Koneet Katso Web-Surffaa

{h1}

Koneiden oppiminen antaa mainostajille mahdollisuuden kohdistaa lisäyksiä meihin, ja sillä on mahdollisuus tehdä paljon enemmän.

Wi-Fi-verkossa on jotain, jota et kysy. Se seuraa mitä teet. Se on siellä, kun avaat nämä "yksityiset" sähköpostit tai lähetät ystävän seinälle. Se puhuu sinulle, vaikka et ymmärrä sitä. Ja mitä pahempaa, puhut takaisin.

Mutta kukaan ei piiloutu tietokoneesi näytön taakse, salaa seurata liikkumisesi verkon kautta. Tämä tehtävä on jätetty tietokoneisiin ja tekniikkaan nimeltä koneoppiminen.

"[Koneen oppiminen] vaikuttaa sellaiseen Internet-mainontaan, jota näet Amazon.com-sivustolla, mutta useimmat ihmiset eivät tiedä, että se on taustalla oleva teknologia", sanoo Cecily Heiner, joka on työskennellyt oppimateriaaleissa,, Utahin yliopistossa.

Joten jos olet huomannut, että jotkut mainokset näyttävät tietävän, mitä olet tehnyt, et ole paranoidinen. Olet jotain.

He katsovat sinua

Monet online-mainoksista näytetään konekielisten oppimisjärjestelmien avulla, joita kutsutaan usein agentiksi, joiden tarkoituksena on "oppia", miten ihmiset käyttävät Internetiä. He vertaavat toimintaa kaikkien muiden kanssa selvittääksesi, oletko todennäköisemmin vastannut mainosprosessiin vai toiseen seksikäs kehonpesu. Jos edustaja saa sen oikein ja klikkaat mainosta, mainostajan julkaisija (ajatella Google, Yahoo tai Facebook) perii mainostajalle maksun. Mainostajat ovat valmiita maksamaan paljon, jotta he voivat näyttää mainoksiaan (yli 70 dollaria klikkausta kohti joidenkin Google AdSense -haun avainsanoja), ja julkaisijoille on runsaasti syytä investoida koneoppimiseen.

Olipa kohdistettuja mainoksia houkutteleva tai ärsyttävää, koneoppiminen ei ole vain Internetissä. "Meitä ympäröivät atk-pohjaiset järjestelmät, jotka vaikuttavat jokapäiväiseen elämäänmme", totesi Tennesseen yliopiston koneenhallinnosta vastaavan johtaja Itamar Arel.

Koneiden oppimistekniikoita käytetään tällä hetkellä autojen navigointijärjestelmissä, melunvaimennuskoneissa ja punasilmäisyyden vähentämisessä kameroissa. Arel keskittyy koneiden oppimisalgoritmeihin, jotka auttavat lääkäreitä lääketieteellisten kuvien tulkitsemisessa. Hän toivoo kehittävänsä koneita, jotka oppivat yhtä hyvin, jos eivät ole parempia kuin me ihmiset. Arelin mukaan hyvän radiologin on tarkasteltava noin 1 000 hyvää ja pahanlaatuista kasvua, ennen kuin hän tulee ammattitaitoiseksi.

"Yritämme jäljitellä samaa kykyä. [Ottaen huomioon lukuisia esimerkkejä] voimmeko opettaa järjestelmää oppimaan, mitä etsiä itsessään?"

Tietokonetehon kasvaessa nämä samat koneen oppimisai- neet saattavat pystyä diagnosoimaan syöpät nopeammin ja vähemmän kouluttamalla kuin edes parhaat radiologit.

Kuinka koneet oppivat

Koneen oppimisjärjestelmät eivät tule ulos laatikosta tietäen terveydestään tai suosikkikirjastasi. Sen sijaan he alkavat aivan kuten meistä: söpö ja tyhmä. Opettajan aritmeettisen oppimäärän tavoin lapset oppivat, jotkut aineet voivat käyttää yksinkertaisia ​​esimerkkejä ja palautetta oppiakseen lähestymään entistä monimutkaisempia tietoja. Toiset oppivat kokemuksella, tallentavat heidän "päätöstensä" seuraukset ja hyödyntävät heitä vastaavanlaisissa tilanteissa. Kummassakin tapauksessa nämä koneet voivat tarttua niiden antamiin tietoihin. Kun mainokset on asetettu, tämä mahdollistaa nopean pääsyn kotiisi tykkäämiseen ja tyytymättömyyteen, joten seuraava klikkaus on heidän tekemästään. [Robotit voisivat korvata opettajat]

Huolimatta sen yleisyydestä, koneoppimisella on rajoituksia. Koska suuri osa koneoppimisesta yrittää jäljitellä inhimillistä oppimista, meidän epätäydellinen ymmärrys ihmisen aivoista tarkoittaa sitä, että opettaminen koneelle "oppii oppimaan" on helpommin sanottu kuin tehty. Toisin kuin me emme, koneoppimisohjelmat voivat käsitellä vain rajallista tietoa. Ohjelmisto, joka päättää, mitkä mainokset näkevät, eivät voi ajaa kohinanvaimennuskuulokkeita tai paikantaa pään röntgenkuvaa. Ja jos liian paljon tietoa annetaan liian aikaisin, kone voi joutua yksityiskohtiin eikä oppia saamaan malleja lainkaan.

Kuva-tulkintakoneet, kuten Arel's, eivät pysty käsittelemään kokonaisia ​​kuvia kerralla, mutta niiden on heittävä pikselin pikselin läpi. Kun voit ottaa kuvan rikkauden yhdellä silmäyksellä, tietokoneet mieluummin tuhat sanaa. Kuten tutkijat edelleen oppivat ihmiskäyttäytymisestä, Arel-tutkijat jatkavat näiden tulosten kääntämistä koneisiin, jotka vastaavat maailmaan enemmän kuin me.

Online-mainonta, lääketiede ja muut nykyiset käyttötarkoitukset ovat vain jäävuoren kärki. "Epäilen, että kymmenessä vuodessa tulee olemaan ainakin yksi [koneoppiminen] osa lähes mistä tahansa kulutuselektroniikkatuotteesta", Arel sanoi.


Video Täydentää: Puhelimen hallinta tietokoneen avulla.




FI.WordsSideKick.com
Kaikki Oikeudet Pidätetään!
Jäljentämistä Materiaalien Sallittu Vain Prostanovkoy Aktiivinen Linkki Sivustoon FI.WordsSideKick.com

© 2005–2019 FI.WordsSideKick.com