Aprendizado de máquina: a criação de tecnologias úteis para o futuro

aprendizado de máquina pode muito bem ser o futuro da tecnologia. Para sobreviver, a tecnologia deve ser útil. Na verdade, ele deve provar mais de útil- ele deve atender a necessidades percebidas de maneira que as tecnologias existentes não fazer, bem como construir uma base de adeptos que fornecem uma razão monetária continuar a investir na tecnologia.

Por exemplo, o da Apple Lisa era uma peça interessante e útil de tecnologia que demonstrou a utilidade do GUI para usuários de negócios que nunca tinha visto antes. Ele resolveu a necessidade de tornar os computadores amigável.

No entanto, ele falhou porque não construir uma base de adeptos. O computador simplesmente não conseguiu fazer jus ao hype em torno dela. A próxima sistema que a Apple construiu, o Macintosh, fez jus ao hype um pouco melhor - ainda que construído sobre a mesma tecnologia que a Lisa usado. A diferença é que o Macintosh desenvolveu uma gama considerável de adeptos hard-core e é isso que as necessidades de aprendizagem de máquina.

Video: Sociedade, Tecnologia e Inovação - Aula 6 - O futuro da aprendizagem

Considerando o papel da aprendizagem de máquina em robôs

A meta de aprendizagem de máquina hoje é criar robôs úteis, em casa. Agora, você pode estar pensando em algo ao longo das linhas de Rosie o robô encontrado em os Jetsons. No entanto, os robôs do mundo real necessidade de resolver problemas práticos e importantes para atrair a atenção. Para se tornar viável e atrair fundos, a tecnologia também deve reunir um grupo de seguidores, e para fazer isso, ele deve fornecer a interação e propriedade.

Um exemplo de uma bem sucedida robô em casa é a Roomba de iRobot. Você pode realmente comprar um Roomba hoje- serve um purpose- útil e atraiu atenção suficiente para torná-lo uma tecnologia viável. O Roomba também mostra o que é factível em um nível comercial, em casa, e autônoma hoje.

Sim, o Roomba é um aspirador de fantasia - um com smarts incorporados baseados em algoritmos simples, mas muito eficazes. O Roomba pode navegar com sucesso uma casa, que é muito mais difícil do que você imagina para realizar. Ele também pode passar mais tempo em áreas mais sujas da casa. No entanto, você ainda precisa esvaziar o Roomba quando a tecnologia robô atual inteiro só faz tanto.

Você pode encontrar outros robôs do mundo real que as pessoas estão usando para realizar tarefas especializadas, mas você não vai encontrá-los em sua casa. Com cada um desses casos, o robô tem um propósito especializado e atua em um número limitado de maneiras. Outros sites de apresentar outros robôs, mas você não vai encontrar de propósito geral usa em nenhum deles. Antes de robôs pode entrar em uma casa e trabalhar como ajudante generalizada, aprendizado de máquina precisa resolver uma grande variedade de problemas, e os algoritmos precisa para se tornar tanto o pensamento mais generalizada e mais profundo.

Usando aprendizado de máquina na área da saúde

Uma questão que está recebendo muita atenção é a questão de atendimento aos idosos. As pessoas estão vivendo mais tempo, e um lar de idosos não parece ser uma boa maneira de passar uma de anos de crepúsculo. Robots irá torná-lo possível para as pessoas a permanecer em casa mas também manter-se seguro. Alguns países também estão enfrentando uma escassez crítica de profissionais de saúde, e Japão é um. Como resultado, o país está a gastar recursos consideráveis ​​para resolver os problemas que a robótica presente.

O mais próximo que a tecnologia atualmente vem para a visão apresentada por um em casa enfermeira robô é o robô de telepresença. Neste caso, o robô é uma extensão de um médico humano, por isso não é nem perto do que os japoneses esperam criar no futuro próximo. Como o Roomba, este robô pode navegar com sucesso uma casa. Ele também permite ao médico ver e ouvir o paciente. O robô resolve parcialmente o problema de muitos pacientes em muito grande área geográfica e médicos não é suficiente, mas é ainda um longo caminho a partir de uma solução autônoma.

A criação de sistemas inteligentes para diversas necessidades

Muitas das soluções que você pode esperar para ver que a aprendizagem de máquina emprego será assistentes para os seres humanos. Eles executar várias tarefas muito bem, mas essas tarefas são mundanos e repetitivos na natureza. Por exemplo, você pode precisar de encontrar um restaurante para satisfazer as necessidades de um convidado de fora da cidade. Você pode perder tempo à procura de um restaurante apropriado si mesmo, ou você pode acessar um AI para fazê-lo em muito menos tempo, com maior precisão e eficiência.

Outra solução é tal Nara, um AI experimental que aprende seus gostos particulares e não gosta de como você gasta mais tempo com ele. Ao contrário de Siri, que pode responder a perguntas básicas, Nara vai um passo além e faz recomendações.

Usando a aprendizagem de máquina em ambientes industriais

aprendizado de máquina já está a desempenhar um papel importante em ambientes industriais onde o foco está na eficiência. Fazer as coisas mais rápido, com mais precisão, e com menos recursos ajuda a linha de fundo e faz uma organização mais flexível com uma maior margem de lucro. Menos erros também ajudar os seres humanos que trabalham em uma organização, reduzindo o nível de frustração. Atualmente, você pode ver máquina de aprendizagem no trabalho em

• Diagnóstico médico
• Mineração de dados
• bioinformática
• O reconhecimento de fala e de escrita
• categorização de produtos
• Unidade de medição inercial (IMU) (tais como a tecnologia de captura de movimento)
• Recuperação de informação

Esta lista apenas arranhões na superfície. aprendizagem de máquina é muito utilizada na indústria de hoje, e o número de utilizações vão continuar a aumentar algoritmos como avançadas tornam maiores níveis de aprendizagem possível. Atualmente, a aprendizagem de máquina executa tarefas em um número de áreas que incluem o seguinte:

Video: "Tecnologias e o futuro da educação, aprendizagem e conhecimento"

• Análise: Determinar o que um usuário quer e por quê, e que tipo de padrões (comportamentos, associações, respostas, e assim por diante) as exposições usuário quando sua obtenção.
• Enriquecimento: Adicionando anúncios, widgets e outros recursos para um ambiente para que o usuário ea organização podem obter benefícios adicionais, tais como aumento da produtividade ou vendas melhoradas.
• Adaptação: Modificando uma apresentação para que ele reflete o gosto do usuário e escolha de enriquecimento. Cada usuário acaba com uma experiência personalizada que reduz a frustração e melhora a produtividade.
• otimização: Modificar o ambiente para que a apresentação consome menos recursos, sem diminuir a experiência do usuário.
• Ao controle: Guiando o usuário para um determinado curso de ação com base em entradas e a maior probabilidade de sucesso.

A visão teórica do que a aprendizagem de máquina faz na indústria é agradável, mas é importante ver como alguns dos isso funciona no mundo real. Você pode ver a aprendizagem de máquina usada de maneiras relativamente triviais, mas importantes. Por exemplo, aprendizado de máquina tem um papel em automatizar o acesso dos funcionários, proteger os animais, prevendo sala de emergência tempos de espera, identificação de insuficiência cardíaca, a previsão de derrames e ataques cardíacos, e prever as readmissões hospitalares.

Video: Tecnologias facilitam o aprendizado de alunos do SENAI

Compreender o papel de processadores atualizadas e outros hardware

Há cinco escolas de pensamento (tribos) relacionadas com a aprendizagem de máquina. Cada uma dessas escolas de pensamento lhe dizer que o hardware do computador atual não é bastante até a tarefa de tornar o trabalho de aprendizagem de máquina corretamente. Por exemplo, você pode falar com uma tribo cujos membros informá-lo sobre a necessidade de grandes quantidades de memória do sistema e o uso de GPUs para fornecer cálculos mais rápidos.

Video: El futuro de las máquinas herramientas

Outra tribo pode defendem a criação de novos tipos de processadores. processadores de aprendizagem, aqueles que imitam o cérebro humano, são toda a raiva para os conexionistas. O ponto é que todos concordam que algum tipo de novo hardware vai fazer a máquina aprendizagem mais fácil, mas a forma precisa esse hardware levará continua a ser visto.