Principalul obiectiv al învățării automate este acela de a dezvolta software care poate învăța din experiența anterioară, similar cu modul în care facem noi oamenii. În cele din urmă, pentru a atinge un nivel de inteligență utilizabil, trebuie (1) să învățăm din datele anterioare, (2) să extragem cunoștințe, (3) să generalizăm, adică să ghicim unde se concentrează funcția de probabilitate masa/densitatea, (4) să luptăm cu blestemul dimensionalității și (5) să clarificăm factorii explicativi de bază ai datelor – adică, să dăm sens datelor în contextul unui domeniu de aplicație. Pentru a aborda aceste provocări și pentru a asigura succesul aplicațiilor de învățare automată în diferite domenii, este importantă o abordare integrată a învățării automate. Acest lucru necesită un efort internațional concertat, fără granițe, care să susțină munca colaborativă, intradisciplinară, interdisciplinară și transdisciplinară a experților din șapte domenii, variind de la preprocesarea datelor până la vizualizarea datelor, adică la cartografierea rezultatelor găsite în spații dimensionale arbitrar înalte în spațiile inferioare. dimensiuni pentru a-l face accesibil, utilizabil și util utilizatorului final. O abordare integrată a învățării automate trebuie să ia în considerare, de asemenea, aspectele legate de confidențialitate, protecția datelor, siguranță, securitate, acceptarea utilizatorilor și implicații sociale.
Învățarea automată se ocupă de înțelegerea inteligenței pentru proiectarea și dezvoltarea algoritmilor care pot învăța din date, pentru a obține cunoștințe din experiență și pentru a-și îmbunătăți comportamentul de învățare în timp. Provocarea este de a descoperi modele structurale și/sau temporale relevante („cunoaștere”) în date, care sunt adesea ascunse în spații dimensionale arbitrar mari, astfel încât nu sunt accesibile unui om. Astăzi, învățarea automată este domeniul tehnic cu cea mai rapidă creștere, având multe domenii de aplicație, de exemplu, sănătate inteligentă, fabrică inteligentă (Industria 4.0), etc., cu multe cazuri de utilizare din viața noastră de zi cu zi, de exemplu, sisteme de recomandare, recunoaștere a vorbirii, conducere autonomă, etc. Marile provocări sunt în crearea de sens, în înțelegerea contextului și în luarea deciziilor în condiții de incertitudine. Lumea reală este plină de incertitudini și informații probabilistice – iar inferența probabilistică a influențat enorm inteligența artificială și învățarea statistică. Probabilitatea inversă permite să se deducă necunoscute, să învețe din date și să facă predicții pentru a sprijini luarea deciziilor. Seturi de date din ce în ce mai complexe necesită soluții eficiente, utile și utilizabile pentru descoperirea cunoștințelor și extragerea cunoștințelor.
Big Data: Modele de afaceri – Securitatea megadatelor
Termenul megadate (Big Data, date masive) este adesea folosit în mod vag pentru a desemna paleta de algoritmi, tehnologii și sisteme utilizate pentru colectarea datelor de volum și varietate fără precedent și extragerea de valoare din acestea prin calculul masiv … Citeşte mai mult
Tehnologia Blockchain – Bitcoin
Internetul a schimbat complet lumea, cultura şi obiceiurile oamenilor. După o primă fază caracterizată prin transferul liber al informaţiilor, au apărut preocupările pentru siguranţa comunicaţiilor online şi confidenţialitatea utilizatorilor. Tehnologia blockchain asigură ambele aceste deziderate. Relativ nouă, ea are şansa să producă … Citeşte mai mult
Rețele de comunicații 5G
Datorită impactului său așteptat în economie și societate, a cincea generație de telecomunicații mobile (5G) este una dintre cele mai importante inovații ale timpului nostru. Așteptările cresc cu capacitățile de bandă largă ale 5G, accesibile tuturor și peste tot, la … Citeşte mai mult
Lasă un răspuns