Zamiast pisać reguły dla każdej sytuacji, pokazujesz komputerowi przykłady i pozwalasz mu znaleźć wzorce. To jest uczenie maszynowe – algorytmy, które uczą się na podstawie danych, aby tworzyć prognozy. Filtr antyspamowy uczy się na podstawie milionów oznaczonych wiadomości e-mail. Silnik rekomendacji uczy się na podstawie tego, co oglądałeś i co pomijałeś.

Uczenie maszynowe ma trzy główne paradygmaty. Uczenie nadzorowane wykorzystuje dane z etykietami. Uczenie nienadzorowane znajduje strukturę w danych bez etykiet. Uczenie ze wzmocnieniem szkoli agentów za pomocą nagród i kar. Głębokie uczenie wykorzystuje wielowarstwowe sieci neuronowe do obsługi obrazów, mowy i tekstu.

Typowe zastosowania

• Rozpoznawanie obrazów: twarzy, obiektów, skanów medycznych
• Język naturalny: tłumaczenie, chatboty, analiza sentymentu
• Rekomendacje: produkty, filmy, muzyka
• Wykrywanie oszustw: karty kredytowe, roszczenia ubezpieczeniowe
• Systemy autonomiczne: samochody, drony, roboty

Uczenie maszynowe jest potężne, ale niedoskonałe. Modele mogą być stronnicze, kruche i trudne do zinterpretowania. Wymagają dużych ilości czystych danych. Zawodzą w sposób, który ludzie uznają za oczywisty. Dziedzina ta rozwija się szybko. Barierki bezpieczeństwa nie.