Возможности машинного обучения разрешают прогнозировать появление ИИ уже через пару лет.
Машинное обучение - это область математики, которая занимается поиском скрытых закономерностей в тех данных, которыми оперирует компьютер. Под «данными» в классической математике понимается некая совокупность объектов. На практике в качестве объектов могут выступать, к примеру, пользователи социальной сети, изображения, клиенты банков, страны, РНК, экспериментальные результаты с Солидного адронного коллайдера и без того потом. Единственное требование, предъявляемое математикой к объекту, заключается в том, что он должен быть обрисован некоей совокупностью переменных, которые, фактически, его характеризуют.
Машинное обучение начинается в тот момент, когда переменные, которыми описывается объект, становится вероятным поделить на две части: замечаемые и скрытые (латентные) переменные. Замечаемые - это те, которые мы можем измерить у любого из всей совокупности объектов. Скрытые же, либо латентные переменные, мы можем измерить у ограниченного количества объектов, в силу того, что, в большинстве случаев, их измерение сопряжено с какими-либо затратами (денежными, временными, и пр.). Наряду с этим предполагается, что между замечаемыми и скрытыми переменными имеется некая связь.
На поиск этой связи и направлены современные методы машинного обучения.
В тех случаях, когда существуют узнаваемые математические модели, увязывающие замечаемые и скрытые компоненты в неспециализированные уравнения, в машинном обучении нет необходимости. Но большая часть задач, которые появляются в действительности, в большинстве случаев, связаны с анализом данных (явлений), для которых, ни физических, ни математических моделей, Сейчай, не существует, но возможно собрать достаточно громадную обучающую выборку.