Ocena wykorzystania technologii analizy autonomicznej

  • 3 min

Uczenie maszynowe (ML) i uczenie głębokie (DL) osiągnęły poziom parzystości ludzkiej, który działa tak dobrze jak ludzie w zadaniu, w przypadku wielu aplikacji, w tym rozpoznawania obiektów, rozpoznawania mowy, zrozumienia czytania, tłumaczenia maszynowego i ogólnego przetwarzania języka. Osiągnęły one niemal ludzką parzystość syntezy mowy.

Jednak algorytmy ML i DL cierpią z powodu ograniczeń danych. Wyniki będą tak dobre, jak jakość danych wejściowych i stronniczość będzie wzmacniana. Są to również czarne pudełka, które nie mają ani nie zmniejszyły możliwości wyjaśnienia. W związku z tym nie są one zaufane, zwłaszcza w ustawieniach przemysłowych. Mają one również błędy, takie jak fałszywie dodatnie i fałszywie ujemne, które nie są błędami przypominającymi człowieka i są nieoczekiwane (każde wnioskowanie może być błędem).

Algorytmy uczenia głębokiego wzmacniania (DRL) mają wiele supermocarstw. Mogą zmieniać zachowanie w odpowiedzi na zmieniające się warunki. Mogą uczyć się złożonych i nieliniowych relacji, które wymagają podjęcia decyzji dotyczących relacji rozmytych i nieliniowych między zmiennymi, tranzytami stanu środowiska. Działają one na złożone postrzeganie. Reagują na zmiany środowiska, które nie są mierzone bezpośrednio. Wreszcie i co najważniejsze, uczą się strategii.

Jednak listy odzyskiwania po awarii mają również ograniczenia. Nie mają wcześniejszej wiedzy na temat zadania, co oznacza, że muszą nauczyć się wszystkiego poprzez dużą liczbę iteracji prób i błędów. Ten proces jest nieefektywny, jeśli musi poruszać się po dużej przestrzeni stanu. Na szczęście można zmniejszyć złożoność drL, wprowadzając wiedzę o domenie w celu zmniejszenia przestrzeni wyszukiwania.

W poniższej tabeli podsumujemy mocne i ograniczenia dwóch głównych technologii zawartych w analizie autonomicznej: ML i DRL.

Co to? Kiedy należy go używać? Jakie są ograniczenia?
- Uczenie maszynowe (ML)
- Sieci neuronowe (NN)
- Głębokie uczenie maszynowe (DML)		 Sieć połączonych węzłów, które uczą się od danych do rozpoznawania wzorców lub replikowania zachowania. - Kiedy potrzebujesz zaawansowanego postrzegania, takiego jak przetwarzanie obrazów, przetwarzanie języka naturalnego, dźwięk itp.
-Klasyfikacja
-Przewidywanie		 - Trudne do trenowania
- Ograniczone / nie intuicyjne objaśnienie (skrzynka)
- Łatwo hackable
— Każde wnioskowanie może być wynikiem fałszywie dodatnim lub ujemnym.
- Niska niezawodność, niedeterministyczna
- Nie do podjęcia działań, trudne do zintegrowania z procesem przemysłowym.
- Kiedy potrzebujesz zaawansowanego postrzegania, takiego jak przetwarzanie obrazów, przetwarzanie języka naturalnego, dźwięk itp.
-Klasyfikacja
- Niska możliwość przyjęcia
- Uczenie ze wzmocnieniem (RL)
- Głębokie uczenie przez wzmacnianie (DRL)		 Uczenie maszynowe, które praktykuje w symulacji /świecie rzeczywistym. — Trudna ocena stanu, nieliniowe, dynamiczne środowiska.
- Kiedy potrzebujesz zaawansowanego postrzegania, takiego jak przetwarzanie obrazów, przetwarzanie języka naturalnego, dźwięk itp.
-Klasyfikacja
- Kiedy musimy nauczyć się strategii na poziomie człowieka.		 - Trudne do trenowania.
- Ograniczone / nie intuicyjne objaśnienie (skrzynka).
- Trudno zintegrować się z procesem przemysłowym.
- Kiedy potrzebujesz zaawansowanego postrzegania, takiego jak przetwarzanie obrazów, przetwarzanie języka naturalnego, dźwięk itp.
-Klasyfikacja
- Nie ma wcześniejszej wiedzy o zadaniu.