Сергей Николенко – о прошлом, настоящем и будущем машинного обучения
О том, что такое машинное обучение, когда оно зародилось, а также какие задачи решало и продолжает решать, наш коллега Сергей Николенко рассказал сайту DataReview.info.
Сегодня многие научные достижения – распознавание образов на фотографиях, голосовые помощники в мобильных телефонах, машины, которые водят себя сами, – кажутся нам весьма привычными. Все это и многое другое стало возможным благодаря машинному обучению. Что это за раздел науки? Когда он зародился? Какие задачи решало и продолжает решать машинное обучение?
Эти и другие вопросы мы адресовали нашему эксперту – старшему научному сотруднику Лаборатории интернет-исследований ВШЭ в Санкт-Петербурге, кандидату наук Сергею Николенко.
- Машинное обучение – обширный подраздел AI. Где берет начало эта дисциплина?
– Машинное обучение – действительно обширный подраздел AI (Artificial Intelligence – рус. “искусственный интеллект” – прим., ред.). Его трудно отличить от AI, ведь уже десятки лет назад стало понятно, что искусственный интеллект не получится без автоматической обработки данных.
Истоки машинного обучения очень давние. Самообучающиеся модели и программы появлялись с самой зари искусственного интеллекта. Начало AI – это 40-50-е годы, когда начали проводиться исследования о том, как все это происходит в мозге, и появилось знаменитое эссе Тьюринга “Computing Machinery and Intelligence”. Одним из первых реально работающих самообучающихся алгоритмов стал линейный перцептрон Фрэнка Розенблатта, он появился в конце 50-х годов.
- Что значит обучающаяся машина? Как определить эту “обучаемость”?
– Это вопрос философский. Провести какую-то четкую грань между обучающимися и необучающимися моделями, наверное, не получится. Обучающуюся модель можно охарактеризовать так: алгоритм обучается на какой-то задаче, если он начинает лучше решать эту задачу, когда ему дают больше тестовых примеров для обучения. Но это определение слишком общее, чтобы быть полезным.
В реальности вы имеете дело с машинным обучением практически всегда, когда ваш алгоритм требует каких-то данных, а не просто реализует логику, которую придумал программист.
Полную версию интервью Вы можете найти ЗДЕСЬ.