Maskininlärning

Vad är maskininlärning?

Maskininlärning är konceptet som ett datorprogram kan lära sig och anpassa sig till nya data utan mänsklig inblandning. Maskininlärning är ett område av artificiell intelligens (AI) som håller en dators inbyggda algoritmer aktuella oavsett förändringar i den världsomspännande ekonomin.

Förstå maskininlärning

Olika sektorer av ekonomin har att göra med enorma mängder data som är tillgängliga i olika format från olika källor. Den enorma mängden data, känd som big data,. blir lättillgänglig och tillgänglig på grund av den progressiva användningen av teknik, särskilt avancerade datormöjligheter och molnlagring. Företag och regeringar inser de enorma insikter som kan fås genom att utnyttja big data men saknar de resurser och tid som krävs för att kamma igenom dess mängd information. Som sådan används artificiell intelligensåtgärder av olika industrier för att samla in, bearbeta, kommunicera och dela användbar information från datamängder. En metod för AI som används alltmer för bearbetning av big data är maskininlärning.

De olika dataapplikationerna för maskininlärning bildas genom en komplex algoritm eller källkod inbyggd i maskinen eller datorn. Denna programmeringskod skapar en modell som identifierar data och bygger förutsägelser kring data den identifierar. Modellen använder parametrar inbyggda i algoritmen för att bilda mönster för dess beslutsprocess. När ny eller ytterligare data blir tillgänglig justerar algoritmen automatiskt parametrarna för att kontrollera om det finns någon mönsterändring. Modellen bör dock inte ändras.

Användning av maskininlärning

Maskininlärning används inom olika sektorer av olika anledningar. Handelssystem kan kalibreras för att identifiera nya investeringsmöjligheter. Marknadsförings- och e-handelsplattformar kan ställas in för att ge korrekta och personliga rekommendationer till sina användare baserat på användarnas sökhistorik på internet eller tidigare transaktioner. Låneinstitutioner kan införliva maskininlärning för att förutsäga dåliga lån och bygga en kreditriskmodell. Informationshubbar kan använda maskininlärning för att täcka enorma mängder nyheter från världens alla hörn. Banker kan skapa verktyg för att upptäcka bedrägerier från maskininlärningstekniker. Införandet av maskininlärning i den digitala eran är oändlig när företag och regeringar blir mer medvetna om de möjligheter som big data erbjuder.

Tillämpning av maskininlärning

Hur maskininlärning fungerar kan bättre förklaras av en illustration i finansvärlden. Traditionellt letar investeringsaktörer på värdepappersmarknaden som finansforskare, analytiker, kapitalförvaltare och enskilda investerare igenom mycket information från olika företag runt om i världen för att fatta lönsamma investeringsbeslut. Det kan dock hända att viss relevant information inte publiceras i stor omfattning av media och kan vara tillgänglig för endast ett fåtal utvalda som har fördelen av att vara anställda i företaget eller bosatta i det land där informationen kommer ifrån. Dessutom finns det bara så mycket information som människor kan samla in och bearbeta inom en given tidsram. Det är här maskininlärning kommer in.

Ett kapitalförvaltningsföretag kan använda maskininlärning inom sitt investeringsanalys- och forskningsområde. Säg att kapitalförvaltaren bara investerar i gruvaktier. Modellen som är inbyggd i systemet skannar webben och samlar in alla typer av nyhetshändelser från företag, industrier, städer och länder, och denna information som samlas in utgör datamängden. Företagets kapitalförvaltare och forskare skulle inte ha kunnat få informationen i datamängden med hjälp av deras mänskliga krafter och intellekt. Parametrarna som byggs tillsammans med modellen extraherar endast data om gruvbolag, reglerande policyer för prospekteringssektorn och politiska händelser i utvalda länder från datamängden.

Exempel på maskininlärning

Säg att gruvföretaget XYZ precis upptäckte en diamantgruva i en liten stad i Sydafrika. Ett maskininlärningsverktyg i händerna på en kapitalförvaltare som fokuserar på gruvföretag skulle lyfta fram detta som relevant data. Modellen i maskininlärningsverktyget skulle sedan använda ett analysverktyg som kallas prediktiv analys för att göra förutsägelser om huruvida gruvindustrin kommer att vara lönsam under en tidsperiod, eller vilka gruvaktier som sannolikt kommer att öka i värde vid en viss tidpunkt, baserat på nyligen upptäckt information, utan någon input från kapitalförvaltaren. Denna information vidarebefordras till kapitalförvaltaren för att analysera och fatta beslut för sin portfölj. Kapitalförvaltaren kan sedan fatta ett beslut att investera miljontals dollar i XYZ-aktier.

I kölvattnet av en ogynnsam händelse, som att sydafrikanska gruvarbetare går i strejk, justerar datoralgoritmen sina parametrar automatiskt för att skapa ett nytt mönster. På så sätt förblir den beräkningsmodell som är inbyggd i maskinen aktuell även med förändringar i världshändelser och utan att behöva en människa för att justera sin kod för att återspegla förändringarna. Eftersom kapitalförvaltaren fick dessa nya uppgifter i tid, kan de begränsa sina förluster genom att lämna aktien.

Höjdpunkter

• Maskininlärning är användbar för att analysera den enorma mängd information som är konsekvent och lätt tillgänglig i världen för att hjälpa till vid beslutsfattande.

• En komplex algoritm eller källkod är inbyggd i en dator som gör det möjligt för maskinen att identifiera data och bygga förutsägelser kring de data som den identifierar.

• Maskininlärning kan tillämpas inom en mängd olika områden, till exempel vid investeringar, annonsering, utlåning, organisera nyheter, upptäckt av bedrägerier och mer.

– Maskininlärning är ett område för artificiell intelligens (AI) med ett koncept som ett datorprogram kan lära sig och anpassa till ny data utan mänsklig inblandning.