Maskiner Watch Du Surf Web

{h1}

Maskinindlæring gør det muligt for annoncører at målrette tilføjelser hos os, og det har potentialet til at gøre meget mere.

Der er noget der kommer via Wi-Fi, som du ikke bad om. Det ser hvad du gør. Det er der, når du åbner disse "private" e-mails eller post på en venns væg. Det taler til dig, selvom du ikke er klar over det. Og hvad er værre, du taler tilbage.

Men ingen gemmer sig bag din computerskærm og sporer dine bevægelser i hemmelighed gennem nettet. Denne opgave er blevet overladt til computere og en teknik kaldet maskinindlæring.

"[Maskinindlæring] påvirker den slags internetannoncering, du ser på Amazon.com, men de fleste mennesker er ikke klar over, at det er den underliggende teknologi," siger Dr. Cecily Heiner, som har arbejdet på uddannelsesværktøjer, der involverer maskinindlæring, ved universitetet i Utah.

Så hvis du har bemærket, at nogle annoncer ser ud til at vide, hvad du har været i, er du ikke paranoid. Du er på noget.

De ser dig

Mange af de annoncer, du ser online, vises af maskinlæringssystemer, ofte betegnet agenter, hvis formål er at "lære", hvordan folk bruger internettet. De sammenligner din aktivitet med alle andres for at afgøre, om du er mere tilbøjelig til at reagere på en annonce til kropsvask eller en for sexet kropsvask. Hvis agenten får det rigtigt, og du klikker på en annonce, annullerer annoncen udgiveren (tror Google, Yahoo eller Facebook) et gebyr til annoncøren. Annoncører er villige til at betale meget for at få deres annoncer vist (op til $ 70 pr. Klik for nogle Google AdSense-søgeord), hvilket giver udgivere rigelig grund til at investere i maskinlæringsforskning.

Uanset om du finder målrettede annoncer fristende eller irriterende, er maskinindlæring ikke kun for internettet. "Vi er omgivet af computerbaserede systemer, der påvirker vores hverdag," siger Dr. Itamar Arel, direktør for Machine Intelligence Lab ved University of Tennessee.

Maskinindlæringsteknikker anvendes i øjeblikket i bilnavigationssystemer, støjreducerende headset og reduktion af røde øjne i kameraer. Arel fokuserer på maskinindlæringsalgoritmer, der hjælper læger med at tolke medicinske billeder. Han håber at udvikle maskiner, der lærer lige så godt, hvis ikke bedre end os mennesker. Ifølge Arel skal en god radiolog undersøge ca. 1.000 tilfælde af godartede og ondartede vækst, inden han bliver dygtig.

"Vi forsøger at efterligne den samme evne. [Giv et stort antal eksempler] kan vi lære systemet at lære, hvad man skal kigge efter i sig selv?"

Efterhånden som computerens strømforøgelse øges, kan de samme maskininlæringsmidler være i stand til at diagnosticere kræft hurtigere og med mindre træning end endda de bedste radiologer.

Hvordan maskiner lærer

Maskinindlæringssystemer kommer ikke ud af kassen og kender til dit helbred eller din yndlingsbog. I stedet begynder de meget som os: søde og dumme. Ligesom skolebørn lærer aritmetik fra en lærer, kan nogle agenter bruge enkle eksempler og feedback for at lære at henvende sig til mere komplicerede oplysninger. Andre lærer ved erfaring, lagrer konsekvenserne af deres "beslutninger" og trækker på dem, når de står over for lignende situationer. På nogen måde kan disse maskiner fange mønstre i de data, de er givet. Når det kommer til at placere annoncer, giver dette dem mulighed for hurtigt at komme ind på dine kan lide og ikke lide, så dit næste klik er deres gør. [Roboter kunne erstatte lærere]

På trods af sin ubiquity har maskinindlæring begrænsninger. Fordi meget af maskinindlæring forsøger at efterligne menneskelig læring betyder vores ufuldstændige forståelse af den menneskelige hjerne, at undervisning i en maskine for at "lære at lære" er lettere sagt end færdig. I modsætning til os kan maskinindlæringsprogrammer kun omhandle et begrænset antal oplysninger. Den software, der bestemmer hvilke annoncer du ser, kan ikke køre dine støjreducerende hovedtelefoner eller få et problem på en røntgen af ​​hovedet. Og hvis der gives for meget information for tidligt, kan en maskine blive fanget i detaljerne og ikke lære at fange mønstre overhovedet.

Image-tolkningsmaskiner som Arels kan ikke behandle hele billeder på en gang, men må vade gennem dem pixel ved pixel. Mens du kan tage billedets rige på et overblik, foretrækker computere de tusind ord. Som forskere fortsætter med at lære om menneskelig adfærd, vil forskere som Arel fortsætte med at oversætte disse resultater til maskiner, der svarer til verden mere som vi gør.

Online reklame, medicin og andre aktuelle anvendelser er kun toppen af ​​isbjerget. "Jeg formoder, at der i 10 år vil være mindst en [maskinlæring] komponent i næsten ethvert forbrugerelektronik produkt," sagde Arel.


Video Supplement: Pancake Machine.




DA.WordsSideKick.com
All Rights Reserved!
Reproduktion Af Materialer Tilladt Kun Prostanovkoy Aktivt Link Til Webstedet DA.WordsSideKick.com

© 2005–2019 DA.WordsSideKick.com