Saturs
- Dziļās apmācības biznesa lietojumi
- Lielo datu un dziļas mācīšanās V
- Bez kļūdām, bez stresa - jūsu soli pa solim, kā izveidot programmatūru, kas maina dzīvi, neiznīcinot savu dzīvi
- Melnās kastes dilemma
- Regula
Avots: Agsandrew / Dreamstime.com
Izņemšana:
Dziļajai izglītībai ir daudz ko piedāvāt uzņēmumiem, taču daudzi joprojām to vilcinās pieņemt. Šeit mēs aplūkojam dažus no tās lielākajiem sāpju punktiem.
Dziļā mācīšanās ir mašīnmācīšanās apakšlauks, kas (vispārīgi runājot) ir tehnoloģija, kuru iedvesmo cilvēka smadzenes un tās funkcijas. Pirmoreiz ieviesta pagājušā gadsimta piecdesmitajos gados, mašīnmācību kumulatīvi ietekmē tas, kas pazīstams kā mākslīgais neironu tīkls, kas ir savstarpēji savienotu datu mezglu pārpilnība, kas kopā veido mākslīgā intelekta pamatu. (Lai iegūtu mašīnmācības pamatus, skatiet Machine Learning 101.)
Mašīnmācība būtībā ļauj datorprogrammām mainīt sevi, kad to prasa ārēji dati vai programmēšana. Pēc būtības tas to spēj paveikt bez cilvēku mijiedarbības. Tam ir līdzīga funkcionalitāte kā datu ieguvei, bet ar iegūtiem rezultātiem jāapstrādā mašīnām, nevis cilvēkiem. Tas ir sadalīts divās lielās kategorijās: pārraudzībā un bez uzraudzības.
Vadīta mašīnmācība ir saistīta ar iepriekš noteiktu darbību veikšanu, izmantojot marķētus apmācības datus. Citiem vārdiem sakot, uzraudzītos rezultātus jau iepriekš zina (cilvēks) programmētājs, bet sistēma, kas secina rezultātus, ir apmācīta tos “iemācīties”. Turpretī neuzraudzīta mašīnu apguve izdara secinājumus no neiezīmētiem ievades datiem, bieži kā līdzekli nezināmu modeļu noteikšanai.
Dziļās mācīšanās ir unikāla ar spēju trenēties, izmantojot hierarhiskos algoritmus, pretstatā mašīnmācīšanās lineārajiem algoritmiem. Dziļo mācību hierarhijas kļūst aizvien sarežģītākas un abstraktākas, jo tās attīstās (vai “mācās”) un nepaļaujas uz uzraudzītu loģiku. Vienkārši sakot, dziļā izglītība ir augsti attīstīta, precīza un automatizēta mašīnmācīšanās forma, un tā ir mākslīgā intelekta tehnoloģijas priekšgalā.
Dziļās apmācības biznesa lietojumi
Mašīnmācība jau tiek plaši izmantota vairākās dažādās nozarēs. Piemēram, sociālie mediji to izmanto, lai izveidotu satura plūsmas lietotāju laika grafikos. Google Brain tika dibināts pirms vairākiem gadiem ar nolūku attīstīt dziļas mācības Google pakalpojumu klāstā, tehnoloģijai attīstoties.
Koncentrējoties uz prognozējošo analītiku, mārketinga joma ir īpaši ieguldīta dziļas apmācības jauninājumos. Tā kā datu uzkrāšana ir tas, kas virza tehnoloģiju, tādām nozarēm kā pārdošana un klientu atbalsts (kurām jau ir daudz bagātīgu un daudzveidīgu klientu datu) ir unikālas iespējas to izmantot zemes līmenī.
Agrīna pielāgošanās dziļajai izglītībai ļoti labi varētu būt noteicošais faktors tam, cik daudz konkrētu nozaru gūst labumu no tehnoloģijas, it īpaši tās agrīnajos posmos. Neskatoties uz to, daži konkrēti sāpju punkti daudziem uzņēmumiem liedz ienirt dziļajās mācību tehnoloģijās.
Lielo datu un dziļas mācīšanās V
2001. gadā META grupas (tagad Gartner) analītiķis ar Doug Laney vārdu ieskicēja, ko pētnieki uztver kā lielos datu trīs galvenos izaicinājumus: apjomu, dažādību un ātrumu. Pēc pusotras desmit gadu laika straujais piekļuves punktu skaits internetam (galvenokārt mobilo ierīču izplatības un IoT tehnoloģijas pieauguma dēļ) ir izvirzījis šos jautājumus priekšplānā lieliem tehnoloģiju uzņēmumiem, kā arī mazākiem uzņēmumiem un jaunizveidotiem uzņēmumiem. (Lai uzzinātu vairāk par trim v, skatiet šodienas lielo datu izaicinājumu elementus no daudzveidības, nevis apjoma vai ātruma.)
Bez kļūdām, bez stresa - jūsu soli pa solim, kā izveidot programmatūru, kas maina dzīvi, neiznīcinot savu dzīvi
Jūs nevarat uzlabot savas programmēšanas prasmes, ja nevienam nerūp programmatūras kvalitāte.
Jaunākā statistika par globālo datu izmantošanu ir satriecoša. Pētījumi liecina, ka aptuveni 90 procenti no visiem pasaules datiem tika izveidoti tikai pēdējos pāris gados. Saskaņā ar vienu aplēsi mobilo sakaru trafiks visā pasaulē 2016. gadā bija aptuveni septiņi eksabāti mēnesī, un ir paredzams, ka nākamajos desmit gados šis skaits palielināsies apmēram septiņas reizes.
Papildus apjomam dažādība (strauji pieaugošā datu dažādība, jauniem plašsaziņas līdzekļiem attīstoties un paplašinoties) un ātrums (ātrums, ar kādu elektroniskie plašsaziņas līdzekļi tiek nosūtīti datu centriem un centriem) ir arī galvenie faktori, kā uzņēmumi pielāgojas plaukstošajam laukam. dziļās mācīšanās. Un, lai izvērstos mnemoniskajā ierīcē, pēdējo gadu lielo datu sāpju punktu sarakstam ir pievienoti vairāki citi v-vārdi, tostarp:
- Derīgums: ieejas datu precizitātes mērīšana lielās datu sistēmās. Nederīgi dati, kas tiek neatklāti, var izraisīt ievērojamas problēmas, kā arī ķēdes reakcijas mašīnmācīšanās vidēs.
- Ievainojamība: lielie dati, protams, rada bažas par drošību, vienkārši ņemot vērā to mērogu. Un, lai arī drošības sistēmās, kuras iespējot mašīnu apguvē, ir liels potenciāls, šīm sistēmām to pašreizējos iemiesojumos ir pieminēts to efektivitātes trūkums, jo īpaši to tendences dēļ radīt nepatiesas trauksmes.
- Vērtība: lielo datu potenciālās vērtības pierādīšana (uzņēmējdarbībā vai citur) var būt būtisks izaicinājums dažādu iemeslu dēļ. Ja kādu no citiem sāpju punktiem šajā sarakstā nevar efektīvi novērst, tad tie faktiski varētu radīt negatīvu vērtību jebkurai sistēmai vai organizācijai, iespējams, pat ar katastrofālu efektu.
Pie citiem aliteratīvajiem sāpju punktiem, kas ir pievienoti sarakstam, ir mainīgums, ticamība, nepastāvība un vizualizācija - tie visi izvirza savus unikālos izaicinājumu kopumus lielajām datu sistēmām. Varētu vēl pievienot, jo esošais saraksts laika gaitā (iespējams) samazinās. Lai gan tas dažiem var šķist nedaudz nodomāts, mnemoniskais “v” saraksts ietver nopietnus jautājumus, saskaroties ar lieliem datiem, kuriem ir svarīga loma dziļas mācīšanās nākotnē.
Melnās kastes dilemma
Viena no pievilcīgākajām dziļas mācīšanās un mākslīgā intelekta īpašībām ir tā, ka abi ir domāti tādu problēmu risināšanai, kuras cilvēki nespēj. Tās pašas parādības, kuras it kā pieļauj, tomēr rada arī interesantu dilemmu, kas izpaužas tā dēvētās “melnās kastes” formā.
Neironu tīkls, kas izveidots dziļas mācīšanās procesā, ir tik plašs un tik sarežģīts, ka tā sarežģītās funkcijas būtībā ir neizslēdzamas no cilvēku novērošanas. Datu zinātniekiem un inženieriem var būt pilnīga izpratne par to, kas nonāk dziļajās mācību sistēmās, bet tas, kā viņi biežāk pieņem lēmumus par iznākumu, ir pilnīgi neizskaidrojams.
Lai gan tas, iespējams, nav nozīmīgs jautājums, teiksim, tirgotājiem vai pārdevējiem (atkarībā no tā, ko viņi tirgo vai pārdod), citām nozarēm ir nepieciešama noteikta procesa validācija un pamatojums, lai rezultāti būtu izmantojami pilnībā. Piemēram, finanšu pakalpojumu uzņēmums varētu izmantot padziļinātas mācības, lai izveidotu ļoti efektīvu kredīta vērtēšanas mehānismu. Bet kredītpunktiem bieži jābūt ar kaut kādiem vārdiskiem vai rakstiskiem paskaidrojumiem, kurus būtu grūti izveidot, ja faktiskais kredītvērtējuma vienādojums ir pilnīgi necaurspīdīgs un neizskaidrojams.
Šī problēma attiecas arī uz daudzām citām nozarēm, jo īpaši veselības un drošības jomā. Medicīna un transports var gan gūt labumu no dziļas mācīšanās, gan saskarties ar ievērojamiem šķēršļiem melnās kastes formā. Jebkurus rezultātus šajos laukos, lai cik izdevīgi tie būtu, var pilnībā izmest, ņemot vērā to pamatā esošo algoritmu pilnīgo neskaidrību. Tas noved mūs pie vispretrunīgi vērtētākā sāpju punkta no visiem viņiem…
Regula
2016. gada pavasarī Eiropas Savienība pieņēma Vispārīgo datu aizsardzības regulu (GDPR), kas (cita starpā) piešķir pilsoņiem “tiesības uz skaidrojumu” automatizētiem lēmumiem, ko rada mašīnmācīšanās sistēmas, kas viņus “būtiski ietekmē”. Paredzēts, ka regula stāsies spēkā 2018. gadā, tehnoloģiju uzņēmumus, kuri ir ieguldīti dziļā izglītībā, pateicoties tā necaurlaidīgajai melnajai kastei, rada bažas, kas daudzos gadījumos traucētu izskaidrot GDPR pilnvarotos paskaidrojumus.
“Automātiska individuālu lēmumu pieņemšana”, kuru GDPR plāno ierobežot, ir būtiska dziļas mācīšanās iezīme. Bet bažas par šo tehnoloģiju ir neizbēgamas (un lielākoties pamatotas), kad diskriminācijas potenciāls ir tik liels un caurspīdīgums ir tik zems. Amerikas Savienotajās Valstīs Pārtikas un zāļu pārvalde līdzīgi regulē narkotiku testēšanu un tirdzniecību, pieprasot, lai šie procesi būtu auditējami. Tas ir radījis šķēršļus farmācijas nozarei, kā tas, kā ziņots, ir noticis Masačūsetsā bāzētajā biotehnoloģiju uzņēmumā Biogen, kuram FDA noteikuma dēļ ir liegts izmantot neizprotamas dziļas mācīšanās metodes.
Dziļās mācīšanās sekas (morāles, praktiskās un ārpus tās) ir nepieredzētas, un, godīgi sakot, diezgan dziļas. Tehnoloģiju apņem ļoti daudz satraukumu, kas lielā mērā saistīts ar tās graujošo potenciālu, kā arī necaurspīdīgo loģiku un funkcionalitāti.Ja uzņēmumi dziļajās mācībās var pierādīt taustāmu vērtību, kas pārsniedz iespējamos draudus vai draudus, tie varētu palīdzēt mūs virzīt nākamajā mākslīgā intelekta kritiskajā posmā.