IT-технологии обучения и их применение в различных сферах



Современные информационные технологии активно внедряются в жизнь нашего общества. Начинают находить применение не только достижения новейшей электроники и инновационных технологий. но и системы искусственного интеллекта и компьютерного обучения студентов и школьников. Статья рассматривает концепцию машинного обучения и сферы, где машинное обучение можно эффективно внедрить [1]. Особое внимание уделено примерам интеграции машинного обучения в информационные системы и сервисы. На основе анализа внедрения, его результативности и практического применения определяется актуальность использования компьютерного машинного обучения.

Ключевые слова: компьютерное обучение, информационные технологии, машинное обучение; бизнес; безопасность; медицина.

Введение.

Современные условия, в которых функционируют информационные системы, предполагают использование неструктурированных данных и эффективных средств для работы с ними [2]. Они собирают и обрабатывают огромные объемы быстро поступающей цифровой информации и анализируют её, находя определенные закономерности, что позволяет разработать системы для классификации и прогнозирования. Чаще всего совокупность таких средств называют big data [3].

Совсем недавно стало популярно использование машинного обучения, в основе которой лежит big data. Эта технология получила широкое распространение за счет того, что существует большой спектр сфер, где её можно использовать для решения задач. В своей работе, мы предлагаем рассмотреть и подробнее рассказать об этих сферах и самой концепции машинного обучения, потому что сегодня большинство компаний активно используют или изучают компьютерные технологии, так как это стало приоритетным направлением для новых бизнес-проектов и развития современных компаний [4]. Без сомнения, можно сказать, оно является многообещающим трендом современности.

Концепция машинного обучения.

Машинное обучение связано с развитием искусственного интеллекта- новой научной дисциплиной, которая возникла в конце 1950-х гг. Уже тогда зародилась идея о создании компьютерных моделей и алгоритмов, которые смогут самообучаться на основе поступающих данных и знаний. Эта технология отличается от классического статического анализа данных тем, что использует методы и алгоритмы обучения В этой технологии мы отталкиваемся от гипотезы, что во всех подмножествах однородных данных проявляются одни и те же зависимости между атрибутами, а распределение значений атрибутов не изменяет своего характера на всем множестве входных данных. Основываясь на этой идее, мы можем создать алгоритм, который впоследствии может быть применен к новым наборам данных без дополнительных ресурсоемких вычислений. Таким образом, суть машинного обучения заключается в том, чтобы в процессе работы алгоритма обучить систему таким образом, чтобы алгоритм смог верно сопоставлять набор входных параметров и знаний и выдавал соответствующий результат [5].

Процесс обучения разделяется на следующие этапы:

‒ Сбор данных

‒ Привидение данных к форме, готовой для использования

‒ Разделение данных на две группы: данные для использования алгоритмом и данные для оценки его действий.

‒ Обучение

‒ Оценка эффективности

‒ Оптимизация

Машинное обучение включает в себя углубленные статистические методы для решения задач регрессии и классификации с множественными зависимыми и независимыми переменными. Эти методы включают в себя метод опорных векторов (Support Vector Machines, SVM) для классификации и регрессии, метод Байеса для классификации, и метод k-Ближайших Соседей (k-Nearest Neighbours, KNN) для регрессии и классификации. Сегодня они находятся на стадии развития, но ожидается, что в будущем их количество будет только расти, так как решения различных задач требует различных способов машинного обучения.

В зависимости от особенности задачи обучение алгоритма может быть ограничено во времени или может быть бесконечным процессом. В последнем случае необходимо определить некую стадию эволюции алгоритма, позволяющую сказать, что он обучен достаточно для того, чтобы производить корректный результат. В совокупности с методами для решения задач мы может получить алгоритмы с предсказывающей способностью или алгоритмы для выявления закономерностей в данных. Первые обучаются на большом массиве данных некой системы в прошлом, а потом пытаются смоделировать поведение этой системы на другом интервале времени. А алгоритмы, выявляющие закономерности, помогают восстановить или аппроксимировать неизвестную функцию y=f (x), которая определяет, какой результат (значение функции y) соответствует входным параметрам (аргументу x). Важно понимать, что входные параметры и результат могут быть сколь угодно разнообразными. В отличии от предсказывающих алгоритмов, они не основываются на хронологии наступления событий, а базируются на качественных параметрах, использующих виртуальную функцию близости событий.

Существует огромное количество сфер, где машинное обучение можно использовать. Процесс информатизации приводит к быстрому увеличению объемов данных в науке, бизнесе, транспорте, здравоохранении возникающие при этом задачи часто сводятся к обучению по прецедентам. Дано конечное множество прецедентов (объектов, ситуаций), по каждому из которых собраны (измерены) некоторые данные. Данные о прецеденте называют также его описанием. Совокупность всех имеющихся описаний прецедентов называется обучающей выборкой. Требуется по этим частным данным выявить общие зависимости, закономерности, взаимосвязи, присущие не только этой конкретной выборке, но вообще всем прецедентам, в том числе тем, которые ещё не наблюдались [6].

Исходя их этого можно сказать, что цель машинного обучения — это частичная или полная автоматизация решения сложных задач, возникающие в самых разных областях человеческой деятельности, путем систематизации, обработки, анализа гигантских объемов информации.

Применение вбизнесе.

В компаниях, которые используют капиталистический способ производства, главными средствами для увеличения прибыли является сокращение расходов или увеличение объема продаж. Машинное обучение может справится с этими задачами. Во-первых, технология позволяет сократить время на реализацию каких-либо внутренних технических процессов, снизив нагрузку на сотрудников или повысить скорость и объемы работы без расширения штата. Например, с помощью автоматизации заполнения и проверки вводимых данных в формы или обратной связи. Так же машинное обучение можно использовать для предсказательной аналитики. Многие интернет-маркетологи делают ставку на этот способ, потому что это позволяет анализировать каждый аспект отношений с клиентами. Благодаря этому, можно определять важнейшие моменты в процессе продаж, эффективнее привлекать клиентов и обеспечивать высокий уровень обслуживания [7].

В качестве примера можно назвать сервис Google Analytics 360 Suite созданный для маркетологов. Он использует данные из Google Analytics, AdWords или DoubleClick Search, что позволяет собрать информацию о ваших пользователях. Сервис может анализировать данные для оценки каждого объявления и на основе этой информации можно оптимизировать расходы, создать эффективную связку маркетинговых каналов, узнать лучше вашу целевую аудиторию и найти новых потенциальных клиентов [8].

Рис. 1. Использование Google Analytics 360 Suite.

Применение вмедицине.

Медицина и здравоохранение является наиболее перспективной сферой с точки зрения внедрения технологии машинного обучения. Работая с данными о заболеваниях, симптомах и пациентах, она сможет увеличить точность и скорость диагностики, и отслеживать состояние больных. Алгоритмы машинного обучения способны так же помочь с прогнозами о том, как поведут себя молекулы и с какой вероятностью они будут образовывать новые связи, что способно ускорить создание медицинских препаратов. Так же машинное обучение может улучшить организацию в больницах. Например, анализируя такие данные как возраст человека, его адрес и расстояние до больницы, погодные условия, можно спрогнозировать вероятность того, что человек не придет на запись к врачу и изменить расписание приема.

В 2016 году британская компания DeepMind открыла подразделение DeepMind Health и создала систему, обрабатывающую десятки тысяч медицинских записей, чтобы выделить нужную информацию. Эти данные используют для исследований, чтобы создать алгоритмы на базе технологий машинного обучения, способные выявлять ранние признаки заболеваний [9]. На этом DeepMind Health не остановилась и разработала сервис The Streams app, который содержит инструменты, упрощающие работу врача. Это приложение предоставляет информацию в реальном времени о пациентах и отправляет её врачам, чтобы они могли обеспечить наилучший уход за больными. Так же это увеличило скорость записи пациентов, получение результатов медицинской экспертизы и работу больницы. //

Рис. 2. Пример того, как Streams экономит время.

Применение вкибербезопасности.

Машинное обучение быстро нашло применение для обеспечения компьютерной безопасности. В большинстве случаев методы компьютерного обучения применяются в фильтрации спама, анализе трафика, при обнаружении вредоносного программного обеспечения. В индустрии безопасности ведется спор насчет пользы антивирусов, так как злоумышленники способны обойти их защиту. Поэтому большое предпочтение отдается методам машинного обучения, которые могут автоматически обрабатывать большие объемы данных с признаками угроз и позволяют быстро принимать решения. Основное свойство использования такой технологии заключается в том, что они не заменяют работающих в области специалистов, а расширяют их возможности [10]. Это связано с тем, что научится отражать новые угрозы, изучая уже успешно отраженные старые атаки, неэффективно, так как системы защиты уже умеют отражать подобные атаки. Как только появляется новая угроза, которая сможет обойти защиту, эксперты изучают эту атаку, а также сигнатуру для её обнаружения. На сегодня главная роль машинного обучения в информационной безопасности — это создание прогнозов о возможных атаках с высокой точностью, чтобы эксперты могли заранее отразить атаку.

Чтобы модели научиться распознавать угрозы, ей на вход надо подавать большие объемы данных-датасет. Это может быть интернет-трафик, сетевые потоки, блоги, почтовые сообщения, активность пользователя и многое другое [11]. Точность прогноза зависит от количества и разнообразии данных. Далее в датасете ищутся необходимые признаки. В зависимости от решаемой задачи могут быть сотни различных признаков. Например, доменное имя, отправитель и его e-mail, IP-адреc, длительность сетевой сессии, используемый протокол, время дня и другие. На основе этих признаков составляются прогнозы об атаках [12].

Основное преимущество машинного обучения — это возможность быстро распознать закономерности и аномалии в больших срезах данных. Более этого это происходит в режиме реального времени, что увеличивает эффективность технологии.

Компания, специализирующаяся в области информационной безопасности, Distil Networks создала технологию, использующую машинное обучение, чтобы защитить веб-приложения от атак, основанных на злоупотреблении интерфейсами. Клиентам Distil Networks предоставляется доступ к инфраструктуре, анализирующей закономерности атак в режиме реального времени руководствуясь трафиком конкретного сайта. Это помогло ей занять первенство в защите веб-ресурсов [13].

Рис. 3. Рейтинг компаний веб-безопасности

Применение всоциальной сфере.

Машинное обучение открывает новые возможности, которые можно реализовать в программных и технических продуктах. Социальные сети, такие как Facebook, VK, Twitter и Instagram, применяют интеллектуальных поисковых роботов на основе ИИ и машинного обучения для ранжирования публикаций и расширения взаимодействия пользователей [14].

Многие поисковые сервисы используют машинное обучение для ускорения и оптимизации поиска, чтобы пользователям было проще искать нужную информацию. Речь идет об упрощении сложных систем фильтров, внедрении голосового и видео-поиска. Раньше по запросу “магазин цветов” от поисковика было мало пользы, сейчас при вводе запроса он покажет нам карту с ближайшими магазинами, адресами и временами работы.

Благодаря машинному обучению у людей есть возможность пользоваться персональными помощниками такими как Siri, Алиса, Google Assistant, Amazon Alexa, Microsoft Cortana. Они используют технологию обработки естественной речи и могут отвечать на вопросы, выполнять команды, давать рекомендации. Некоторые персональные помощники изучают информацию о пользователе и узнают его предпочтения, чтобы эффективней выполнять команды пользователя [15].

Отличным примером интеграции машинного обучения в сервис является Spotify. В 2017 году компания приобрела стартапы по машинному обучению, затем она добавила возможность рекомендации музыки пользователям — плейлист Discover Weekly. Каждый плейлист составлен с учетом музыкальных вкусов того или иного пользователя и каждую неделю он пополняется 2 часами новой музыки. В итоге даже сама компания удивилась результатам, которая принесла новая функция, потому что она подбирала удивительно хорошие рекомендации в отличие от своих конкурентов.

Заключение.

Машинное обучение стало частью современных технологий за счет того, что существует огромное количество областей, где нужен анализ всех данных, где не сможет справится ни один человек. В связи с этим уже сейчас есть большие практические успехи в этой области, о которых мы уже рассказали. Возможности и масштабы применения машинного обучения могут пугать, но тут важно знать, что это всего лишь единственный в своем роде инструмент, позволяющий находить ответы на важные и сложные вопросы. Без сомнений, за этой технологией огромные перспективы в создании инновационных инструментов и улучшении жизни людей во всем мире.

Сейчас можно сказать лишь то, что машинное обучение только в начале своего пути. Еще не известно какие новшества оно сможет принести и где та граница, где машинное обучение уже не сможет применяться эффективно.

Литература:

1. История глубинного машинного обучения // www.computerworld.ru URL: https://www.computerworld.ru/articles/Istoriya-glubinnogo-mashinnogo-obucheniya (дата обращения: 20.11.2018).
2. А. Ф. Иванько, А. И. Винокур, М. А. Иванько. Архитектура информационных мультимедиа систем. Учебное пособие. LAP LAMBERT Academic Publishing, Saarbrucken, Deutschland (Германия), 2018, 210 с. ISBN 978–613–9-88041–6.
3. Ivanko A. F., Ivanko M. A., Kulikova E. v. Moscow Polytechnic University, Moscow, Security of information data. EUROPEAN JOURNAL OF NATURAL HISTORY № 4, 2018, pp 118–120, ISSN 2073–4972.
4. Машинное обучение для чайников // newtonew.com URL: https://newtonew.com/tech/machine-learning-novice (дата обращения: 20.11.2018).Машинное обучение — это легко // habr.com URL: https://habr.com/post/319288/ (дата обращения: 20.11.2018).
5. Машинное обучение Machine Learning // http://www.tadviser.ru URL: http://www.tadviser.ru/index.php/ %D0 %A1 %D1 %82 %D0 %B0 %D1 %82 %D1 %8C %D1 %8F: %D0 %9C %D0 %B0 %D1 %88 %D0 %B8 %D0 %BD %D0 %BD %D0 %BE %D0 %B5_ %D0 %BE %D0 %B1 %D1 %83 %D1 %87 %D0 %B5 %D0 %BD %D0 %B8 %D0 %B5_(Machine_Learning) (дата обращения: 20.11.2018).
6. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И МАШИННОЕ ОБУЧЕНИЕ: В ЧЕМ РАЗНИЦА? // www.computerra.ru URL: https://www.computerra.ru/231272/iskusstvennyj-intellekt-i-mashinnoe-obuchenie-v-chem-raznitsa/ (дата обращения: 20.11.2018).
7. Перспективы применения технологий машинного обучения к обработке больших массивов исторических данных // http://e-notabene.ru URL: http://e-notabene.ru/kp/article_13730.html (дата обращения: 20.11.2018).
8. The most popular deep learning libraries // code-love.com URL: https://code-love.com/2017/06/26/deep-learning-library/ (дата обращения: 20.11.2018).
9. Google запустила бесплатный инструмент Attribution для оценки влияния маркетинговых кампаний на покупки // vc.ru URL: https://vc.ru/marketing/24022-google-attribution-free (дата обращения: 20.11.2018).
10. Что маркетологам нужно знать о Google Analytics 360 Suite // adindex.ru URL: https://adindex.ru/publication/tools/2017/03/13/158515.phtml (дата обращения: 20.11.2018).
11. DeepMind // ru.wikipedia.org URL: https://ru.wikipedia.org/wiki/DeepMind (дата обращения: 20.11.2018).
12. DEEPMIND HEALTH // www.ustwo.com URL: https://www.ustwo.com/work/ustwo-and-deepmind-health/ (дата обращения: 20.11.2018).
13. Искусственный интеллект и ИБ // www.crn.ru URL: https://www.crn.ru/news/detail.php?ID=122448 (дата обращения: 20.11.2018).
14. Машинное обучение и информационная безопасность // www.it-world.ru URL: https://www.it-world.ru/cionews/manage_secure/141988.html (дата обращения: 20.11.2018).
15. Машинное обучение и сайты // webevolution.ru URL: https://webevolution.ru/blog/sajti/mashinnoe-obuchenie-i-sajti/ (дата обращения: 20.11.2018).