Zawartość
- Mit 1: Uczenie maszynowe i sztuczna inteligencja są jednym i tym samym.
- Mit 2: Uczenie maszynowe nie może być kontrolowane.
- Mit 3: Uczenie maszynowe zniszczy miejsca pracy.
- Bez błędów, bez stresu - Twój przewodnik krok po kroku do tworzenia oprogramowania zmieniającego życie bez niszczenia życia
- Mit 4: Uczenie maszynowe to uczenie się.
Źródło: agsandrew / iStockphoto
Na wynos:
Uczenie maszynowe wkrótce przeniknie do świata technologii. Ale zanim będziemy mogli ocenić, czy doprowadzi to do cyfrowego raju czy techno-tyranii, musimy zrozumieć, co może, a czego nie może zrobić.
Uczenie maszynowe (ML) będzie dla przedsiębiorstwa zarówno dobrodziejstwem, jak i zmorą, w zależności od tego, z kim rozmawiasz. Z jednej strony zapewni szeroką gamę nowych możliwości dla procesów cyfrowych - od zautomatyzowanych przepływów pracy po infrastrukturę samozarządzającą. Z drugiej strony spowoduje to przesunięcie miejsc pracy i pozwoli organizacjom bezsilnie dokonywać poprawek, gdy coś pójdzie nie tak.
Prawda jest prawdopodobnie gdzieś pomiędzy tymi dwoma skrajnościami, ale aby naprawdę zrozumieć, co ML może, a czego nie może zrobić, konieczne jest rozwianie niektórych mitów, które wyrosły wokół tej technologii. (Dlaczego tak wiele do zaoferowania, dlaczego nie wszyscy używają ML? Dowiedz się w 4 blokadach na drodze, które opóźniają przyjęcie uczenia maszynowego).
Mit 1: Uczenie maszynowe i sztuczna inteligencja są jednym i tym samym.
Chociaż prawdą jest, że oboje wykorzystują tę samą podstawową technologię, AI jest terminem obejmującym szeroki zakres dyscyplin. Według dr. Michaela J. Garbade'a, CEO Education Ecosystem, AI obejmuje nie tylko ML, ale także sieci neuronowe, przetwarzanie języka naturalnego, rozpoznawanie mowy i wiele innych nowych technologii. ML wyróżnia się tym, że może modyfikować własny kod na podstawie doświadczeń, zmian w otoczeniu lub wprowadzania nowych celów - jest to zasadniczo „uczenie się” uczenia maszynowego.
„Zamiarem uczenia maszynowego jest umożliwienie maszynom samodzielnego uczenia się na podstawie dostarczonych danych i dokonywania dokładnych prognoz” - powiedział. „Jest to metoda algorytmów szkoleniowych, dzięki której mogą nauczyć się podejmować decyzje”.
Uczenie maszynowe jest zatem sposobem, w jaki systemy danych stają się inteligentne. Ponieważ jednak uczenie się jest procesem, pracownicy wiedzy będą musieli przyzwyczaić się do idei, że przyszłe technologie nie będą oferować pełnej funkcjonalności od razu po wyjęciu z pudełka, ale będą dążyć do coraz bardziej zoptymalizowanej wydajności w miarę upływu czasu.
Mit 2: Uczenie maszynowe nie może być kontrolowane.
Ta zdolność „uczenia się” naturalnie zrodziła obawy, że systemy oparte na ML zaczną podejmować decyzje i podejmować działania wykraczające poza to, co zamierzali użytkownicy. Ale historie o zabójczych robotach rządzących amokiem lub komputerowych władcach wymazujących nieznośnych ludzi są bardziej science fiction niż rzeczywistością. Wiadomo, że dochodzi do tego, że błędy w danych, na które narażona jest ML, mogą powodować, że podejmują one złe decyzje, o czym świadczy przypadek Tay, chatbota Microsoftu, który doprowadził do wypowiedzenia rasistowskich poglądów.
Ale, jak zauważył ostatnio dyrektor generalny IV.AI Vince Lynch w Tech Crunch, nie jest to brak kontroli, ale brak wdrożenia odpowiednich kontroli. Wybierając odpowiednie modele uczenia się i zestawy danych, a następnie poddając system rygorystycznemu nadzorowi, organizacje powinny być w stanie bezpiecznie wdrożyć ML bez katastrofalnych konsekwencji. W rzeczywistości prawidłowo zaimplementowane algorytmy ML mogą ostrzegać użytkowników przed nieodłącznymi tendencjami występującymi w większości zbiorów danych, prowadząc do bardziej racjonalnych ram kluczowych operacji handlowych i przemysłowych.
Mit 3: Uczenie maszynowe zniszczy miejsca pracy.
Chociaż niektóre prace mogą zostać utracone, dokładniej jest powiedzieć, że ML przeprojektuje pracę, a nie ją zastąpi, mówi Tom Relihan z Sloan School of Management firmy MIT. Dla większości ludzi ML przejmie przyziemne, nudne zadania, które czynią pracę nużącą, ale nie samą pracą. Istnieje zasadnicza różnica między wąską sztuczną inteligencją - która jest zaprojektowana tak, aby pasowała do ściśle ukierunkowanych funkcji - a ogólną sztuczną inteligencją, która może funkcjonować w sposób w dużej mierze podobny do człowieka. Wąska sztuczna inteligencja jest tym, co mamy teraz, podczas gdy ogólna odmiana nie będzie gotowa przez dziesięciolecia, jeśli w ogóle. Bez względu na to, o ile ML jest lepszy w robieniu pewnych rzeczy, nie będzie w stanie całkowicie zastąpić ludzi, a faktycznie zwiększy naszą produktywność.
Bez błędów, bez stresu - Twój przewodnik krok po kroku do tworzenia oprogramowania zmieniającego życie bez niszczenia życia
Nie możesz poprawić swoich umiejętności programistycznych, gdy nikt nie dba o jakość oprogramowania.
Oczywiście będzie to miało wpływ na niektóre zawody bardziej niż inne i niekoniecznie będzie to mniej złożona praca, która zostanie zautomatyzowana. Na przykład radiologowie mogą zobaczyć kluczowe funkcje, takie jak czytanie obrazów medycznych ustępujących ML, ale masażysta najprawdopodobniej pozostanie praktycznym zajęciem przez jakiś czas. (Aby dowiedzieć się więcej o tym, jak zmieniają się zadania z powodu sztucznej inteligencji, zobacz Nowe zadania w erze AI).
Mit 4: Uczenie maszynowe to uczenie się.
Pamiętaj, jak zauważył dr Garbade, ML to tylko algorytmy. Rzeczywista nauka człowieka jest o wiele bardziej tajemnicza, tak bardzo, że nawet wiodący neuronaukowcy na świecie nie są w stanie jej w pełni wyjaśnić. Jak zauważa Chris Meserole z Brookings Institute, uczenie się człowieka wymaga doświadczenia i umiejętności oceny prawdopodobieństwa, a nie czystej logiki i rozumu, a komputery są bardzo dobre w obliczaniu prawdopodobieństw, więc w tym sensie maszyna może „nauczyć się” mówić, czytać i rozpoznawać twarze w podobny sposób, jak my.
Najważniejsza różnica polega jednak na tym, że algorytm nigdy nie przeskoczy od prostej analizy i prognozowania danych do pełnego zrozumienia tego, co to wszystko oznacza. Z jego perspektywy wszystko to tylko liczby. Tak więc system ML może zeskanować obraz, powiedzmy kota, przekonwertować go na sekwencję liczb reprezentujących każdy punkt obrazu pod względem koloru, cieniowania itp., A następnie porównać tę sekwencję ze wszystkimi innymi znanymi sekwencjami wymyślić prawdopodobieństwo, czy jest to kot, pies czy nosorożec. Tymczasem trzyletnia dziewczynka, która widziała tylko jednego kota w swoim życiu, może patrzeć na prymitywne rysowanie linii przez zaledwie sekundę, a przy niewielkich obliczeniach i praktycznie zerowym zużyciu energii powiedzieć ci na pewno, że jest Kot.
I to jest powód, dla którego, w końcowej analizie, możemy stwierdzić, że ML będzie dobrodziejstwem dla przedsiębiorstwa od CEO do pracownika podstawowego. Nigdy nie zastąpi ludzkiej pracy, ale uczyni ją bogatszą i bardziej satysfakcjonującą.
