什么是机器学习 ？

麦肯锡解释者 什么是机器学习？ 机器学习是人工智能的一种形式，能够在没有人类明确编程的情况下进行学习。 在我们的大部分历史中，我们认为学习— —根据收集到的信息调整我们行为的能力— —是只有人类才能做到的。过去几十年改变了这一切。我们现在知道，各种动物都从经验、教学甚至游戏中学习。但不仅仅是动物在学习：越来越多的证据表明植物也能学习。如果你曾经打开过手机通过面部识别，或者与虚拟助手互动，你已经亲身体验到机器也能够学习。 电力和内存使数据科学家能够训练机器学习模型独立地从数据集中学习，而不是依赖于为它们编写的规则。云服务后来进一步加速了机器学习的发展。 深度学习是机器学习的更高级版本，特别擅长处理 更广泛的数据资源（文本以及包括图像在内的非结构化数据）需要更少的人工干预，并且通常可以产生比传统机器学习更准确的结果。深度学习使用神经网络-基于神经元在人脑中的交互方式-通过多个神经元层摄取和处理数据，这些神经元层可以识别数据的日益复杂的特征。例如，早期神经元层可能会将某些东西识别为特定形状；建立在这些知识的基础上。 机器学习是人工智能（AI）的一种形式，可以适应各种输入，包括大型数据集和人类指令。（一些机器学习算法专门训练自己来检测模式；这就是所谓的深度学习，我们在单独的解释器中详细探讨。“机器学习”一词最早是由计算机科学家Arthr Samel于1959年提出的，他将其定义为“计算机在没有明确编程的情况下进行学习的能力。“接下来，机器学习算法能够检测模式，并通过处理数据和经验来学习如何做出预测和推荐，而不是通过接收明确的编程指令。这些算法还适应新的数据和经验。随着时间的推移而改善。 a later layer might be able to identify the shape as a stopsign. similar to machine learning, deep learning usesiteration to self - correct and to improve its predictioncapabilities. Once it "learning" what a stop sign looks like, itcan recognee新图像中的停车标志。 这一技术进步是当今出现的AI工具的基础。ChatGPT于2022年底发布，使AI变得可见和可访问 如今，机器学习的需求和潜力比以往任何时候都要大。现在产生的数据量和复杂性对于人类来说都是无法估量的。在广泛部署以来的几年里，机器学习已经在许多行业产生了影响，包括医学成像分析和高分辨率天气预报。 ChatGPT和其他类似的语言模型在称为变压器网络的深度学习工具上进行了训练，以响应提示生成内容。 变压器网络允许生成AI（ge AI）工具在进行预测时对输入序列的不同部分进行不同的加权。与传统机器和深度学习模型相比，由编码器和解码器层组成的变压器网络允许Geeral AI模型以更灵活的方式学习单词之间的关系和依赖关系。这是因为变压器网络是在大量的互联网上训练的(例如，所有记录的交通录像。 机器学习如何演变成生成AI？ 机器学习作为一门学科于1959年首次引入，建立在公式和假设的基础上 并上传)，而不是特定的数据子集(例如，停车标志的某些图像)。 追溯到1930年代。但是直到1990年代后期，机器学习才真正开花，因为数字化，计算语言能够实现更大的细微差别，以及更便宜的计算 在变压器网络架构上训练的基础模型-如OpenAI的ChatGPT或Google的BERT -能够传输他们所学到的知识 能够根据照片识别鸟类或植物物种。商业用例包括通过医疗扫描诊断疾病或在社交媒体中检测公司徽标，以管理品牌的声誉或识别潜在的联合营销机会。 从特定任务到更通用的一组任务，包括生成内容。此时，您可以要求模型创建汽车通过停车标志的视频。 基金会模型可以创建内容，但他们不知道对与错之间的区别，甚至不知道什么是社会可以接受的。当ChatGPT首次创建时，它需要大量的人力投入来学习。OpeAI在世界各地雇用了大量的人类工人来帮助磨练技术，清洁和标记数据集，审查和标记有毒内容，然后将其标记为删除。这种人为的输入是使ChatGPT具有革命性的很大一部分。 以下是它们的工作方式： •首先，CNN接收图像-例如，字母“A ” -它处理为像素集合。 •在隐藏层中，CNN识别出独特的特征-例如，构成字母“A ”的各个行。•然后,如果CNN发现新图像具有先前识别为构成字母的相同独特特征,则其可以将不同图像分类为字母“A”。 什么类型的神经网络用于深度学习？ 深度学习中使用的神经网络有三种类型： —前馈神经网络。在1958年首次提出的这个简单的神经网络中，信息仅在一个方向上移动：从模型的输入层到其输出层，而不必向后移动以被模型重新分析。这意味着您可以将数据馈送或输入到模型中，然后“训练”模型以预测有关不同数据集的某些信息。仅作为一个示例，前馈神经网络用于银行业等行业，以检测欺诈性金融交易。它的工作原理是这样的:首先,你训练一个模型来预测交易是否是基于 —递归神经网络(RNN)。RNN是人工神经网络，其连接包括循环，这意味着模型既向前移动数据，又向后循环数据，以再次运行以前的层。 用于预测情绪或序列的结尾，例如大量的文本，语音或图像样本。他们可以这样做，因为每个单独的输入都是通过自身以及与前面的输入组合输入到模型中的。 您使用的数据集手动将交易标记为欺诈或不欺诈。然后，您可以使用该模型来预测新的，传入的交易是否欺诈，以便您可以标记它们以进行更仔细的研究或完全阻止它们。 继续以银行为例，RNN可以像前馈神经网络一样帮助检测欺诈性金融交易，但方式更复杂。而前馈神经网络可以帮助预测单个交易是否可能是欺诈性的，而递归神经网络可以从个人的金融行为中“学习” -例如 A sequence of transactions like a credit card history —and measure each transaction against the person ’ srecord as a whole. It can do this除了使用前馈神经网络模型的一般学习。 —卷积神经网络(CNN)。CNN是一种前馈神经网络，其连接的灵感来自大脑视觉皮层的组织，视觉皮层是大脑处理图像的部分。因此，CNN非常适合感知任务，例如 组织使用机器学习的例子有哪些？ 有关深度学习和神经网络及其用例的更多信息，请参阅我们的AI高管指南。了解有关麦肯锡数字的更多信息。 Canny领导者多年来一直将机器学习应用于业务问题。以下是一些例子： 哪些行业可以从机器学习中受益？ —美国国家篮球协会的团队与初创公司Second Spectrum合作，后者使用机器学习将球队的比赛数字化以创建预测模型。正如首席执行官Rajiv Maheswaran所说，这些模型使教练可以区分“一个投篮不错的射手和一个投篮不好的射手”。 麦肯锡整理了来自19个行业和9个业务功能的400多个机器和深度学习用例。我们相信几乎任何行业都可以从机器和深度学习中受益。几个跨越多个部门的用例示例： —十几家欧洲银行已经用机器学习技术取代了旧的统计建模方法。在某些情况下，他们的新产品销售额增长了10%，资本支出节省了20%，现金收款增加了20%，客户流失率下降了20%。 —预测性维护。这个用例对于任何依赖设备的行业或企业来说都是至关重要的。公司可以使用预测性维护来预测何时需要维护，从而减少停机时间并降低操作成本。机器学习和深度学习具有大量分析的能力例如，人工智能从业者可以从新的输入中分层数据，如音频和图像数据，这可以增加神经网络分析的细微差别。 —总部位于美国的大型发电商Vista建立并部署了基于神经网络模型的AI驱动的热耗率优化器。该模型梳理了多年的数据，以帮助Vista实现特定发电厂的最高效热效率。 —物流优化。使用AI优化物流可以通过实时预测和行为指导来降低成本。例如，AI可以优化交付路线交通，提高燃油效率，减少交货时间。 主流组织如何充分发挥机器学习的潜力？ 为了帮助捕捉AI和机器学习技术的全部潜在价值，主流采用者可以考虑以下措施： —客户服务。呼叫中心的人工智能技术可以帮助客户获得更无缝的体验和更高效的处理。该技术不仅仅是理解呼叫者的话语:对音频的深度学习分析可以评估客户的语气。如果自动呼叫服务检测到呼叫者感到不安，系统可以重新路由到人工操作员或经理。 —将挑战重新想象为机器学习问题。并不是所有的业务问题都是机器学习问题，但有些问题可以被重新定义为机器学习问题，这需要适当的数据源，以及对理想结果和目标的明确定义。 了解有关麦肯锡数字的更多信息。 —将机器学习置于企业架构的核心。组织可以将机器学习置于其企业技术平台的核心，而不是作为围绕基于规则的逻辑构建的系统架构的辅助。 引用的文章： 麦肯锡见解应用程序 —作者演讲：李飞飞博士在多学科的人工智能方法中看到了“世界”的可能性，“ 2023年12月11日 —制定以人为本的人才战略。为了抓住这些可能性，企业需要能够指导技术采用和积极塑造员工如何使用新的人工智能工具。 —“企业的新的，更快的机器学习飞轮”，2023年3月10日，Medha Bankhwal和Roger Roberts —“2022年的AI状况-回顾了五年”，2022年12月6日，Michael Chui，Bryce Hall，Helen Mayhew，Alex Singla和Alex Sukharevsky 机器学习将继续存在。Gen AI照亮了机器学习，使传统AI对普通公众可见和可访问第一次。genAI的风化只会加速更广泛的机器学习和AI的采用。现在采取行动的领导者可以帮助确保他们的组织在离开车站时处于机器学习列车上。 —“在流程中运行机器学习”，2021年9月27日，RohitPanikkar，Tamim Saleh，Maxime Szybowski和RobWhiteman 了解有关麦肯锡数字的更多信息。如果您有兴趣与麦肯锡合作，请查看与机器学习相关的工作机会。 —“AI高管指南”，2020年11月17日，Michael Chui，Vishnu Kamalnath，以及Brian McCarthy —“高管的机器学习指南”，2015年6月1日，DorianPyle和Cristina San Jos é 了解并直接与麦肯锡机器学习专家接触 Michael Chui是麦肯锡全球研究所的合伙人，总部设在麦肯锡湾区办公室；塔米姆·萨利赫是伦敦办事处的高级合伙人Alex Sukharevsky是高级合伙人；以及亚历克斯·辛格拉是芝加哥办公室的高级合伙人. 麦肯锡全球出版公司设计版权所有© 2024麦肯锡公司。保留所有权利。