Q:
Pourquoi un grand nombre de fichiers image est-il important pour de nombreux projets d'apprentissage automatique?
UNE:Pour les entreprises qui cherchent à s'impliquer dans leurs premiers investissements en machine learning (ML), l'ensemble du processus peut sembler un peu cryptique et ésotérique. Pour de nombreuses personnes, il est vraiment difficile de visualiser le fonctionnement réel de l'apprentissage automatique et exactement ce qu'il fera pour une entreprise.
Dans certains cas, une personne qui fait des recherches sur l'apprentissage automatique peut avoir toute une épiphanie quand elle considère pourquoi un grand nombre de fichiers images, collectés dans des conteneurs numériques soignés, sont si importants pour les projets ML. En effet, le concept de "fichier image" permet de visualiser le ML. Penser à cela nous permet de mieux comprendre comment ces types de technologies seront appliquées à notre monde très bientôt.
| Téléchargement gratuit: apprentissage automatique et pourquoi c'est important |
La réponse courte est que ces grands nombres de fichiers images sont importants pour l'apprentissage automatique car ils représentent des ensembles de formation - des ensembles de données initiales sur lesquelles l'ordinateur doit travailler pendant qu'il apprend. Mais il y a un peu plus que cela. Pourquoi les images sont-elles si précieuses?
L'une des raisons pour lesquelles les images sont si précieuses est que les scientifiques ont fait beaucoup de progrès dans le traitement des images. Mais au-delà de cela, ils ont également fait des progrès pour aider les machines à identifier les résultats en fonction de ce qui est dans une image.
Par exemple, toute personne qui a entendu parler de réseaux profonds et tenaces dotés de moteurs à la fois générateurs et discriminants comprend un peu comment les ordinateurs peuvent lire et comprendre des données visuelles et des images. Ils ne lisent pas les pixels comme ils le faisaient auparavant - ils "voient" réellement l'image et identifient les composants. Par exemple, pensez à la reconnaissance faciale de Facebook - l'ordinateur apprend à quoi vous ressemblez et vous identifie sur les photos - ainsi qu'à ceux qui vous entourent. Cela est souvent rendu possible grâce à l'agrégation de nombreuses images et à une formation itérative qui constitue la base d'un projet d'apprentissage automatique.
Lorsque les parties prenantes ont identifié un plan et un concept, sont sorties et ont collecté toutes les images pertinentes et les ont intégrées dans les algorithmes d'apprentissage automatique, elles peuvent tirer parti de l'immense pouvoir de l'intelligence artificielle pour exécuter les processus métier.
Une entreprise peut envoyer un robot d'exploration sur Internet à la recherche de photos pouvant contenir un client particulier, pour créer un fichier montrant l'identité de ce client ainsi que ses préférences et tendances. L'entreprise peut même utiliser ces informations pour automatiser le publipostage ou tout autre marketing direct. Lorsque vous commencez à y penser comme ça, il est facile de voir comment ce processus de reconnaissance et d'identification d'image peut être lié à toutes sortes de fonctionnalités qui permettront aux ordinateurs de faire tant de choses que les humains ont l'habitude de faire pour tous. notre histoire enregistrée. En prenant l'exemple de la recherche client, avec les types de configurations ci-dessus, les humains n'ont pas à être impliqués du tout: l'ordinateur peut "sortir sur le web" et faire rapport à ses propriétaires ou aux détenteurs des données.
Pour tous ceux qui s'impliquent dans les eaux profondes de l'apprentissage automatique, la compréhension du concept d'exploration de données d'images de masse constitue une bonne première étape dans une feuille de route pour exploiter le pouvoir de l'apprentissage automatique et trouver comment l'utiliser au profit d'une entreprise.
