ปัญญาประดิษฐ์และการเรียนรู้ของเครื่องเป็นเทคโนโลยีที่อยู่ในระดับแนวหน้าของสิ่งที่เรียกว่าโลก 4th การปฏิวัติอุตสาหกรรม. นับตั้งแต่จุดเริ่มต้นของเผ่าพันธุ์มนุษย์มนุษย์พยายามที่จะปรับปรุงวิธีการดำเนินชีวิตและการทำงานของเราให้มีประสิทธิภาพมากขึ้น ในตอนแรกมนุษย์อาศัยแรงงานธรรมดา ๆ และความเฉลียวฉลาด เราเชื่อว่านี่เป็นวิธีที่มนุษย์สร้างสิ่งต่างๆเช่นปิรามิดกำแพงเมืองจีนและสโตนเฮนจ์ จากนั้นก็เกิดการปฏิวัติอุตสาหกรรมครั้งแรกซึ่งนำเครื่องจักรกลไอน้ำและพลังงานน้ำมาใช้และนำมาซึ่งความก้าวหน้าในการผลิตการเดินทางและการขยายตัวของเมือง การปฏิวัติครั้งที่สองเกิดจากการคิดค้นการผลิตจำนวนมากและไฟฟ้า การนำเทคโนโลยีอิเล็กทรอนิกส์และดิจิทัลมาใช้ถือเป็นการปฏิวัติครั้งที่สามและสิ่งต่างๆเช่นคอมพิวเตอร์และอินเทอร์เน็ต วันนี้เรากำลังเข้าสู่ยุคใหม่ที่เกิดจากความก้าวหน้าครั้งใหญ่และการประยุกต์ใช้ปัญญาประดิษฐ์และการเรียนรู้ของเครื่องในทางปฏิบัติ
MAN เทียบกับเครื่องจักร
ปัญญาประดิษฐ์มีจุดมุ่งหมายเพื่อช่วยให้มนุษย์ทำงานได้อย่างมีประสิทธิภาพมากขึ้นโดยการลดเวลาเงินและความชาญฉลาดของมนุษย์ที่ต้องใช้ในการทำงานประจำ สรุปได้ว่าคอมพิวเตอร์ได้รับความสามารถในการเรียนรู้ด้วยตนเองเพื่อให้สามารถทำนายผลลัพธ์ได้อย่างแม่นยำระบุรูปแบบและทำการปรับเปลี่ยนโดยอัตโนมัติโดยพิจารณาจากข้อมูลทั้งในอดีตและปัจจุบัน เครื่องจักรเริ่มมีประสิทธิภาพมากขึ้นและฉลาดพอ ๆ กับเผ่าพันธุ์มนุษย์ในบางกรณี
ศักยภาพของคอมพิวเตอร์ที่ฉลาดพอ ๆ กับ (หรือฉลาดกว่า) มนุษย์ในการทำงานบางอย่างทำให้เกิดการถกเถียงกันในเรื่อง“ มนุษย์กับเครื่องจักร” โดยไม่คำนึงถึงความเชื่อสิ่งหนึ่งที่เราทุกคนเห็นพ้องต้องกันก็คือมนุษย์มีบางสิ่งที่คอมพิวเตอร์ไม่น่าจะมีมาก่อนนั่นคืออารมณ์สัญชาตญาณและความรู้สึก
เมื่อผู้คนถกเถียงกันในหัวข้อปัญญาประดิษฐ์พวกเขามักจะโต้แย้งว่าหมวดหมู่การเรียนรู้ของเครื่องหรืออัลกอริทึมใดดีที่สุด โดยทั่วไปแล้วอัลกอริธึมการเรียนรู้ของเครื่องจะแบ่งออกเป็น 3 ประเภทโดยไม่ได้รับการดูแลโดยไม่มีความรู้เกี่ยวกับฉลากมาก่อน (ข้อมูลที่ติดฉลาก) ดูแลด้วยความรู้บางอย่างเกี่ยวกับฉลาก (ข้อมูลที่ติดฉลาก) และการเสริมแรงซึ่งอยู่ระหว่างสองประเภท มีอัลกอริทึมเฉพาะของหมวดหมู่เหล่านี้เช่น KNN, K-mean, Decision Tree, SVM, Artificial Neural Networks, Q-learning เป็นต้นดังนั้นอันไหนดีกว่ากัน? เช่นเดียวกับสิ่งใด ๆ ในชีวิตทุกอย่างมีข้อดีและข้อเสียและเมื่อพูดถึงแมชชีนเลิร์นนิงฉันมักจะไม่ถกเถียงเรื่องโมเดล แต่จะเปลี่ยนเส้นทางการสนทนาไปที่คุณภาพของข้อมูล โมเดลแมชชีนเลิร์นนิงทำงานบนข้อมูลและไม่มีปริมาณและคุณภาพของข้อมูลและประเภทข้อมูลที่เหมาะสมโมเดลการเรียนรู้ของเครื่องสามารถแสดงผลได้อย่างไร้ประโยชน์ไม่ว่าจะดีเพียงใดในทางทฤษฎี นี่ไม่ได้เป็นการลดผลกระทบของการเลือกอัลกอริทึมการเรียนรู้ของเครื่องที่เหมาะสม ข้อมูลและอัลกอริทึมต้องเสริมซึ่งกันและกันเพื่อแก้ไขกรณีการใช้งานที่เฉพาะเจาะจง
ข้อมูลคือ PARAMOUNT
At สเตลลาร์ไซเบอร์ เราเริ่มต้น บริษัท ของเราด้วยภารกิจสำคัญในการรวบรวมข้อมูล - ข้อมูลจำนวนมาก - และที่สำคัญกว่านั้นคือ ขวา ประเภทของข้อมูลเพื่อแก้ปัญหาการตรวจจับการละเมิด เมื่อรวบรวมข้อมูลแล้วเราจะล้างข้อมูลโดยการกำจัดข้อมูลซ้ำซ้อนการทำให้เป็นมาตรฐานและอื่น ๆ อีกมากมาย ต่อไปเราจะเชื่อมโยงข้อมูลกับข้อมูลอื่น ๆ เช่นข้อมูลภัยคุกคามการจัดการการดาวน์โหลดไฟล์ตำแหน่งทางภูมิศาสตร์ของที่อยู่ IP และอื่น ๆ การเพิ่มคุณค่านี้ให้บริบทที่ดีขึ้นกับชุดข้อมูลโดยรวม ผลลัพธ์ของกระบวนการนี้ทำให้ได้ข้อมูลที่สะอาดซึ่งเต็มไปด้วยบริบท หลังจากงานสำคัญเหล่านี้เสร็จสิ้นเราจะทำการเรียนรู้ของเครื่องหรือไม่
AI ที่มีข้อมูล จำกัด และข้อมูลที่สมบูรณ์
มาดูตัวอย่างวิธีการที่ธนาคารตรวจจับการฉ้อโกงบัตรเครดิตกันดีกว่า หากปกติลูกค้าใช้บัตรเครดิตในซานโฮเซแคลิฟอร์เนีย แต่เดินทางไปโตเกียวญี่ปุ่นเป็นครั้งแรกและพยายามใช้บัตรนี้ธนาคารบางแห่งจะติดธงว่าเป็นความผิดปกติและปิดใช้งานบัตรเครดิต บ่อยครั้งที่ทำให้ลูกค้าอับอายและหงุดหงิดเมื่อผู้ขายบอกว่าบัตรถูกปฏิเสธ แม้ว่านี่อาจเป็นความผิดปกติของ "เครื่องเรียนรู้" แต่ก็ไม่อาจรับประกันการปิดใช้งานบัตรเครดิตเนื่องจากอาจเป็นการใช้งานบัตรที่ถูกต้องตามกฎหมาย
ต้นตอของปัญหาข้างต้นมักเกิดขึ้นเนื่องจากข้อมูลนั้นเป็นเอกพจน์ (ตำแหน่งของการใช้การ์ดเท่านั้น) และไม่มีบริบทเช่นเวลาที่การ์ดถูกใช้ครั้งสุดท้ายที่ที่ใช้หรือวิธีการใช้งาน หากระบบต้องเชื่อมโยงข้อมูลบิตอื่น ๆ เช่นเวลาสถานที่ระยะห่างระหว่างสถานที่ชื่อเสียงของสถานที่หรือวิธีการใช้งาน (เครื่องเทอร์มินัลการ์ดหรือเว็บไซต์เป็นต้น) อัลกอริทึมการเรียนรู้ของเครื่องจะสามารถระบุการฉ้อโกงที่แท้จริงได้ดีกว่า
ยกตัวอย่างการ์ดที่ใช้ในซานโฮเซแคลิฟอร์เนียเวลา 4:00 น. PST แต่กลับมาใช้อีกครั้งในเมืองเล็ก ๆ ในยูเครนเวลา 5 น. PST ในวันเดียวกัน ความน่าจะเป็นของการฉ้อโกงนี้จะสูงกว่าตัวอย่างก่อนหน้านี้มาก ชิ้นข้อมูลที่สัมพันธ์กันเพื่อให้ได้ข้อสรุปเช่นนี้จะเป็นไฟล์ เวลา จะต้องใช้เวลาในการเดินทาง ระยะทาง ไป ยูเครน หลังจากใช้งานใน ซานโฮเซ และการใช้งานหรือการ์ดในเมืองเล็ก ๆ (ชื่อเสียง เมืองเล็ก ๆ ที่ไม่เคยมีมาก่อน) ในยูเครน
การปิดการแจ้งเตือน
สิ่งนี้แสดงให้เห็นว่าปัญญาประดิษฐ์มีประโยชน์อย่างมากในการทำงานซ้ำ ๆ ที่เกี่ยวข้องกับข้อมูลจำนวนมากที่มนุษย์เบื่อหน่ายกับการดำเนินการและวิเคราะห์ข้อมูลเพื่อแก้ปัญหาได้อย่างไร แต่เทคโนโลยีจะมาแทนที่มนุษย์หรือไม่? ฉันมักจะคิดว่าไม่ AI อาจช่วยคุณได้ถึง 90% ในการแก้ปัญหางานซ้ำ ๆ แต่ต้องใช้ความพยายาม 10% ขึ้นไปในการตัดสินใจขั้นสุดท้ายในการแก้ไขปัญหา นอกจากนี้เช่นเดียวกับความก้าวหน้าอื่น ๆ ในด้านประสิทธิภาพเราสามารถใช้เวลาว่างของเราซ้ำเพื่อทำงานได้มากกว่าเดิม อัลกอริทึมการเรียนรู้ของเครื่องหนึ่งดีกว่าอัลกอริทึมอื่นหรือไม่ ฉันเชื่อว่าคำตอบอยู่ที่ความเข้าใจในปัญหาที่กำลังพยายามแก้ไขและฉันก็เชื่อด้วยว่าคุณภาพของข้อมูลมีความสำคัญพอ ๆ กับอัลกอริทึมเอง
จอห์นปีเตอร์สัน
SVP การจัดการสายผลิตภัณฑ์
สเตลลาร์ไซเบอร์
