Vsebina
- Poslovne aplikacije poglobljenega učenja
- Velikost velikih podatkov in poglobljenega učenja
- Brez napak, brez stresa - vaš korak za korakom vodnik za ustvarjanje programske opreme, ki spreminja življenje, ne da bi vam uničila življenje
- Dilema črne škatle
- Uredba
Vir: Agsandrew / Dreamstime.com
Odvzem:
Globoko učenje lahko podjetjem ponuja veliko, vendar se mnogi še vedno obotavljajo, kako bi ga lahko usvojili. Tu si ogledamo nekaj največjih bolečin.
Globoko učenje je podpolje strojnega učenja, ki je (na splošno gledano) tehnologija, ki jo navdihujejo človeški možgani in njegove funkcije. Strojno učenje, ki je bilo prvič uvedeno v petdesetih letih prejšnjega stoletja, je kumulativno seznanjeno z umetno nevronsko mrežo, množico med seboj povezanih vozlišč podatkov, ki skupaj tvorijo osnovo za umetno inteligenco. (Za osnove strojnega učenja si oglejte Strojno učenje 101.)
Strojno učenje v bistvu omogoča, da se računalniški programi spremenijo, ko jih pozovejo zunanji podatki ali programiranje. Po naravi je to sposoben doseči brez človekove interakcije. Podobno funkcionalnost ima tudi pri pridobivanju podatkov, toda izkopane rezultate, ki jih obdelujejo stroji in ne ljudje. Razdeljen je na dve glavni kategoriji: nadzorovano in nenadzorovano učenje.
Nadzorovano strojno učenje vključuje sklepanje vnaprej določenih operacij z označenimi podatki o usposabljanju. Z drugimi besedami, (človeški) programer vnaprej pozna nadzorovane rezultate, vendar je sistem, ki sklepa na rezultate, usposobljen, da se jih "nauči". Nasprotno nenadzorovano strojno učenje črpa sklepe iz neoznačenih vhodnih podatkov, pogosto kot sredstvo za zaznavanje neznanih vzorcev.
Globoko učenje je edinstveno v svoji sposobnosti treniranja skozi hierarhične algoritme, v nasprotju z linearnimi algoritmi strojnega učenja. Hierarhije poglobljenega učenja so vse bolj zapletene in abstraktne, ko se razvijajo (ali se "učijo") in se ne zanašajo na nadzorovano logiko. Preprosto povedano, globoko učenje je zelo napredna, natančna in avtomatizirana oblika strojnega učenja in je v ospredju tehnologije umetne inteligence.
Poslovne aplikacije poglobljenega učenja
Strojno učenje se že pogosto uporablja v več različnih panogah. Družbeni mediji ga na primer uporabljajo za urejanje virov vsebine v časovnicah uporabnikov. Google Brain je bil ustanovljen pred nekaj leti z namenom produciranja poglobljenega učenja v različnih Googlovih storitvah, ko se tehnologija razvija.
S poudarkom na prediktivni analitiki je področje trženja še posebej vloženo v inovacije globokega učenja. In ker je nabiranje podatkov tisto, kar poganja tehnologijo, so industrije, kot sta prodaja in podpora strankam (ki že imajo veliko bogatih in raznolikih podatkov o strankah), edinstveno postavljene, da jih sprejmejo na ravni tal.
Zgodnja prilagoditev globokemu učenju bi bila lahko ključni odločilni dejavnik v tem, koliko specifični sektorji imajo koristi od tehnologije, zlasti v njenih najzgodnejših fazah. Kljub temu pa nekaj specifičnih bolečin preprečuje, da bi se mnoga podjetja poglobila v naložbe v tehnologijo globokega učenja.
Velikost velikih podatkov in poglobljenega učenja
Leta 2001 je analitik za META Group (danes Gartner) po imenu Doug Laney orisal, kar raziskovalci dojemajo kot tri glavne izzive velikih podatkov: obseg, raznolikost in hitrost. Skozi desetletje in pol pozneje je hitro povečanje točk dostopa do interneta (predvsem zaradi širjenja mobilnih naprav in porasta tehnologije IoT) postavilo ta vprašanja v ospredje tako za velika tehnološka podjetja kot tudi manjša podjetja in zagoni podobno. (Če želite izvedeti več o treh modelih, glejte današnje velike izzive podatkov iz raznolikosti, ne obsega ali hitrosti.)
Brez napak, brez stresa - vaš korak za korakom vodnik za ustvarjanje programske opreme, ki spreminja življenje, ne da bi vam uničila življenje
Ne morete izboljšati svojih programskih sposobnosti, če nikogar ne skrbi za kakovost programske opreme.
Nedavna statistika o globalni uporabi podatkov je osupljiva. Študije kažejo, da je bilo približno 90 odstotkov vseh podatkov na svetu ustvarjenih samo v zadnjih nekaj letih. Po eni oceni je mobilni promet po vsem svetu v letu 2016 znašal približno sedem baznih bajtov na mesec, v naslednjem pol desetletju pa naj bi se to število povečalo za približno sedemkrat.
Razen velikosti, raznolikost (hitro naraščajoča raznolikost vrst podatkov, ko se novi mediji razvijajo in širijo) in hitrost (hitrost, s katero se elektronski mediji pošiljajo v podatkovne centre in vozlišča), so tudi glavni dejavniki pri prilagajanju podjetij na rastoče polje globokega učenja. Za razširitev mnemonične naprave je na seznam velikih podatkovnih bolečinskih točk v zadnjih letih dodanih še nekaj besed v, vključno z:
- Veljavnost: Merjenje natančnosti vhodnih podatkov v velikih podatkovnih sistemih. Neveljavni podatki, ki ostanejo neodkriti, lahko povzročijo velike težave in tudi verižne reakcije v okolju strojnega učenja.
- Ranljivost: Veliki podatki seveda vzbujajo pomisleke glede varnosti, zgolj zaradi obsega. Čeprav v varnostnih sistemih, ki jih omogoča strojno učenje, obstaja velik potencial, ti sistemi v sedanjih inkarnacijah opažajo pomanjkanje učinkovitosti, zlasti zaradi nagnjenosti k ustvarjanju lažnih alarmov.
- Vrednost: Dokazovanje potencialne vrednosti velikih podatkov (v podjetju ali drugje) je lahko iz številnih razlogov velik izziv. Če katere koli druge bolečinske točke na tem seznamu ni mogoče učinkovito odpraviti, bi lahko dejansko dodale negativno vrednost vsakemu sistemu ali organizaciji, morda celo s katastrofalnim učinkom.
Druge aliterativne bolečinske točke, ki so bile dodane na seznam, vključujejo spremenljivost, resničnost, nestanovitnost in vizualizacijo - vsi predstavljajo svoje edinstvene sklope izzivov velikim podatkovnim sistemom. In še vedno bi lahko dodali še več, saj se obstoječi seznam (verjetno) sčasoma zmanjšuje. Čeprav se nekaterim morda zdi nekoliko prikrajšano, mnemoničen seznam "v" vključuje resna vprašanja, s katerimi se soočajo veliki podatki, ki igrajo pomembno vlogo v prihodnosti poglobljenega učenja.
Dilema črne škatle
Ena najbolj privlačnih lastnosti globokega učenja in umetne inteligence je, da sta obe namenjeni reševanju težav, ki jih človek ne more. Isti pojavi, ki naj bi to omogočali, pa predstavljajo tudi zanimivo dilemo, ki nastopi v obliki tistega, kar je znano kot "črna skrinjica".
Nevronska mreža, ustvarjena s postopkom globokega učenja, je tako obsežna in tako zapletena, da so njene zapletene funkcije v bistvu nedopustne za opazovanje ljudi. Znanstveniki in inženirji podatkov morda natančno razumejo, kaj gre v sisteme poglobljenega učenja, vendar kako bolj pogosto ne pridejo do svojih odločitev o rezultatih, postane popolnoma nepojasnjeno.
Čeprav to, na primer, tržniki ali prodajalci morda ne predstavljajo večjega problema (odvisno od tega, kaj tržijo ali prodajajo), druge panoge potrebujejo določeno količino potrjevanja in sklepanja procesov, da bi lahko karkoli izkoristili rezultate. Na primer, podjetje za finančne storitve bi lahko uporabilo poglobljeno učenje, da bi vzpostavilo zelo učinkovit mehanizem kreditnega ocenjevanja. Vendar pa se pri bonitetnih ocenah pogosto mora pojaviti ustno ali pisno pojasnilo, kar bi bilo težko oblikovati, če je dejanska enačba kreditnega točkovanja popolnoma neprozorna in nerazložljiva.
Ta težava sega tudi v številne druge sektorje, zlasti na področjih zdravja in varnosti. Medicina in prevoz bi lahko resnično koristili od glavnih načinov poglobljenega učenja, hkrati pa se znašli tudi pred veliko oviro v obliki črnega polja. Kakršni koli izhodni rezultati na teh področjih, ne glede na to, kako koristni, bi se lahko v celoti zavrgli zaradi popolne nejasnosti njihovih algoritmov. To nas pripelje do morda najbolj sporne bolečinske točke od vseh ...
Uredba
Spomladi 2016 je Evropska unija sprejela Splošno uredbo o varstvu podatkov (GDPR), ki med drugim državljanom podeljuje „pravico do obrazložitve“ za avtomatizirane odločitve, ki jih generirajo sistemi strojnega učenja, ki jih „bistveno vplivajo“. Uredba, ki naj bi začela veljati leta 2018, povzroča zaskrbljenost med tehnološkimi podjetji, ki vlagajo v poglobljeno učenje zaradi svoje neprepustne črne skrinjice, ki bi v mnogih primerih ovirala razlago, ki jo nalaga GDPR.
"Avtomatsko individualno odločanje", ki ga GDPR namerava omejiti, je bistvena značilnost poglobljenega učenja. Toda pomisleki glede te tehnologije so neizogibni (in večinoma veljajo), kadar je možnost diskriminacije tako velika in transparentnost tako nizka. V Združenih državah Amerike Uprava za hrano in zdravila podobno ureja testiranje in trženje drog, tako da zahteva, da ti postopki ostanejo pregledni. To je predstavljalo ovire za farmacevtsko industrijo, kot je bilo po navedbah primerov za biotehnološko podjetje Biogen s sedežem v Massachusettsu, ki je zaradi pravila FDA preprečilo uporabo nerazumljivih metod globokega učenja.
Posledice globokega učenja (moralnega, praktičnega in širšega) so brez primere in, odkrito povedano, precej globoke. Tehnologijo obdaja veliko mero strahu zaradi kombinacije njenega motečega potenciala in neprozorne logike in funkcionalnosti.Če lahko podjetja dokažejo obstoj oprijemljive vrednosti v globokem učenju, ki presega kakršne koli možne grožnje ali nevarnosti, bi nam lahko pomagale pri vodenju skozi naslednjo kritično fazo umetne inteligence.