Tartalom
- A mély tanulás üzleti alkalmazásai
- A nagy adatok és a mély tanulás elemei
- Nincsenek hibák, nincs stressz - Az Ön életét megváltoztató szoftverek készítésének lépésről lépésre történő leírása az élet megsemmisítése nélkül
- A fekete doboz dilemma
- Szabályozás
Forrás: Agsandrew / Dreamstime.com
Elvitel:
A mély tanulás sokat kínál a vállalkozások számára, de sokan még mindig vonakodnak alkalmazni ezt. Itt nézzük meg annak legnagyobb fájdalompontját.
A mély tanulás a gépi tanulás alterülete, amely (általában véve) olyan technológia, amelyet az emberi agy és annak funkciói inspirálnak. Az első, az 1950-es években bevezetett gépi tanulást kumulatív módon támasztja alá az úgynevezett mesterséges idegi hálózat, sok olyan összekapcsolt adatcsomópont, amelyek együttesen képezik a mesterséges intelligencia alapját. (A gépi tanulás alapjait lásd: Machine Learning 101.)
A gépi tanulás alapvetően lehetővé teszi a számítógépes programok számára, hogy megváltoztassák magukat, amikor külső adatok vagy programozás erre szólítják fel. A természetéből adódóan ez emberi kapcsolat nélkül is megvalósítható. Hasonló funkcionalitást oszt meg az adatbányászattal, de a bányász eredményekkel, amelyeket a gépek, nem az emberek dolgoznak fel. Két fő kategóriába tartozik: felügyelt és felügyelet nélküli tanulás.
A felügyelt gépi tanulás magában foglalja az előre meghatározott műveletek következtetését a címkézett edzési adatok segítségével. Más szavakkal, a felügyelt eredményeket előre ismeri a (humán) programozó, ám az eredményeket következtető rendszer arra készül, hogy „megtanulja” azokat. A nem felügyelt gépi tanulás ezzel szemben a címkézetlen bemeneti adatokból von következtetéseket, gyakran az ismeretlen minták felismerésének eszközeként.
A mély tanulás egyedülálló abban a képességében, hogy hierarchikus algoritmusokon keresztül képes edzeni magát, szemben a gépi tanulás lineáris algoritmusaival. A mély tanulási hierarchiák egyre összetettebbek és elvonták, ahogy fejlődnek (vagy „tanulnak”), és nem támaszkodnak a felügyelt logikára. Egyszerűen fogalmazva: a mély tanulás a gépi tanulás rendkívül fejlett, pontos és automatizált formája, és a mesterséges intelligencia technológiájának élvonalában van.
A mély tanulás üzleti alkalmazásai
A gépi tanulást már számos iparágban gyakran használják. Például a közösségi média felhasználja a felhasználói idősorokban szereplő tartalmak hírcsatornájának kialakítására. A Google Brain-t néhány évvel ezelőtt alapították azzal a szándékkal, hogy a technológia fejlődésével mélyreható tanulást valósítson meg a Google számos szolgáltatásában.
A prediktív elemzésre összpontosítva, a marketing területét különösen a mélyreható tanulási innovációba fekteti be. Mivel az adatgyűjtés vezérli a technológiát, az iparágak, például az értékesítés és az ügyfélszolgálat (amelyek már rengeteg gazdag és változatos ügyféladattal rendelkeznek) egyedülálló helyzetben vannak ahhoz, hogy földi szinten alkalmazzák.
A mély tanuláshoz való korai alkalmazkodás rendkívül fontos tényező lehet annak meghatározásában, hogy az egyes ágazatok mennyire részesülnek előnyben a technológia alkalmazásával, különösen a legkorábbi szakaszaiban. Ennek ellenére néhány konkrét fájdalomhelyzet megakadályozza sok vállalkozást attól, hogy belevegye magát a mélyreható tanulási technológiai beruházásokba.
A nagy adatok és a mély tanulás elemei
2001-ben a META Group (ma Gartner) elemzője, Doug Laney néven vázolta azt, amit a kutatók a nagy adatok három fő kihívásának tekintenek: a mennyiséget, a változatosságot és a sebességet. Másfél évtizeddel később az internethez való hozzáférés gyors növekedése (elsősorban a mobil eszközök elterjedésének és az internet-technológia növekedésének köszönhetően) e kérdéseket előtérbe helyezte a nagy technológiai vállalatok, valamint a kisebb vállalkozások számára és az induló vállalkozók egyaránt. (Ha többet szeretne megtudni a három v-ről, olvassa el a mai nagy adatok kihívásait a variációból, nem a volumenből vagy a sebességből.)
Nincsenek hibák, nincs stressz - Az Ön életét megváltoztató szoftverek készítésének lépésről lépésre történő leírása az élet megsemmisítése nélkül
Nem javíthatja a programozási készségét, ha senki sem törődik a szoftver minőségével.
A globális adathasználatra vonatkozó legfrissebb statisztikák megdöbbentőek. A tanulmányok azt mutatják, hogy a világ összes adatának körülbelül 90% -át csak az elmúlt néhány évben hozták létre. Egy mobil becslés szerint a világméretű mobilforgalom havi körülbelül hét exabáta volt 2016-ban, és ez a szám várhatóan körülbelül hétszeresére nő a következő fél évtizedben.
A mennyiség mellett a sokféleség (az adattípusok gyorsan növekvő sokfélesége az új média fejlődésével és bővülésével) és a sebesség (az elektronikus média adatközpontokba és hubokba történő továbbításának sebessége) szintén fontos tényezők abban, hogy a vállalkozások hogyan alkalmazkodnak a növekvő mezőhöz. a mély tanulás. És a mnemonikus eszköz kibővítése érdekében az utóbbi években számos más v-szót hozzáadtak a nagy adat fájdalom pontok listájához, többek között:
- Érvényesség: A bemeneti adatok pontosságának mérése nagy adatrendszerekben. A nem észlelt érvénytelen adatok jelentős problémákat, valamint láncreakciókat okozhatnak a gépi tanulási környezetekben.
- Sebezhetőség: A nagy adatok természetesen biztonsági problémákat vetnek fel, egyszerűen méretük miatt. És bár a gépi tanulás által lehetővé tett biztonsági rendszerekben nagy lehetőség rejlik, ezeket a rendszereket jelenlegi inkarnációjukban megfigyelték hatékonyságuk hiánya miatt, különösen hamis riasztások generálására való hajlamuk miatt.
- Érték: A nagy adatok potenciális értékének bizonyítása (üzleti vagy másutt) számos okból jelentős kihívást jelenthet. Ha a listán szereplő többi fájdalompontot nem lehet hatékonyan kezelni, akkor ezek valójában negatív értéket jelentenek bármely rendszerhez vagy szervezethez, akár katasztrófahatással is.
A listához hozzáadott egyéb alliteratív fájdalompontok között szerepel a variabilitás, a valódiság, a volatilitás és a megjelenítés - mindegyik a nagy adatrendszerekkel szembeni sajátos kihívásokkal bír. Sőt, még többet is hozzáadhatunk, mivel a létező lista idővel valószínűleg kicsúszik. Noha néhánynak kissé megkísérelhetõnek tűnik, a „v” lista súlyos kérdéseket foglal magában, amelyek nagy adatokkal szembesülnek, és fontos szerepet játszanak a mély tanulás jövőjében.
A fekete doboz dilemma
A mély tanulás és a mesterséges intelligencia egyik legvonzóbb tulajdonsága, hogy mindkettő olyan problémák megoldására szolgál, amelyekben az emberek nem tudnak helytállni. Ugyanezek a jelenségek, amelyek állítólag lehetővé teszik, ugyanakkor érdekes dilemmát is felvetnek, amely úgynevezett „fekete doboz” formájában jelentkezik.
A mély tanulás során létrejött idegi hálózat annyira hatalmas és olyan összetett, hogy bonyolult funkciói alapvetően megcáfolhatatlanok az emberi megfigyelés szempontjából. Az adattudósok és a mérnökök alaposan megérthetik, mi történik a mélyreható tanulási rendszerekben, de teljesen elmagyarázhatatlan, hogy miként hozzák meg a kimeneti döntéseket gyakran.
Noha ez nem feltétlenül jelent jelentõs problémát például a marketingszakemberek vagy az értékesítõk számára (attól függõen, hogy mit árulnak vagy adnak el), más iparágaknak bizonyos mértékû folyamat validálására és indoklására van szükségük annak érdekében, hogy az eredményeket bármilyen módon ki lehessen használni. Például egy pénzügyi szolgáltató társaság mélyreható tanulást alkalmazhat egy rendkívül hatékony hitelpontosítási mechanizmus létrehozására. A hitelképességi pontoknak gyakran valamilyen szóbeli vagy írásbeli magyarázattal kell rendelkezniük, amelyet nehéz lenne megfogalmazni, ha a tényleges hitelképezési egyenlet teljesen átláthatatlan és megmagyarázhatatlan.
Ez a probléma számos más ágazatra is kiterjed, nevezetesen az egészség és biztonság területén. Az orvostudomány és a szállítás jelentős mértékben előnyös lehet a mélyreható tanulásból, de jelentős akadályokkal néznek szembe a fekete doboz formájában. Bármilyen eredmény ezekben a mezőkben, bármennyire is jótékony, teljes mértékben elvethető az alapjául szolgáló algoritmusok teljes homályossága miatt. Ez mindannyian talán a legvitatottabb fájdalom pontjához vezet minket ...
Szabályozás
2016 tavaszán az Európai Unió elfogadta az általános adatvédelmi rendeletet (GDPR), amely többek között „magyarázathoz fűződő jogot” biztosít az állampolgárok számára a gépi tanulási rendszerek által generált automatizált döntésekhez, amelyek „jelentősen befolyásolják” őket. A 2018-ban várhatóan hatályba lépő rendelet aggodalomra ad okot azoknak a tech-cégeknek a körében, akik az áthatolhatatlan fekete doboz miatt befektetnek a mélyreható tanulásba, ami sok esetben akadályozná a GDPR által megkívánt magyarázatot.
Az „automatizált egyéni döntéshozatal”, amelyet a GDPR korlátozni szándékozik, a mély tanulás alapvető jellemzője. De ennek a technológiának az elkerülése elkerülhetetlen (és nagyrészt érvényes), amikor a megkülönböztetés lehetősége olyan magas és az átláthatóság ilyen alacsony. Az Egyesült Államokban az Élelmiszer- és Gyógyszerügynökség hasonlóképpen szabályozza a kábítószerek tesztelését és forgalmazását azzal, hogy megköveteli, hogy ezek a folyamatok ellenőrizhetők maradjanak. Ez akadályokat jelentett a gyógyszeripar számára, amint az állítólag a massachusettsi székhelyű Biogen társaság esetében történt, amely számára az FDA szabálya megakadályozta, hogy értelmezhetetlen mély tanulási módszereket alkalmazzon.
A mély tanulás következményei (morális, gyakorlati és azon túl) példátlanok és őszintén szólva, elég mélyek. Nagyon sok aggodalom veszi körül a technológiát, nagyrészt annak káros potenciáljának, átlátszó logikájának és funkcionalitásának a kombinációja miatt.Ha a vállalkozások bizonyíthatják, hogy a mély tanulás során olyan kézzelfogható érték létezik, amely meghaladja az elképzelhető fenyegetéseket vagy veszélyeket, akkor ezek segíthetnek minket a mesterséges intelligencia következő kritikus szakaszában.