maskinelæring

Hvad er Machine Learning?

Machine learning er konceptet, som et computerprogram kan lære og tilpasse sig til nye data uden menneskelig indgriben. Machine learning er et felt af kunstig intelligens (AI), der holder en computers indbyggede algoritmer aktuelle uanset ændringer i den verdensomspændende økonomi.

##Forstå Machine Learning

Forskellige sektorer af økonomien har at gøre med enorme mængder data, der er tilgængelige i forskellige formater fra forskellige kilder. Den enorme mængde data, kendt som big data,. bliver let tilgængelig og tilgængelig på grund af den progressive brug af teknologi, specifikt avancerede computeregenskaber og cloud storage. Virksomheder og regeringer indser den enorme indsigt, der kan opnås ved at udnytte big data, men mangler de ressourcer og tid, der kræves til at kombinere gennem deres rigdom af information. Som sådan anvendes kunstig intelligens-foranstaltninger af forskellige industrier til at indsamle, behandle, kommunikere og dele nyttig information fra datasæt. En AI-metode, der i stigende grad bliver brugt til big data-behandling, er maskinlæring.

De forskellige dataapplikationer af maskinlæring dannes gennem en kompleks algoritme eller kildekode indbygget i maskinen eller computeren. Denne programmeringskode skaber en model, der identificerer dataene og bygger forudsigelser omkring de data, den identificerer. Modellen bruger parametre indbygget i algoritmen til at danne mønstre for dens beslutningsproces. Når nye eller yderligere data bliver tilgængelige, justerer algoritmen automatisk parametrene for at kontrollere for en mønsterændring, hvis nogen. Modellen bør dog ikke ændre sig.

Anvendelser af Machine Learning

Machine learning bruges i forskellige sektorer af forskellige årsager. Handelssystemer kan kalibreres for at identificere nye investeringsmuligheder. Marketing- og e-handelsplatforme kan tunes til at give nøjagtige og personlige anbefalinger til deres brugere baseret på brugernes søgehistorik på internettet eller tidligere transaktioner. Låneinstitutioner kan inkorporere maskinlæring til at forudsige dårlige lån og opbygge en kreditrisikomodel. Informationshubs kan bruge maskinlæring til at dække enorme mængder nyheder fra alle verdenshjørner. Banker kan skabe værktøjer til registrering af svindel ud fra maskinlæringsteknikker. Inkorporeringen af maskinlæring i den digital-kyndige æra er uendelig, efterhånden som virksomheder og regeringer bliver mere bevidste om de muligheder, som big data giver.

Anvendelse af Machine Learning

Hvordan maskinlæring fungerer, kan bedre forklares ved en illustration i den finansielle verden. Traditionelt gennemsøger investeringsaktører på værdipapirmarkedet som finansielle forskere, analytikere, kapitalforvaltere og individuelle investorer en masse information fra forskellige virksomheder rundt om i verden for at træffe rentable investeringsbeslutninger. Nogle relevante oplysninger offentliggøres muligvis ikke bredt af medierne og er muligvis kun tilgængelige for nogle få udvalgte, som har fordelen af at være ansatte i virksomheden eller beboere i det land, hvor oplysningerne stammer fra. Derudover er der kun så meget information, som mennesker kan indsamle og behandle inden for en given tidsramme. Det er her maskinlæring kommer ind.

Et kapitalforvaltningsfirma kan anvende maskinlæring i sit investeringsanalyse- og forskningsområde. Sig, at kapitalforvalteren kun investerer i mineaktier. Den indbyggede model i systemet scanner nettet og indsamler alle typer nyhedsbegivenheder fra virksomheder, industrier, byer og lande, og denne indsamlede information udgør datasættet. Virksomhedens formueforvaltere og forskere ville ikke have været i stand til at få oplysningerne i datasættet ved hjælp af deres menneskelige kræfter og intellekter. Parametrene bygget sammen med modellen udtrækker kun data om mineselskaber, regulatoriske politikker for efterforskningssektoren og politiske begivenheder i udvalgte lande fra datasættet.

Eksempel på Machine Learning

Lad os sige, at mineselskabet XYZ lige har opdaget en diamantmine i en lille by i Sydafrika. Et maskinlæringsværktøj i hænderne på en kapitalforvalter, der fokuserer på mineselskaber, vil fremhæve dette som relevante data. Modellen i maskinlæringsværktøjet vil derefter bruge et analyseværktøj kaldet prædiktiv analyse til at forudsige, om mineindustrien vil være rentabel i en periode, eller hvilke mineaktier der sandsynligvis vil stige i værdi på et bestemt tidspunkt, baseret på nylige oplysninger opdaget uden input fra kapitalforvalteren. Disse oplysninger videresendes til kapitalforvalteren for at analysere og træffe en beslutning for deres portefølje. Kapitalforvalteren kan derefter træffe en beslutning om at investere millioner af dollars i XYZ-aktier.

I kølvandet på en ugunstig begivenhed, såsom at sydafrikanske minearbejdere strejker, justerer computeralgoritmen sine parametre automatisk for at skabe et nyt mønster. På denne måde forbliver den indbyggede beregningsmodel i maskinen aktuel, selv med ændringer i verdensbegivenheder og uden at et menneske behøver at justere sin kode for at afspejle ændringerne. Fordi kapitalforvalteren modtog disse nye data til tiden, er de i stand til at begrænse deres tab ved at forlade aktien.

##Højdepunkter

• Maskinlæring er nyttig til at analysere den enorme mængde information, der er konsekvent og let tilgængelig i verden for at hjælpe med beslutningstagning.

• En kompleks algoritme eller kildekode er indbygget i en computer, der gør det muligt for maskinen at identificere data og bygge forudsigelser omkring de data, den identificerer.

• Maskinlæring kan anvendes på en række forskellige områder, såsom investering, annoncering, udlån, organisering af nyheder, afsløring af svindel og meget mere.

• Machine learning er et område med kunstig intelligens (AI) med et koncept, som et computerprogram kan lære og tilpasse til nye data uden menneskelig indgriben.