Maschinen sehen Sie im Internet surfen
Gibt es etwas, das durch die Wi-Fi, die Sie nicht gebeten haben. Es ist gerade, was Sie tun. Es ist, wenn Sie die "private" e-Mails öffnen oder per an einen Freund Wand Post. Es spricht mit Ihnen, auch wenn Sie es nicht wissen. Und was noch schlimmer ist, sind Sie wieder sprechen.
Doch niemand steckt hinter Ihrem Computer-Bildschirm, um heimlich Ihre Bewegungen durch das Netz. Diese Aufgabe wurde der Computer und eine Technik namens Computerlernen überlassen.
"[Machine Learning] betrifft die Art der Internet-Werbung, die Sie auf Amazon.com zu sehen, aber die meisten Menschen erkennen nicht, dass [es] die zugrunde liegende Technologie ist", sagt Dr. Cecily Heiner, Lehrmittel, maschinelles lernen, an der University of Utah mit gearbeitet hat.
Also wenn Sie bemerkt haben, dass einige Anzeigen scheinen zu wissen, was du gemacht hast, bist du nicht paranoid. Du bist auf etwas.
Sie sehen Sie gerade
Viele der anzeigen, die Sie online sehen werden angezeigt, indem die Maschine Lernsysteme, allgemein als Agenten, deren Zweck es ist zu "lernen", wie Menschen das Internet nutzen. Sie vergleichen Ihre Tätigkeit mit allen anderen um festzustellen, ob Sie eher auf eine Anzeige für Duschgel oder für Antworten sind sexy Körper zu waschen. Wenn der Agent es bekommt rechts und Sie auf eine Anzeige klicken, dann die Ad-Verlag (denken Sie Google, Yahoo oder Facebook) eine Gebühr an den Inserenten. Inserenten sind bereit, einiges zu ihre Werbung gezeigt (aufwärts von $70 pro Klick für einige Google AdSense Keywords), geben Verlage bekommen reichlich Grund, in Machine Learning Forschung investieren zu bezahlen.
Ob finden Sie gezielte Werbung verlockende oder ärgerlich, maschinelles Lernen ist nicht nur für das Internet. "Wir sind umgeben von Computer-basierten Systemen, die unseren Alltag auswirken", sagte Dr. Itamar Arel, Direktor des Machine Intelligence Lab an der University of Tennessee.
Maschine Lerntechniken werden derzeit in Kfz-Navigationssysteme, Noise-cancelling Kopfhörer und rote-Augen-Reduzierung in Kameras eingesetzt. Arel konzentriert sich auf Machine learning-Algorithmen, die Ärzte helfen bei der Interpretation von medizinischer Bildern. Er hofft, Maschinen zu entwickeln, die genauso gut wenn nicht besser als uns Menschen lernen. Ein guter Radiologe muss laut Arel ca. 1.000 Fälle von gutartigen und bösartigen Wucherungen betrachten, bevor Sie zu beherrschen.
"Wir versuchen, die gleiche Fähigkeit zu imitieren. Beibringen [da eine große Anzahl von Beispielen,] können wir das System erfahren, was Sie selbst suchen?"
Mit zunehmender Rechenleistung können diese gleichen Maschine lernen Agenten Krebs schneller und mit weniger Training als auch die besten Radiologen diagnostizieren können.
Wie Maschinen lernen
Machine-Learning-Systeme kommen nicht aus der Box zu wissen, über Ihre Gesundheit oder Ihr Lieblingsbuch. Stattdessen beginnen sie ähnlich wie uns: süß und dumme. Wie Schulkinder lernen Arithmetik von einem Lehrer einige Agenten einfache Beispiele und Feedback können Sie lernen, wie man komplizierte Informationen zu nähern. Andere lernen durch Erfahrung, speichern die Folgen ihrer "Entscheidungen" und stützt sich dabei auf sie wenn Sie mit ähnlichen Situationen konfrontiert. In jedem Fall können diese Maschinen, Muster in den Daten fangen auf, die ihnen gegeben sind. Wenn es darum geht, die Schaltung von anzeigen, dies ermöglicht es ihnen, schnell nach Hause in Ihre Vorlieben und Abneigungen so Ihren nächsten Klick ihr tun. [Roboter könnten Lehrer ersetzen]
Trotz seiner Allgegenwart hat maschinelles lernen Grenzen. Weil viel des maschinellen Lernens menschlichen Lernens zu imitieren versucht, unsere mangelnde Verständnis für die menschliche Gehirn heißt Lehre eine Maschine zum "Lernen lernen" leichter gesagt als getan. Im Gegensatz zu uns können Machine-Learning-Programme nur eine begrenzte Anzahl von Informationen verarbeiten. Die Software, die entscheidet, welche Werbung Sie sehen nicht fahren Ihre Noise-cancelling Kopfhörer oder vor Ort ein Problem auf einer Röntgenaufnahme des Kopfes. Und wenn zu viele Informationen zu früh gegeben, eine Maschine kann im Detail verfangen und nicht lernen, Muster überhaupt zu fangen.
Bild-Interpretation von Maschinen wie die Arel nicht ganze Bilder auf einmal zu verarbeiten, sondern haben zu waten durch sie Pixel für Pixel. Während Sie in den Reichtum der ein Bild auf einen Blick nehmen könnte, lieber Computer die tausend Worte. Wie Wissenschaftler über das menschliche Verhalten zu lernen weiterhin, werden Forscher wie Arel weiterhin diese Ergebnisse in Maschinen zu übersetzen, die mehr in die Welt zu reagieren, wie wir es tun.
Online-Werbung, Medizin und andere aktuelle Anwendungen sind nur die Spitze des Eisbergs. "Ich vermute, dass in 10 Jahren mindestens eine Komponente [Machine Learning] in fast jedem Verbraucher-Elektronik-Produkt werden," sagte Arel.