Q:
Hvorfor er enormt mange bildefiler viktige for mange maskinlæringsprosjekter?
EN:For selskaper som ønsker å bli involvert i sine første investering i maskinlæring (ML), kan hele prosessen virke litt kryptisk og esoterisk. For mange mennesker er det virkelig vanskelig å visualisere hvordan maskinlæring faktisk fungerer, og nøyaktig hva det vil gjøre for en bedrift.
I noen tilfeller kan noen som studerer maskinlæring ha en ganske epifati når de vurderer hvorfor et stort antall bildefiler, samlet i pene digitale containere, er så viktige for ML-prosjekter. Det er fordi "image file" -konseptet er med på å visualisere ML. Å tenke på dette lar oss forstå mer om hvordan disse slags teknologier vil bli brukt på vår verden ganske snart.
| Gratis nedlasting: Machine Learning og Why It Matters |
Det korte svaret er at disse store antall bildefiler er viktige for maskinlæring fordi de representerer treningssett - sett med opprinnelige data som datamaskinen må jobbe med etter hvert som den lærer. Men det er litt mer enn det. Hvorfor er bilder så verdifulle?
En grunn til at bilder er så verdifulle, er at forskere har gjort mye fremgang med bildebehandling. Men utover det har de også gjort fremskritt i å hjelpe maskiner med å identifisere utfall basert på hva som er i et bilde.
For eksempel, alle som har hørt om dype gjenstridige nettverk med både generative og diskriminerende motorer, forstår litt om hvordan datamaskiner kan lese og forstå visuelle data og bilder. De leser ikke pikslene som de pleide å gjøre - de "ser" faktisk bildet og identifiserer komponenter. Tenk for eksempel på Facebooks ansiktsgjenkjenning - datamaskinen lærer hvordan du ser ut og identifiserer deg på bilder - så vel som de rundt deg. Dette blir ofte muliggjort gjennom aggregering av mange bilder og iterativ trening som danner grunnlaget for et maskinlæringsprosjekt.
Når interessentene har identifisert en plan og et konsept, og har gått ut og samlet alle bildene som er relevante, og lagt dem inn i maskinlæringsalgoritmene, kan de utnytte den enorme kraften til kunstig intelligens til å drive forretningsprosesser.
Et selskap kan sende en webcrawler ut på internett for å lete etter bilder som kan inneholde en bestemt kunde, for å lage en fil som viser kundens identitet og hans eller hennes preferanser og tendenser. Selskapet kan til og med bruke denne informasjonen til å automatisere direkte mail eller annen direkte markedsføring. Når du begynner å tenke på det slik, er det enkelt å se hvordan akkurat den prosessen med bildegjenkjenning og identifikasjon kan knyttes til all slags funksjonalitet som lar datamaskiner gjøre så mange av tingene som mennesker har vært vant til å gjøre for alt vår innspilte historie. Når vi tar eksemplet på kundeforskning, med de ovennevnte oppsettstypene, trenger ikke mennesker være involvert i det hele tatt: datamaskinen kan "gå ut på nettet" og rapportere tilbake til eierne eller innehaveren av dataene.
For alle som er involvert i å vasse i det dype vannet i maskinlæring, er forståelsen av konseptet med massebildedata utvinning et godt første skritt i et veikart for å utnytte maskinens læringskraft og finne ut hvordan de kan bruke det til fordel for en bedrift.
