच्या रोजच्या रोजच्या जीवनात होणारे परिणाम अनुभवत आहोत. दिलेली उदाहरणे विचारात घेतल्यास, स्वयंचलित मशीन लर्निंग सिस्टमद्वारे उत्पादित केलेल्या आउटपुटच्या गुणवत्तेवर काही शंका नाही. त्याच्या सर्व गुण आणि फायद्यांसाठी, मशीन बरीच बेरोजगारी निर्माण करण्याच्या विचाराने थोडासा दुर्लक्ष होऊ शकेल. मशीन्स अनेक दशकांपासून आपल्या जीवनातील बर्‍याच भागात मनुष्यांची जागा घेत आहेत आणि तरीही, मानवांनी उत्क्रांती केली आहे आणि उद्योगात संबंधित राहण्यासाठी अनुकूलित केले आहे. दृश्यानुसार, मशीन लर्निंग, त्याच्या सर्व व्यत्ययांसाठी, अशीच आणखी एक लाट आहे ज्यानुसार लोक जुळवून घेतील.