Ha szoktál tech blogokat vagy startup híreket olvasni akkor az az érzésed lehet, hogy már a csapból is a gépi tanulás (ML) és a mesterséges intelligencia (AI) folyik.
Robotok kétkezi munkát végeznek helyettünk:
A kocsi hazavisz a házadig:
Chatbottal beszélgetsz ügyfélszolgálat helyett...
Algoritmusok tizedmásodperc alatt eldöntik, hogy milyen biztosításra vagyunk jogosultak...
Mikor egy algoritmus percek vagy másodpercek alatt elvégez olyan munkát ami egy embernek órákba vagy napokba telik akkor nem kérdés, hogy valami hasznossal van dolgunk. Felcsillannak a szemek, a kliensek pénztárcája kinyílik, a befektetők meglengetik a pénzeszsákot. A gépi tanulás és mesterséges intelligencia megjelenése hasonlít a gőzgépek megjelenésére a 18. században. A repetitív, alacsony komplexitást igénylő feladatokat elvégző emberi munkaerő fokozatosan háttérbe szorul, helyét az algoritmusok veszik át. Annak idején ez indította be az ipari forradalmat ami megreformálta az egész világot.
Az ipari forradalom az automatizálás 0. szintjéről az 1. szintre vitte az emberiséget. Akkor a gépek a repetitív, szimpla fizikai munkát váltották fel. Az ML/AI most a következő szint, hiszen nem a fizikai hanem a kognitív képességeket igénylő munkát váltja fel. A problémakörök azonban nagyon szerteágazóak és sok esetben egyáltalán nem tekinthetőek szimplának.
Ha nem ismered akkor fekete mágiának tűnhet a legegyszerűbb MI alapú megoldás is. Mi kell ahhoz, hogy a fekete mágiáról lerántsuk a leplet és kicsit benézzünk a motorháztető alá?
Mi a GoodGrindnál szeretjük az izgalmas kihívásokat és az érdekes témákat. Az alábbi videóban szeretnénk bemutatni, hogy miként lehet egy egyszerű problémára az adatok összegyűjtésével és egy kis ML-gel választ adni. A videó nem csak az ML és AI témákba megy bele, hanem bemutatja az egész projekt kezdetétől a konklúzióig a lépéseket:
- Probléma definiálása
- Adatok gyűjtése
- Adatok tisztítása
- Adatok feltárása, információ kinyerése
- Predikciós model elkészítése & tesztelés
- Kész algoritmus (vagy vissza egy korábbi pontra, amíg nem jutsz el egy kielégítő megoldásig)
Kis technikai háttér:
- JavaScript programnyelv
- Webcrawlerrel adatgyűjtés
- Metabase az adatok feltárásához
- Python ML library az ML model elkészítéséhez és predikcióhoz
Az előadást Sram Norbert, a GoodGrind társalapítója és CTO-ja tartotta a budapesti BudapestJS-en. Az előadás angol nyelvű.
Ha kérdésed vagy projekt ötleted van, akkor vedd fel velük a kapcsolatot a www.goodgrind.tech oldalon vagy dobj egy levelet az info@goodgrind.tech címre.
Köszönet a cikkért és a videókért Máj Szabolcsnak, a GoodGrind munkatársának.
Ajánlott bejegyzések:
A bejegyzés trackback címe:
Kommentek:
A hozzászólások a vonatkozó jogszabályok értelmében felhasználói tartalomnak minősülnek, értük a szolgáltatás technikai üzemeltetője semmilyen felelősséget nem vállal, azokat nem ellenőrzi. Kifogás esetén forduljon a blog szerkesztőjéhez. Részletek a Felhasználási feltételekben és az adatvédelmi tájékoztatóban.