ΝΟW 17

ΙΟΥΛΙΟΣ 2020 #15 Πετρέλαιο και φυσικό αέριο: Ο αριθμός των εφαρμογών χρήσης μη- χανικής μάθησης για αυτόν τον κλάδο είναι τεράστιος και συνεχίζει να αυξάνεται. Μερικές από τις σημαντικότερες είναι η εύρεση νέων πηγών ενέργειας, η ανάλυση ορυκτών στο έδαφος, η πρόβλεψη αστοχίας αι- σθητήρα διυλιστηρίου και η βελτιστοποίηση της διανομής λαδιού για να γίνει πιο αποτελεσματική και οικονομικά αποδοτική. Κυβέρνηση: Κυβερνητικές υπηρεσίες, όπως η δημόσια ασφάλεια και οι υπηρεσίες κοινής ωφέλειας, έχουν ιδιαίτερη ανάγκη τη χρήση της μηχανικής εκμάθησης, καθώς διαθέτουν πολλαπλές πηγές δεδομένων που μπορούν να εξάγονται για πληροφορίες. Για παράδειγμα, η ανάλυ- ση δεδομένων αισθητήρα προσδιορίζει τρόπους για την αύξηση της αποτελεσματικότητας και της εξοικονόμησης χρημάτων. Η μηχανική μάθηση μπορεί επίσης να βοηθάει στον εντοπισμό της απάτης και στην ελαχιστοποίηση της κλοπής προσωπικών δεδομένων. Λιανεμπόριο: Οι ιστότοποι προτείνουν προϊόντα που μπορεί να αρέ- σουν στους πελάτες τους βασισμένες σε προηγούμενες προτιμήσεις τους, χρησιμοποιώντας μηχανική μάθηση για να αναλύσουν το ιστορι- κό των αγορών τους. Οι έμποροι λιανικής βασίζονται στη μηχανική μά- θηση για τη συλλογή δεδομένων, την ανάλυσή τους και τη χρήση τους για να εξατομικεύσουν μια εμπειρία αγορών, για να εφαρμόσουν μια καμπάνια μάρκετινγκ, για βελτιστοποίηση τιμών, για σχεδιασμό εφοδι- ασμού εμπορευμάτων και για πληροφορίες πελατών. Μεταφορές: Η ανάλυση δεδομένων για τον εντοπισμό προτύπων και τάσεων αποτελεί κλειδί για τη βιομηχανία μεταφορών, το οποίο βασίζε- ται στη δημιουργία πιο αποτελεσματικών διαδρομών και την πρόβλε- ψη πιθανών προβλημάτων, με στόχο την αύξηση της κερδοφορίας. Η ανάλυση δεδομένων και οι μορφές μοντέλων της μηχανικής μάθησης αποτελούν σημαντικά εργαλεία για τις εταιρείες παράδοσης, τις δημό- σιες συγκοινωνίες και άλλους οργανισμούς μεταφορών. Ποιες είναι οι διαφορές μεταξύ της εξαγωγής δεδομένων, της μηχανικής μάθησης και της βαθιάς μάθησης; Αν και όλες αυτές οι μέθοδοι έχουν τον ίδιο στόχο, να εξάγουν δηλα- δή ιδέες, σχέδια και σχέσεις που μπορούν να χρησιμοποιηθούν για τη λήψη αποφάσεων, έχουν διαφορετικές προσεγγίσεις και ικανότητες. Η εξαγωγή δεδομένων μπορεί να θεωρηθεί ένα υπερσύνολο πολλών διαφορετικών μεθόδων για την εξαγωγή πληροφοριών από δεδομέ- να. Μπορεί να περιλαμβάνει παραδοσιακές στατιστικές μεθόδους και μηχανική μάθηση. Η εξαγωγή δεδομένων εφαρμόζει μεθόδους από πολλές διαφορετικές περιοχές, για να εντοπίζει προηγούμενα άγνωστα πρότυπα από δεδομένα. Αυτό μπορεί να περιλαμβάνει στατιστικούς αλγόριθμους, μηχανική μάθηση, αναλυτικά κείμενα, χρονική ανάλυση και άλλους τομείς ανάλυσης. Η εξαγωγή δεδομένων περιλαμβάνει επί- σης τη μελέτη και την πρακτική της αποθήκευσης δεδομένων και του χειρισμού δεδομένων. Η κύρια διαφορά της μηχανικής μάθησης είναι ότι, όπως σε όλα τα στατιστικά μοντέλα, ο στόχος είναι να κατανοήσουμε τη δομή των δε- δομένων. Έτσι, στα στατιστικά μοντέλα υπάρχει μια θεωρία που είναι μαθηματικά αποδεδειγμένη, όμως αυτό απαιτεί ότι τα δεδομένα πρέπει να πληρούν και ορισμένες ισχυρές προϋποθέσεις. Η μηχανική μάθηση έχει αναπτυχθεί με βάση την ικανότητα χρήσης των υπολογιστών να ανιχνεύουν τα δεδομένα για τη δομή, ακόμα και αν δεν έχουμε μια θε- ωρία για το πώς μοιάζει αυτή η δομή. Επειδή χρησιμοποιεί συχνά μια επαναληπτική προσέγγιση για να μάθει από τα δεδομένα, η μηχανική μάθηση μπορεί εύκολα να αυτοματοποιηθεί και επαναλαμβάνεται έως ότου βρεθεί ένα ισχυρό πρότυπο. Η βαθιά μάθηση συνδυάζει την πρόοδο της υπολογιστικής ισχύος και των ειδικών τύπων νευρωνικών δικτύων, ώστε να μαθαίνει περίπλοκα πρότυπα σε μεγάλες ποσότητες δεδομένων. Οι τεχνικές βαθιάς μάθη- σης είναι επί του παρόντος υπερσύγχρονες για την αναγνώριση αντι- κειμένων σε εικόνες και λέξεων σε ήχους. Οι ερευνητές προσπαθούν τώρα να τις εφαρμόσουν για αναγνώριση προτύπων σε πιο πολύπλο- κες εργασίες, όπως αυτόματη μετάφραση γλώσσας, ιατρικές διαγνώ- σεις και πολλά άλλα σημαντικά κοινωνικά και επιχειρηματικά ζητήματα. Τελικά, γιατί είναι σημαντική η μηχανική μάθηση; Ο αυξανόμενος όγκος και οι πολλαπλές κατηγορίες διαθέσιμων δε- δομένων, η υπολογιστική επεξεργασία που είναι φθηνότερη και ισχυρότερη, αλλά και η οικονομικά προσιτή αποθήκευση των δεδο- μένων, αποτελούν παράγοντες που καθιστούν τη μηχανική μάθηση πιο δημοφιλή από ποτέ. Χάρη σε αυτήν μπορούμε να παράγουμε γρήγορα και αυτόματα μοντέλα που μπορούν να αναλύουν μεγαλύ- τερα και πιο περίπλοκα δεδομένα, αλλά και να παρέχουν ταχύτερα, πιο ακριβή αποτελέσματα, ακόμη και σε πολύ μεγάλη κλίμακα. Και δημιουργώντας μοντέλα ακριβείας, ένας οργανισμός έχει πολύ καλύ- τερες πιθανότητες να εντοπίζει επικερδείς ευκαιρίες, ή να αποφεύγει άγνωστους κινδύνους. Στον κλάδο της υγειονομικής περίθαλψης η μηχανική μάθηση χρησιμοποιεί δεδομένα για την αξιολόγηση της υγείας ενός ασθενούς σε πραγματικό χρόνο. 7 Οι έμποροι λιανικής βασίζονται στη μηχανική μάθηση για τη συλλογή δεδομένων, ώστε να βελτιστοποιήσουν τις υπηρεσίες τους. 8