Зміст
- Бізнес-програми глибокого навчання
- V-великі дані та поглиблене навчання
- Ні помилок, ні стресу - покроковий посібник зі створення програмного забезпечення, що змінює життя, не руйнуючи ваше життя
- Дилема чорної коробки
- Регулювання
Джерело: Agsandrew / Dreamstime.com
Винос:
Поглиблене навчання може багато запропонувати бізнесу, але багато хто все ще вагається з його прийняттям. Тут ми розглянемо деякі його найбільші больові точки.
Глибоке навчання - це підполе машинного навчання, яке (загалом кажучи) - це технологія, яка надихається людським мозку та його функціями. Вперше запроваджене в 1950-х роках машинне навчання кумулятивно повідомляється тим, що називається штучною нейронною мережею, безліччю взаємопов'язаних вузлів даних, які в сукупності становлять основу для штучного інтелекту. (Для основ машинного навчання див. Машинне навчання 101.)
Машинне навчання, по суті, дозволяє комп'ютерним програмам змінюватись самі, коли їх вимагають зовнішні дані або програмування. За своєю природою вона здатна здійснити це без взаємодії людини. Він поділяє подібну функціональність при обробці даних, але з видобутими результатами, які обробляються машинами, а не людиною. Він поділяється на дві основні категорії: навчання під наглядом та без нагляду.
Контрольоване машинне навчання передбачає висновок заздалегідь визначених операцій через мічені дані навчання. Іншими словами, контрольовані результати заздалегідь відомі (людиною) програмістом, але система, що виводить результати, навчена «вивчати» їх. Навпаки, непідконтрольне машинне навчання, навпаки, виводить висновки з незазначених вхідних даних, часто як засіб виявлення невідомих зразків.
Глибоке навчання унікальне своєю здатністю тренувати себе за допомогою ієрархічних алгоритмів, на відміну від лінійних алгоритмів машинного навчання. Ієрархії глибокого навчання стають все більш складними та абстрактними в міру їх розвитку (або «навчання») і не покладаються на керовану логіку. Простіше кажучи, глибоке навчання - це дуже прогресивна, точна і автоматизована форма машинного навчання, і вона стоїть на передньому плані технології штучного інтелекту.
Бізнес-програми глибокого навчання
Машинне навчання вже часто використовується в декількох галузях. Наприклад, соціальні медіа використовують його для курації каналів вмісту у часових межах користувачів. Компанія Google Brain була заснована кілька років тому з метою продумання глибокого навчання в межах усіх служб Google у міру розвитку технології.
Орієнтуючись на прогностичну аналітику, сфера маркетингу особливо вкладається в глибокі інноваційні знання. А оскільки накопичення даних - це те, що рухає технологією, такі галузі, як продажі та підтримка споживачів (які вже володіють великою кількістю багатих та різноманітних даних про клієнтів), мають унікальне місце для прийняття їх на рівні землі.
Рання адаптація до глибокого навчання могла б бути ключовим визначальним фактором того, наскільки конкретні сектори отримують користь від технології, особливо на її ранніх етапах. Тим не менш, кілька конкретних больових моментів утримують багато підприємств від поривання в інвестиції в технології глибокого навчання.
V-великі дані та поглиблене навчання
У 2001 році аналітик META Group (тепер Gartner) на ім'я Дуг Лейні окреслив те, що дослідники сприймали як три основні проблеми великих даних: обсяг, різноманітність та швидкість. Через півтора десятиліття пізніше швидке збільшення точок доступу до Інтернету (в основному завдяки розповсюдженню мобільних пристроїв та зростанню технології IoT) вивело ці проблеми на перший план як для великих технологічних компаній, так і для малого бізнесу так само і стартапи. (Щоб дізнатися більше про три версії, див. Сьогоднішні великі виклики даних, що випливають із різноманітності, а не обсягу чи швидкості.)
Ні помилок, ні стресу - покроковий посібник зі створення програмного забезпечення, що змінює життя, не руйнуючи ваше життя
Ви не можете покращити свої навички програмування, коли ніхто не піклується про якість програмного забезпечення.
Останні статистичні дані щодо використання глобальних даних є приголомшливими. Дослідження показують, що приблизно 90 відсотків усіх даних світу було створено лише за останні кілька років. Згідно з однією оцінкою, мобільний трафік у всьому світі склав приблизно сім екзабайтерів на місяць за 2016 рік, і очікується, що ця кількість зросте приблизно в сім разів протягом наступного півріччя.
Крім обсягу, різноманітність (швидко зростаюча різноманітність видів даних у міру того, як нові медіа розвиваються та розширюються) та швидкість (швидкість, з якою електронні засоби масової інформації надсилаються до центрів обробки даних та центри) також є основними факторами в тому, як бізнес адаптується до зростаючого поля глибокого навчання. А для розширення мнемонічного пристрою до списку великих больових точок даних за останні роки було додано кілька інших v-слів, зокрема:
- Термін дії: Вимірювання точності вхідних даних у великих системах передачі даних. Неправильні дані, які не виявляються, можуть спричинити значні проблеми, а також ланцюгові реакції в машинному середовищі навчання.
- Уразливість: великі дані, природно, викликають занепокоєння щодо безпеки, просто в силу масштабу. І хоча в системах безпеки, які ввімкнені машинним навчанням, існує великий потенціал, ці системи в їх нинішніх втіленнях відзначаються недостатньою ефективністю, особливо через їх тенденцію генерувати помилкові тривоги.
- Співвідношення: Доведення потенційної цінності великих даних (у бізнесі чи в інших місцях) може бути суттєвим викликом з будь-якої кількості причин. Якщо будь-яку з інших больових точок цього списку неможливо ефективно вирішити, вони насправді можуть надати негативну цінність будь-якій системі чи організації, можливо, навіть з катастрофічним ефектом.
Інші алітеративні больові точки, які були додані до списку, включають мінливість, правдивість, мінливість та візуалізацію - всі вони представляють власні унікальні набори викликів для систем великих даних. І ще може бути додано більше, оскільки існуючий список (ймовірно) згортається з часом. Хоча для когось це може здатися трохи надуманим, мнемонічний "v" список охоплює серйозні проблеми, з якими стикаються великі дані, які відіграють важливу роль у майбутньому глибокого навчання.
Дилема чорної коробки
Однією з найпривабливіших особливостей глибокого навчання та штучного інтелекту є те, що обидва призначені для вирішення проблем, яких людина не може. Ті ж явища, які, як передбачається, дозволяють також поставити цікаву дилему, яка виникає у формі того, що називають "чорною скринькою".
Нейронна мережа, створена в процесі глибокого навчання, настільки обширна і настільки складна, що її заплутані функції по суті не піддаються спостереженню людини. Науковці та інженери, які працюють з даними, можуть мати глибоке розуміння того, що входить у системи глибокого навчання, але те, як вони частіше, ніж не приймають рішення про свої результати, стає зовсім нез'ясованим.
Хоча це, можливо, не є суттєвим питанням для, скажімо, маркетологів чи продавців (залежно від того, що вони продають чи продають), для інших галузей промисловості потрібна певна кількість перевірки процесу та міркувань для того, щоб отримати будь-яке використання результатів. Наприклад, компанія з фінансових послуг може використати глибоке навчання для створення високоефективного механізму оцінювання кредитів. Але кредитні оцінки часто повинні мати якісь словесні чи письмові пояснення, що було б складно сформувати, якщо фактичне рівняння оцінок кредиту є абсолютно непрозорим та незрозумілим.
Ця проблема поширюється і на багато інших секторів, особливо в сферах охорони здоров'я та безпеки. Медицина та транспорт можуть бути корисними для глибокого навчання, але також зіткнуться зі значною перешкодою у вигляді чорної скриньки. Будь-які результати в цих полях, незалежно від того, наскільки корисні, можуть бути повністю відкинуті через повну неясність їх алгоритмів. Це призводить нас до, мабуть, найбільш суперечливої больової точки з усіх…
Регулювання
Навесні 2016 року Європейський Союз прийняв Загальний регламент щодо захисту даних (GDPR), який (серед іншого) надає громадянам «право на пояснення» для автоматизованих рішень, генерованих системами машинного навчання, які «суттєво впливають» на них. Запланований набуття чинності на 2018 рік, цей регламент викликає занепокоєння серед технологічних компаній, які вкладають гроші в глибоке навчання за рахунок його непрохідної чорної скриньки, що в багатьох випадках перешкоджатиме поясненню, дорученому GDPR.
«Автоматизоване індивідуальне прийняття рішень», яке GDPR має намір обмежити, є важливою ознакою глибокого навчання. Але побоювання щодо цієї технології неминучі (і значною мірою справедливі), коли потенціал дискримінації такий високий, а прозорість настільки низька. У Сполучених Штатах Управління з контролю за продуктами і ліками аналогічним чином регулює тестування та реалізацію лікарських засобів, вимагаючи, щоб ці процеси залишалися підлягаючим аудиту. Це створило перешкоди для фармацевтичної галузі, як це повідомлялося у випадку з біотехнологічною компанією Biogen, що базується в штаті Массачусетс, якій було заборонено використовувати непереборні методи глибокого навчання завдяки правилу FDA.
Наслідки глибокого навчання (моральне, практичне та поза ним) є безпрецедентними та, чесно кажучи, досить глибокими. Велика стурбованість оточує цю технологію завдяки значною мірою поєднанням її руйнівного потенціалу та непрозорої логіки та функціональності. Якщо підприємства зможуть довести відчутну цінність у процесі глибокого навчання, що перевищує будь-які можливі загрози чи небезпеки, то вони можуть допомогти провести нас через наступну критичну фазу штучного інтелекту.