Maskinelæring
Maskinlæring er begrebet, at et computerprogram kan lære og tilpasse sig nye data uden menneskelig indblanding. Maskinindlæring er et felt med kunstig intelligens (AI), der holder en computers indbyggede algoritmer aktuelle uanset ændringer i verdensøkonomien.
Maskinlæring forklaret
Forskellige sektorer i økonomien beskæftiger sig med enorme mængder data, der er tilgængelige i forskellige formater fra forskellige kilder. Den enorme mængde data, kendt som big data, bliver let tilgængelig og tilgængelig på grund af den gradvise anvendelse af teknologi. Virksomheder og regeringer er klar over den enorme indsigt, der kan opnås ved at udnytte big data, men mangler de ressourcer og tid, der kræves til at kæmpe gennem dets vell af information. Som sådan anvendes kunstige intelligensforanstaltninger af forskellige brancher til at indsamle, behandle, kommunikere og dele nyttig information fra datasæt. En metode til AI, der i stigende grad anvendes til stor databehandling, er maskinlæring.
Applikationer til maskinlæring
De forskellige dataprogrammer inden for maskinlæring dannes gennem en kompleks algoritme eller kildekode indbygget i maskinen eller computeren. Denne programmeringskode opretter en model, der identificerer dataene og bygger forudsigelser omkring de data, de identificerer. Modellen bruger parametre indbygget i algoritmen til at danne mønstre til dens beslutningsproces. Når nye eller yderligere data bliver tilgængelige, justerer algoritmen automatisk parametrene for at kontrollere, om der er nogen mønsterændring. Modellen bør dog ikke ændre sig.
Maskinlæring bruges i forskellige sektorer af forskellige grunde. Handelssystemer kan kalibreres for at identificere nye investeringsmuligheder. Marketing- og e-handelsplatforme kan indstilles til at give nøjagtige og personaliserede anbefalinger til deres brugere baseret på brugernes internet-søgehistorik eller tidligere transaktioner. Låninstitutioner kan indarbejde maskinlæring for at forudsige dårlige lån og opbygge en kreditrisikomodel. Informationshubber kan bruge maskinlæring til at dække enorme mængder nyheder fra alle verdenshjørner. Banker kan oprette værktøjer til opdagelse af svig ved hjælp af maskinlæringsteknikker. Inkorporering af maskinlæring i den digitale kyndige æra er uendelig, da virksomheder og regeringer bliver mere opmærksomme på de muligheder, som big data giver.
Sådan fungerer maskinlæring
Sådan fungerer maskinlæring kan bedre forklares ved en illustration i den finansielle verden. Traditionelt skurrer investeringsaktører på værdipapirmarkedet som finansielle forskere, analytikere, kapitalforvaltere og individuelle investorer gennem en masse information fra forskellige virksomheder over hele verden for at tage rentable investeringsbeslutninger. Imidlertid offentliggøres nogle relevante oplysninger muligvis ikke i vid udstrækning af medierne og kan være interesseret i kun nogle få, der har fordelen ved at være ansatte i virksomheden eller beboere i det land, hvor informationen stammer fra. Derudover er der kun så meget information mennesker kan indsamle og behandle inden for en given tidsramme. Det er her maskinlæring kommer ind.
Et kapitalforvaltningsfirma kan anvende maskinlæring inden for dets investeringsanalyse og forskningsområde. Lad os sige, at kapitalforvalteren kun investerer i minedele. Modellen indbygget i systemet skanner internettet og indsamler alle typer nyhedshændelser fra virksomheder, industrier, byer og lande, og denne indsamlede information udgør datasættet. Virksomhedens kapitalforvaltere og forskere ville ikke have været i stand til at få oplysningerne i datasættet ved hjælp af deres menneskelige kræfter og intellekter. Parametrene bygget sammen med modellen udtrækker kun data om mineselskaber, reguleringspolitikker for efterforskningssektoren og politiske begivenheder i udvalgte lande fra datasættet. Lad os sige, at et mineselskab XYZ lige opdagede en diamantgruve i en lille by i Sydafrika, at appen til maskinlæring fremhæver dette som relevante data. Modellen kunne derefter bruge et analyseværktøj kaldet prediktiv analyse til at fremsætte forudsigelser om, hvorvidt minesektoren vil være rentabel i en periode, eller hvilke minedele der sandsynligvis vil stige i værdi på et bestemt tidspunkt. Denne information videresendes til kapitalforvalteren for at analysere og tage en beslutning for hans portefølje. Kapitalforvalteren kan tage en beslutning om at investere millioner af dollars i XYZ-aktie.
I kølvandet på en ugunstig begivenhed, såsom sydafrikanske minearbejdere, der går i strejke, justerer computeralgoritmen sine parametre automatisk for at oprette et nyt mønster. På denne måde forbliver den computermodel, der er indbygget i maskinen, opdateret, selv med ændringer i verdensbegivenheder og uden at have brug for et menneske til at finpusse sin kode for at reflektere ændringerne. Da kapitalforvalteren modtog disse nye data til tiden, kan de begrænse hans tab ved at forlade aktien.
Sammenlign Navn på udbydere af investeringskonti Beskrivelse Annoncørens viden × De tilbud, der vises i denne tabel, er fra partnerskaber, hvorfra Investopedia modtager kompensation.