1. Uczenie maszynowe. Opis ogólny
Samo-uczenie się maszyn
ChatGPT
2. Algorytmy
3. Uczenie maszynowe a Trawers ERP
3.1 Centralne źródło danych
3.2 Metadane w bazie wiedzy
4. Kierunki rozwoju
5. Uczenie maszynowe vs AI
6. Tematy powiązane
1. Uczenie maszynowe. Opis ogólny
Sam-uczenie się maszyn
Uczenie maszynowe (en: ML Machine Learning, de: Maschinelles Lernen), inaczej:
samo-uczenie się maszyn, systemy uczące się, to obszar tzw. sztucznej inteligencji.
Istota samouczenia się maszyn polega na tym, że systemy informatyczne
rozpoznają w dostępnych danych zależności, wzorce i reguły i na tej podstawie
potrafią samodzielnie znajdować rozwiązania zadanych problemów.
Np. usprawniają prognozy zjawisk i dają trafniejsze propozycje decyzji.
Inaczej: systemy poprawiają się automatycznie poprzez doświadczenie.
Im więcej danych, tym trafniejsze wyniki przetwarzania.
Machine learning algorithms are programs (math and logic) that adjust themselves
to perform better as they are exposed to more data.
Celem jest 'nauczanie' komputerów do 'uczenia się' na podstawie danych.
Zamiast wykonywać precyzyjne zaprogramowane obliczenia.
ChatGPT
Patrz też: ChatGPT
ChatGPT zapamiętuje pytania. Odpowiedzi na kolejne pytania mogą wynikać
z kontekstu pytań poprzednich. Np. znaczących słów (kluczowych) użytych
w dotychczasowych pytaniach. ChaGPT 'uczy się'
ChatGPT. Chatbot. Opis ogólny
2. Algorytmy
Uczenie maszynowe wykorzystuje różne techniki algorytmiczne.
Wg:
https://www.simplilearn.com/10-algorithms-machine-learning-engineers-need-to-know-article
najczęściej stosuje sią następujące algorytmy:
Linear regression
Logistic regression
Decision tree
SVM algorithm
Naive Bayes algorithm
KNN algorithm
K-means
Random forest algorithm
Dimensionality reduction algorithms
Gradient boosting algorithm and AdaBoosting algorithm
3. Uczenie maszynowe a Trawers ERP
3.1 Centralne źródło danych
Trawers ERP stanowi centralne źródło danych dla wielu różnych procesów
w przedsiębiorstwie. Zapewnia jednolite standardy gromadzenia i przechowywania
informacji.
Zgromadzone i zwiększające się bazy danych, są naturalnym środowiskiem
dla zastosowania algorytmów uczących się.
Aby usprawniać analizy i prognozy, dostarczać trafniejszych propozycji decyzji.
Już obecnie w programie Trawers ERP zastosowano szereg algorytmów,
których jakość, trafność i użyteczność zwiększa się, w miarę jak przybywa
informacji w bazie danych.
Np. sugerowanie (podpowiadanie) kupującym artykułów uzupełniających
(komplementarnych), np. wałki malarskie przy zakupie farby.
Skuteczność takich działań jest tym większa, im więcej klient zrobił
podobnych zakupów w poprzednim czasie. Co zanotowano w bazie danych,
a odpowiednie algorytmy ujawniły i podpowiedziały podczas transakcji.
3.2 Metadane w bazie wiedzy
Metadane, to dane o danych.
Cel podstawowy: ułatwienie użytkownikom wyszukanie konkretnych informacji
oraz ustalenie źródeł tych informacji.
BazaWiedzy Trawers ERP i teksty komunikacji z użytkownikiem (interfejs)
zawiera metadane, np. KSOM, Należności, Nadpłaty, KIM, PTU/VAT, EDI, itp.
Niektóre metadane dodatkowo zidentyfikowano jako: #Hashtagi (Słowa kluczowe)
Teksty w bazie wiedzy zawierają metadane. Narzędzia AI (chatboty, uczenie maszynowe)
opierają się na czystych, dobrze zorganizowanych danych w celu zapewnienia
dokładnych wyników (rely on clean, well-organized data for accurate
training and results).
Metadane wspierają ten proces poprzez etykietowanie i kategoryzację
danych, co pomaga modelom w uczeniu się i zapewnia niezbędny kontekst
dla zrozumienia zjawiska (sytuacji, en: insight).
4. Kierunki rozwoju
* Wprowadzanie do programu kolejnych algorytmów ML
Szczególnie w obszarze analiz, prognozowania i wspomagania decyzji
* (opcja) Zintegrowanie Trawers ERP z zewnętrznym programem (aplikacją
w chmurze) wyspecjalizowaną w zastosowaniu algorytmów ML
* Włączenie do algorytmów ML wszystkich danych cyfrowych używanych
w przedsiębiorstwach, niezależnie od tego czy są bezpośrednio
w bazie programu Trawers ERP.
Uczenie maszynowe powinno obejmować całą firmę, wszystkie informacje.
Aby uzyskać wyniki najbardziej trafne, z punktu widzenia przedsiębiorstwa,
w celu uzyskania dostatecznej przewagi konkurencyjnej.
5. Uczenie maszynowe vs AI
Teza: Tradycyjne uczenie maszynowe zapewnia bardzo dużą skuteczność
w przewidywaniu problemów, natomiast generatywna sztuczna inteligencja
ułatwia projektowanie rozwiązań.
Rozwinięcie: Cele, zastosowania, ograniczenia
1. Tradycyjne uczenie maszynowe - przewidywanie problemów
Tradycyjne uczenie maszynowe (ang. *machine learning*, ML) to podejście polegające
na analizie danych w celu znalezienia wzorców, które pozwalają przewidywać
przyszłe zdarzenia lub klasyfikować dane wejściowe.
Przykłady:
* Modele regresyjne przewidujące awarie maszyn.
* Klasyfikatory wykrywające oszustwa transakcyjne.
* Systemy detekcji anomalii w danych produkcyjnych.
Dlaczego skuteczne w przewidywaniu problemów?
* ML opiera się na danych historycznych i statystycznych, co pozwala z dużą precyzją
identyfikować sytuacje, które już występowały (np. błędy, usterki, anomalie).
* Modele są w stanie analizować ogromne ilości zmiennych jednocześnie,
wyłapując subtelne korelacje niedostrzegalne dla człowieka.
* Po odpowiednim wytrenowaniu mogą działać w czasie rzeczywistym,
ostrzegając zanim wystąpi realny problem.
2. Generatywna sztuczna inteligencja - projektowanie rozwiązań
Generatywna AI (ang. *Generative AI*, np. modele takie jak GPT-4) to systemy,
które potrafią tworzyć nowe treści: tekst, kod, obrazy, muzykę,
a nawet rozwiązania koncepcyjne na podstawie kontekstu i przykładów.
Przykłady zastosowań:
* Tworzenie propozycji procedur naprawczych dla wykrytych błędów.
* Generowanie kodu rozwiązującego określony problem techniczny.
* Projektowanie szablonów dokumentów, strategii, raportów.
* Wspomaganie kreatywnego myślenia przy rozwiązywaniu problemów organizacyjnych.
Dlaczego ułatwia projektowanie rozwiązań?
* Działa na zasadzie kreatywnego łączenia danych, wiedzy i języka.
* Może zaproponować kilka alternatywnych podejść, pozostawiając wybór użytkownikowi.
* Wspiera proces twórczy nawet w nieustrukturyzowanych lub słabo zdefiniowanych zadaniach.
* Zdolna do uogólniania wiedzy z różnych dziedzin i adaptowania jej do konkretnych przypadków.
3. Podsumowanie - komplementarność podejść
| Cecha | Tradycyjne ML | Generatywna AI |
| -------------- | ------------------------------------------------| --------------------------------------|
| Główna funkcja | Przewidywanie | Generowanie |
| Typ danych | Liczbowe, strukturalne | Tekstowe, obrazy, kod |
| Cel | Wczesne wykrywanie problemów | Tworzenie rozwiązań |
| Przykład | Ta maszyna prawdopodobnie się zepsuje z 3 dni | Instrukcja krok po kroku jak naprawić |
Oba podejścia są komplementarne: ML identyfikuje problem, a generatywna AI wspiera jego rozwiązanie.