Свод знаний по управлению бизнес-процессами: BPM CBOK 4.0 (Авторов) - страница 150

Алгоритмы машинного обучения превращают набор данных в модель. Наиболее подходящий тип алгоритма определяется типом задачи, располагаемыми вычислительными ресурсами и характером данных.

Основные типы алгоритмов приведены в следующей таблице.

Следующая таблица показывает связь типов алгоритмов с методами обучения моделей [Hartanto 2019].

Следующий рисунок иллюстрирует концепцию моделей глубокого обучения, основанных на нейронных сетях.

Глубокое обучение основано на концепции искусственных нейронных сетей. Нейронные сети функционируют подобно человеческому мозгу, где синапсы реагируют сильнее или слабее на основе обратной связи, а нейроны срабатывают при определенных условиях. С помощью моделей глубокого обучения решаются такие сложные задачи, как автономное вождение автомобиля, распознавание изображений, анализ видео и обработка языка.

Препятствия на пути использования моделей глубокого обучения:

● Большие объемы данных. Модели глубокого обучения требуют гораздо больше данных, чем модели машинного обучения. Без больших объемов данных глубокое обучение обычно работает плохо.

● Обучение и вычислительная мощность. Поскольку модели глубокого обучения требуют больших объемов данных, процесс обучения занимает много времени и требует больших вычислительных мощностей. Решить эту проблему помогают все более мощные и быстрые процессоры, память, новые графические процессоры и процессоры FPGA.

● Интерпретируемость. Модели глубокого обучения обычно поддаются интерпретации хуже, чем модели машинного обучения. Интерпретируемость глубокого обучения является одной из основных областей исследований, так что здесь возможен прогресс.

● Измерение. Как измерить эффективность модели машинного обучения? Модели, как и люди, оцениваются на предмет эффективности. Есть несколько способов измерения эффективности относительно простой регрессионной модели (метрики MAE, RMSE и R2 достаточно просты и очевидны).

Большинство проектов ИИ терпят неудачу. Вот типичные причины, по которым это случается:

Сценарии использования

Первая причина неудач – выбор неподходящего сценария использования или слишком большого числа сценариев использования без достаточных возможностей и инфраструктуры. Чтобы выбрать задачи, наиболее подходящие для применения ИИ, используйте критерии, приведенные выше. Кроме того, имеет смысл выбирать сценарии использования, позволяющие постепенно наращивать возможности, знания и сложность технической реализации. К выбору подходящих сценариев использования рекомендуется привлекать следующих специалистов: