Αντί να γράφετε κανόνες για κάθε περίπτωση, δείχνετε σε έναν υπολογιστή παραδείγματα και τον αφήνετε να βρει μοτίβα. Αυτό είναι μηχανική μάθηση — αλγόριθμοι που μαθαίνουν από δεδομένα για να κάνουν προβλέψεις. Ένα φίλτρο ανεπιθύμητης αλληλογραφίας μαθαίνει από εκατομμύρια ετικέτες email. Μια μηχανή προτάσεων μαθαίνει από αυτά που παρακολουθήσατε και αυτά που παραλείψατε.

Η μηχανική μάθηση έχει τρία κύρια παραδείγματα. Η εποπτευόμενη μάθηση χρησιμοποιεί δεδομένα με ετικέτα. Η μη εποπτευόμενη μάθηση βρίσκει δομή σε δεδομένα χωρίς ετικέτα. Η ενισχυτική μάθηση εκπαιδεύει τους πράκτορες μέσω ανταμοιβών και ποινών. Η βαθιά μάθηση χρησιμοποιεί νευρωνικά δίκτυα με πολλά επίπεδα για τη διαχείριση εικόνων, ομιλίας και κειμένου.

Κοινές εφαρμογές

• Αναγνώριση εικόνας: πρόσωπα, αντικείμενα, ιατρικές σαρώσεις
• Φυσική γλώσσα: μετάφραση, chatbots, ανάλυση συναισθημάτων
• Σύσταση: προϊόντα, ταινίες, μουσική
• Ανίχνευση απάτης: πιστωτικές κάρτες, ασφαλιστικές απαιτήσεις
• Αυτόνομα συστήματα: αυτοκίνητα, drones, ρομπότ

Η μηχανική μάθηση είναι ισχυρή αλλά ατελής. Τα μοντέλα μπορεί να είναι μεροληπτικά, εύθραυστα και δύσκολα στην ερμηνεία. Χρειάζονται μεγάλες ποσότητες καθαρών δεδομένων. Αποτυγχάνουν με τρόπους που οι άνθρωποι θεωρούν προφανείς. Ο τομέας προχωρά γρήγορα. Τα προστατευτικά κιγκλιδώματα όχι.