Χάρη στις νέες τεχνολογίες της πληροφορικής, η μηχανική μάθηση σήμερα δεν έχει καμία σχέση με αυτό που ξέραμε στο παρελθόν.
To machine learning γεννήθηκε από την αναγνώριση προτύπων και τη θεωρία ότι οι υπολογιστές μπορούν να μάθουν, χωρίς να προγραμματιστούν, να εκτελούν συγκεκριμένα καθήκοντα. Στην ουσία, οι ερευνητές στον τομέα της Τεχνητής Νοημοσύνης ήθελαν να εξετάσουν το κατά πόσο οι υπολογιστές θα μπορούσαν να μάθουν από τα δεδομένα.
Η επαναληπτικότητα της μηχανικής μάθησης είναι που έχει τη μεγαλύτερη σημασία, καθώς τα μοντέλα εκτίθενται συνεχώς σε νέα δεδομένα και είναι σε θέση να προσαρμόζονται ανεξάρτητα. Με άλλα λόγια, μαθαίνουν από προηγούμενους υπολογισμούς ώστε να παράγουν αξιόπιστες, επαναλαμβανόμενες αποφάσεις και αποτελέσματα. Δεν πρόκειται για μία νέα επιστήμη. Ωστόσο έχει πλέον αποκτήσει μία νέα δυναμική.
Και ενώ υπάρχουν εδώ και πολύ καιρό πολλοί αλγόριθμοι μηχανικής μάθησης, η δυνατότητα αυτόματης εφαρμογής σύνθετων μαθηματικών υπολογισμών σε μεγάλους όγκους δεδομένων -ξανά και ξανά και ολοένα ταχύτερα- είναι μία πρόσφατη εξέλιξη.
Μερικά διάσημα παραδείγματα πρακτικής εφαρμογής του machine learning περιλαμβάνουν:
- Το πολυσυζητημένο αυτο-οδηγούμενο αυτοκίνητο της Google. Πρόκειται για την ουσία της μηχανικής μάθησης.
- Οι online προτάσεις αγορών, όπως αυτές της Amazon και του Netflix. Πρόκειται για εφαρμογές της μηχανικής μάθησης στην καθημερινή ζωή.
- Η γνώση τού τι λένε οι πελάτες για μια εταιρεία στο Twitter. Εδώ το machine learning συνδυάζεται με τη δημιουργία γλωσσικών κανόνων.
- Ανίχνευση απάτης (fraud detection). Μία από τις πιο προφανείς και σημαντικές χρήσεις της μηχανικής μάθησης στον κόσμο μας σήμερα.
«Στην πράξη», αναφέρει το περιοδικό Leading της Ένωσης Ανώτατων Στελεχών Επιχειρήσεων(ΕΑΣΕ), «το machine learning έχει να κάνει με την κατανόηση των δεδομένων και των στατιστικών. Σε πολύ αδρές γραμμές, είναι μία διαδικασία όπου υπολογιστικοί αλγόριθμοι εντοπίζουν μοτίβα σε δεδομένα και προβλέπουν τα δυνητικά αποτελέσματα. Με αυτό τον τρόπο ένα email πρόγραμμα λειτουργεί κάπως έτσι ώστε να εξετάσει τα email που λαμβάνουμε και να καθορίσει ποια είναι spam και ποια όχι, με βάση λέξεις στο δέμα του email ή τα μοτίβα που αναγνώρισε μέσα από τη λίστα των αποδεκτών.
Η παρακολούθηση του ηλεκτρονικού ταχυδρομείου είναι μόνο η αρχή. Η μηχανική μάθηση είναι παντού. Όταν κάποιος χρησιμοποιεί το Google Translate υπάρχει ένας αλγόριθμος που μεταφράζει το κείμενο. To PayPal χρησιμοποιεί τουλάχιστον τρία διαφορετικά μοντέλα μηχανικής μάθησης για να κρίνει αν οι χρήστες αντιμετωπίζουν κίνδυνο απάτης. Το Facebook για να σαρώσει φωτογραφίες αναζητώντας πρόσωπα και στη συνέχεια να τα προτείνει στους χρήστες μέλη που μπορούν να "ταγκάρουν", χρησιμοποιεί επίσης σχετικούς αλγόριθμους.
Προφανώς, οι δυνατότητες της μηχανικής μάθησης ξεπερνούν κατά πολύ όλα αυτά. Οι χρήσεις της είναι άπειρες - από την πρόβλεψη μοντέλων κυκλοφορίας στους δρόμους μέχρι το ξέσπασμα επιδημιών, την πρόβλεψη των αποθεμάτων ή των αποτυχιών ενός συστήματος. Πρόκειται για το ξεκίνημα μίας νέας εποχής στην εξέλιξη της οποίας θα προκύψουν τόσο πρωτόγνωρες δυνατότητες δημιουργίας πλούτου όσο όμως και νέου τύπου ανισότητες, γνωστικές και άλλες, τις οποίες για την ώρα τα δυτικά πολιτικά συστήματα δεν δείχνουν να μπορούν να αντιμετωπίσουν, ή για κάποιους αγνώστους λόγους δεν θέλουν».