Вместо того чтобы писать правила для каждой ситуации, вы показываете компьютеру примеры и позволяете ему находить закономерности. Это и есть машинное обучение — алгоритмы, которые учатся на данных, чтобы делать прогнозы. Спам-фильтр учится на миллионах размеченных электронных писем. Система рекомендаций учится на том, что вы смотрели, а что пропускали.

В машинном обучении выделяют три основные парадигмы. Обучение с учителем использует размеченные данные. Обучение без учителя находит структуру в неразмеченных данных. Обучение с подкреплением обучает агентов с помощью вознаграждений и штрафов. Глубокое обучение использует нейронные сети со множеством слоев для обработки изображений, речи и текста.

Типичные приложения

• Распознавание изображений: лица, объекты, медицинские снимки.
• Естественный язык: перевод, чат-боты, анализ настроений.
• Рекомендация: товары, фильмы, музыка
• Выявление мошенничества: кредитные карты, страховые выплаты
• Автономные системы: автомобили, дроны, роботы

Машинное обучение — мощный, но несовершенный метод. Модели могут быть предвзятыми, ненадежными и сложными для интерпретации. Им необходимы большие объемы чистых данных. Они дают сбои, которые очевидны для человека. Эта область быстро развивается. Но механизмы контроля остаются на прежнем уровне.