​​Машинное обучение: что дальше 🔮

В предыдущих частях мы рассказали о машинном обучении — замечательной технологии, которая, как мы надеемся, может наконец-то дать человечеству волшебную кнопку «сделать красиво», то есть компьютер выполнит поставленную задачу, научившись самостоятельно.

Говоря о перспективах этой технологии, можно отметить, что, например, разработчики из области искусственного интеллекта видят новые возможности в области нечётких нейронных сетей. Их логика известна достаточно давно, ещё с прошлого века, но именно к настоящему времени появились системы нужной производительности, способные строить предположения, основываясь на большом количестве исходных данных.

Нейросети такого рода могут дать большие возможности для области аналитики данных в разных областях. Такой подход может помочь предсказать потребности, анализируя массивы информации из разных источников, что позволит сегментировать рынок с точностью до отдельного клиента (что «на голову» превосходит современный таргетинг в маркетинге).

Подытоживая серию наших рассказов о ML-технологиях, хочется сказать ещё об одном интересном моменте: словосочетание «машинное обучение» зачастую ассоциируется с большой вычислительной мощью и серьёзными компьютерными кластерами. Но это не всегда верно. Например, в настоящее время весьма «горячей» темой является технология Tiny Machine Learning (TinyML) — настоящий прорыв в области ИИ — которая позволяет создавать интеллектуальные IoT-устройства с низкой ценой. По прогнозу ABI Research, уже к 2030 году 2,5 миллиарда устройств будут включать в себя интеллектуальные технологии TinyML.

TinyML позволяет делать больше, располагая меньшим. Это то же обучение, но с меньшими энергозатратами и без подключения к сети.

В следующем посте мы расскажем больше о Tiny ML.