Machine learning / Gépi tanulás

A gépi tanulás az a folyamat, amelynek eredményeként egy gép olyan információkból is képes helyes következtetésre jutni, amilyeneket korábban még nem látott.

A gépi tanulás a Mesterséges Intelligencia (MI) egyik alterülete, aminek során olyan rendszereket hozunk létre, amik képesek tanulni: azaz a tapasztalatokat tudássá konvertálni, és e tudás alapján jó döntéseket hozni. 

Tipikusan így működnek a kézírást felismerő, és szerkeszthető szöveggé alakító rendszerek. Nincs két egyforma kézírás, ezek az eszközök mégis képesek felismerni a betűket és azokat összekapcsolva bevinni a rendszerbe. Sőt, ezek a rendszerek szótárakat használva felismerik a szavakat is, javítják az elírásokat, vagy pótolják azokat a karaktereket, amiket igazából fel sem ismertek. 

Ugyanígy a gépi tanuláson alapulnak a levelezési rendszerünkből a spamet kiszűrő alkalmazások is.  Amikor egyes leveleket spamnek jelölünk, valójában arra kérjük az algoritmust, hogy elemezze ennek a levélnek a tartalmát, találjon benne olyan mintázatokat (szavak használata, feladó, képek, stb. alapján), amik az ilyen levelekre jellemzők, de a többi levelünkre nem, és ha legközelebb hasonlót talál, helyezze azt is spambe.  

A gépi tanulás kulcsa az adat (lásd: a dolgok internete és Big Data) Tapasztalatainkat ugyanis adatok segítségével közölhetjük a gépekkel, amely ezek alapján szabályokat hoz létre. A dolog kulcsa, hogy ma már ezeket a szabályokat a gép állítja fel, mi pedig – ahogy a spam esetében – csak példákat adunk neki ehhez. 

Az elmúlt évtizedben mind több területen ismerik fel ennek jelentőségét, és kezdik lehetővé tenni, hogy rendelkezésre álljanak a gépi tanulás számára nélkülözhetetlen adatok. Gépeinkben egyre több szenzor gondoskodik arról, hogy használható adatok keletkezzenek: például a közlekedésben, hogy melyik kereszteződésben, milyen forgalmi helyzet várható. 

A gépnek ehhez múltbeli adatokra és azok elemzésére van szüksége, hogy tudja, milyen a normális forgalom, és milyen okok idézhetnek elő ettől való eltérést, és azoknak mi lesz a következménye egy adott kereszteződésre nézve. Ezekből az információkból a rendszer képes lehet átállítani nemcsak az adott kereszteződés forgalmi rendjét, de akár egy egész városrészét is. 

A modell tetszőlegesen kiterjeszthető ipari folyamatokra (ipar4.0), akár egész termelési láncokra, vagy a kereskedelemre is, mindenütt jelentős haszonnal kecsegtet, és lehetővé teszi az emberi tényező, és vele együtt az ember által okozott hibák kiszűrését is.