Η ικανότητά μας να μαθαίνουμε και να γινόμαστε καλύτεροι σε καθημερινές δραστηριότητες μέσω εμπειρίας, είναι βασικό χαρακτηριστικό της ανθρώπινης φύσης μας.

Δήλαδή, όταν γεννιόμαστε ουσιαστικά δεν γνωρίζουμε να κάνουμε τίποτα, όμως μέρα με τη μέρα μαθαίνουμε όλο και περισσότερα πράγματα τόσο μόνοι μας, όσο και με τη βοήθεια των άλλων.

Κάτι ανάλογο συμβαίνει και με τις μηχανές - ή του υπολογιστές με πιο απλά λόγια - οι οποίες συγκεντρώνουν αρκετά στοιχεία και δεδομένα ώστε να είναι σε θέση να βγάλουν συμπεράσματα από μόνες τους.

Κάπου εδώ μπαίνει η έννοια του Machine Learning ή αλλιώς της μηχανικής μάθησης όπως λέγεται στα ελληνικά.

Συγκεκριμένα, στο σημερινό άρθρο θα δούμε:

1. Τι είναι το Machine Learning
2. Πώς δουλεύει το Machine Learning
3. Παραδείγματα Machine Learning

Ας πάρουμε όμως τα πράγματα από την αρχή.

 Τι Είναι το Machine Learning;

Το Machine Learning είναι ένα παρακλάδι της τεχνητής νοημοσύνης (Artificial Intelligence), που βασίζεται στην ιδέα πως οι υπολογιστές/μηχανές μπορούν να μαθαίνουν από τα δεδομένα που συλλέγουν με σκοπό να αναγνωρίζουν μοτίβα και να παίρνουν δικές τους αποφάσεις.

Όλα αυτά μάλιστα με ελάχιστη ή και μηδενική ανθρώπινη παρέμβαση.

Με άλλα λόγια, οι μηχανικοί αλγόριθμοι “εκπαιδεύονται” μέσω καταστάσεων και παραδειγμάτων, όπου μαθαίνουν και αναλύουν δεδομένα με σκοπό να κάνουν προβλέψεις για το μέλλον.

Ενδιαφέρον, έτσι δεν είναι;

Αν και θα δούμε αναλυτικά παραδείγματα στην συνέχεια του άρθρου μας, αξίζει να αναφέρουμε ένα συνοπτικά ώστε να γίνει το Machine Learning απόλυτα κατανοητό.

Μπορεί να έχεις ακούσει για κάτι που ονομάζεται Sentiment Analysis. Πρόκειται για την αναγνώριση του συναισθηματικού τόνου που κρύβεται πίσω από τις λέξεις.

Δηλαδή, λόγω του γεγονότος πως όταν διαβάζουμε ένα κείμενο online δεν είναι πάντα εύκολο να γνωρίζουμε τι συναίσθημα κρύβεται από πίσω, υπάρχουν εργαλεία που έχουν εκπαιδευτεί με δεδομένα με σκοπό να κάνουν τη δουλειά αυτή.

                                     
 
Πού βοηθάει όμως αυτό;

Το Sentiment Analysis βοηθάει κυρίως εταιρείες να καταλαβαίνουν τη πρόθεση πίσω ένα κείμενο, ένα Tweet ενός χρήστη, ακόμα και ένα βίντεο όπου η μηχανή μαθαίνει να “διαβάζει” τα συναισθήματα αναλύοντας τις εκφράσεις ενός προσώπου.

Φυσικά, όσο περισσότερα δεδομένα “διαβάζει” η μηχανή, τόσες περισσότερες πιθανότητες έχει ώστε να είναι πιο ακριβής στις αποφάσεις της.

Αν και θα μπορούσαμε να εμβαθύνουμε περισσότερο στο κομμάτι αυτό, είναι ένα καλό παράδειγμα Machine Learning.

 Πώς Δουλεύει το Machine Learning;

Με την εκθετική αύξηση του όγκου δεδομένων που έχουμε στις μέρες μας, είναι αδήριτη η ανάγκη συστημάτων που θα μπορούν να επεξεργάζονται τα πολύπλοκα αυτά δεδομένα.

Αυτά τα μεγάλα και πολύπλοκα δεδομένα είναι γνωστά ως Big Data και συνήθως διαχειρίζονται από μοντέλα Machine Learning όπως είναι το Deep Learning.

Όπως αναφέραμε προηγουμένως, στο Machine Learning οι μηχανές τροφοδοτούνται με διάφορα δεδομένα ώστε να τα αναλύσουν, να βγάλουν τα συμπεράσματά τους και ύστερα να κρατήσουν τα δεδομένα αυτά για να βελτιωθούν και να είναι σε θέση να έχουν ολοένα και πιο ακριβή αποτελέσματα κάθε φορά.
                                     

Σχεδόν οποιοδήποτε task μπορεί να αυτοματοποιηθεί με τη βοήθεια των μηχανών, γεγονός που ωθεί ολοένα και περισσότερους οργανισμούς να μάθουν τι είναι το Machine Learning και να μεταμορφώσουν τις διεργασίες τους ώστε να γίνονται αυτόματα, ταχύτερα και με μεγαλύτερη ακρίβεια απ’ότι αν τις έκανε ένας άνθρωπος.

Άλλωστε, η επιστήμη των δεδομένων έχει εισέλθει τόσο πολύ στην καθημερινότητά μας που για τις περισσότερες εταιρείες η υιοθέτησή τους είναι μονόδρομος.
                                     

Αξίζει τώρα να αναφέρουμε πως στην μηχανική μάθηση εφαρμόζονται κατά κύριο λόγο 2 μέθοδοι:

1) Supervised Learning

Η πρώτη μέθοδος ονομάζεται Supervised Learning ή αλλιώς επιβλέπουσα μάθηση.

Τι σημαίνει όμως αυτό;

Πως οι μηχανές προσπαθούν να βγάλουν συμπεράσματα βάσει παλαιότερων δεδομένων που συνέλεξαν. Δηλαδή, κάτι πολύ παρόμοιο με τον τρόπο που λειτουργούμε εμείς οι άνθρωποι, αφού χρησιμοποιούμε τις εμπειρίες και γνώσεις που λάβαμε στο παρελθόν ώστε να πάρουμε καλύτερες αποφάσεις στο παρόν ή ακόμα και να “προβλέψουμε” μια μελλοντική έκβαση.

Ένα καλό παράδειγμα Supervised Machine Learning είναι οι personalized προτάσεις προϊόντων που προτείνει σε κάθε χρήστη η Amazon, με βάση τα προϊόντα που αγόρασε ή απλά είδε στο παρελθόν. 

2) Unsupervised Learning

Η δεύτερη μέθοδος ονομάζεται Unsupervised Learning ή αλλιώς μη-επιβλέπουσα μάθηση.

Δηλαδή, οι αλγόριθμοι προσπαθούν να εντοπίσουν διάφορα άγνωστα μοτίβα στα δεδομένα χωρίς να γνωρίζουν να έχει επισημασμένα δεδομένα.

Για παράδειγμα, η μέθοδος αυτή μπορεί να εφαρμοστεί όταν θέλουμε να υπολογίσουμε το πιθανό μέγεθος της αγοράς για ένα νέο προϊόν όπου δεν έχουμε στη διάθεσή μας αρκετά δεδομένα.

Έτσι, η μηχανή θα δουλέψει με όσα δεδομένα έχει ώστε να τα ομαδοποιήσει σε συστάδες (clusters) και να τα παρουσιάσει οπτικά (K-Means Clustering).

                                     

Πηγή: ml-science.com

Τώρα που είδαμε τι είναι το Machine Learning και πώς λειτουργεί, ας δούμε μερικά παραδείγματα ώστε να γίνει πιο κατανοητό.

 Παραδείγματα Machine Learning

Όπως αναφέραμε, στην ενότητα αυτή θα εξετάσουμε αληθινά παραδείγματα Machine Learning, ορισμένα από τα οποία σίγουρα θα έχεις ακουστά.

Ας ξεκινήσουμε με το πρώτο.

1) Facebook (Meta)

Η Facebook (ή Meta όπως ονομάζεται πλέον) είναι ένα καλό παράδειγμα εταιρείας που χρησιμοποιεί μηχανική μάθηση.

Συγκεκριμένα, έχει εφαρμόσει τεχνητή νοημοσύνη στις υποδομές της ώστε διάφορες επιχειρήσεις να δημιουργούν chatbots που συζητούν μόνα τους με χρήστες.

Μπορεί δηλαδή ένας χρήστης να ρωτήσει κάτι και το σύστημα να του απαντήσει αυτόματα, χωρίς ανθρώπινη παρέμβαση.

                                     

Πηγή: futuretravelexperience.com

Στην παραπάνω εικόνα μπορείς να δεις ένα chatbot του αεροδρομίου του Gatwick όπου οι επισκέπτες μπορούν να ρωτήσουν και να πάρουν πληροφορίες για την πτήση τους, τα διαθέσιμα εστιατόρια, τα μαγαζιά και άλλα πολλά.

Όλα αυτά έχουν γίνει εφικτά με την εφαρμογή της μηχανικής μάθησης!

Ας περάσουμε στο επόμενο παράδειγμα.

2) Apple

Αναμφισβήτητα η Apple δεν χρειάζεται ιδιαίτερες συστάσεις, καθώς πρόκειται για μια από τις μεγαλύτερες τεχνολογικές εταιρείες παγκοσμίως.

Αυτό που ενδεχομένως να μην γνωρίζεις είναι πως έχει εφαρμόσει σε βάθος το AI και το Machine Learning, κυρίως σε 2 περιπτώσεις.

Η μία είναι η Siri. Η ψηφιακή φωνητική βοηθός που λαμβάνει τα δεδομένα από εμάς σε ηχητική μορφή και εκτελεί διάφορες εντολές, όπως να απαντήσει σε ερωτήσεις ή ακόμα και να τηλεφωνήσει κάποιον.

Η δεύτερη περίπτωση είναι αυτή της αναγνώρισης προσώπου (face recognition). Μια τεχνολογία που αναγνωρίζει ένα άτομο “βλέποντας” το πρόσωπό του, αφού συλλέγει διάφορα δεδομένα σχετικά με τα χαρακτηριστικά του προσώπου και τη δομή του.

Λόγω της ανάπτυξης του AI, της μηχανική μάθησης και του Deep Learning, οι τεχνολογίες αναγνώρισης προσώπου αναπτύσσονται ραγδαία!

Ας δούμε άλλο ένα παράδειγμα πριν συνοψίσουμε.

3) Netflix

Ο λόγος που το Netflix βρίσκεται στη λίστα αυτή είναι παρόμοιος με τον λόγο που αναφέραμε την Amazon προηγουμένως, αφού κάνει εξαιρετική δουλειά στις προτάσεις ταινιών/σειρών στους χρήστες.

Συλλέγει δηλαδή δεδομένα από όσα βλέπει ο κάθε χρήστης στη πλατφόρμα με σκοπό να βγάλει συμπεράσματα για τις προτιμήσεις του και να του προτεινει σχετικά πράγματα που πιθανότατα τον ενδιαφέρουν.

Πρόκειται για ένα εξαιρετικό παράδειγμα εφαρμογής του Machine Learning που σίγουρα έχεις διαπιστώσει και ο ίδιος αν χρησιμοποιείς την υπηρεσία.

Όπως μπορείς να δεις, βιώνουμε τα αποτελέσματα της μηχανικής μάθησης σε καθημερινή βάση, ακόμα και αν δεν το καταλαβαίνουμε.

Αυτό είναι το εντυπωσιακό με την επιστήμη των δεδομένων που τόσες εταιρείες και επαγγελματίες σπεύουν να εκπαιδευτούν σε αυτή.

 Με Λίγα Λόγια

Είδαμε λοιπόν τι είναι το Machine Learning, πώς λειτουργεί, καθώς και κάποια πρακτικά παραδείγματα από την καθημερινότητά μας.

Ελπίζουμε να σου λύθηκαν ορισμένες από τις απορίες που είχες κατά νου και να κατανόησες καλύτερα τις εφαρμογές της επιστήμης αυτής.

Φυσικά, αν θες να εμβαθύνεις σε αυτή ώστε να αποκτήσεις επαγγελματικό πλεονέκτημα στην αγορά εργασίας, μπορείς να εκπαιδευτείς πάνω στην επιστήμη των δεδομένων μέσω του ολοκληρωμένου Data Science Bootcamp.

Μέσα από αυτό θα μάθεις τα πάντα για το Machine Learning, τα Big Data, το Deep Learning, καθώς και την Python, που είναι μια από τις δημοφιλέστερες γλώσσες προγραμματισμού και ζωτικό κομμάτι της επιστήμης των δεδομένων.

Κάνε την εγγραφή σου και ξεκίνα άμεσα!