Zawartość
- Aplikacje biznesowe głębokiego uczenia się
- V Big Data i Deep Learning
- Bez błędów, bez stresu - Twój przewodnik krok po kroku do tworzenia oprogramowania zmieniającego życie bez niszczenia życia
- Dylemat czarnej skrzynki
- Rozporządzenie
Źródło: Agsandrew / Dreamstime.com
Na wynos:
Dogłębne uczenie się ma wiele do zaoferowania firmom, ale wielu nadal nie chce tego przyjąć. Tutaj patrzymy na niektóre z jego największych bolących punktów.
Głębokie uczenie się jest dziedziną uczenia maszynowego, która (ogólnie rzecz biorąc) jest technologią inspirowaną ludzkim mózgiem i jego funkcjami. Po raz pierwszy wprowadzony w latach 50. XX wieku, uczenie maszynowe jest kumulowane przez tak zwaną sztuczną sieć neuronową, mnóstwo połączonych ze sobą węzłów danych, które wspólnie tworzą podstawę sztucznej inteligencji. (Aby zapoznać się z podstawami uczenia maszynowego, zobacz Machine Learning 101.)
Uczenie maszynowe zasadniczo pozwala programom komputerowym zmieniać się na żądanie zewnętrznych danych lub programowania. Z natury jest w stanie to osiągnąć bez interakcji człowieka. Ma podobną funkcjonalność jak eksploracja danych, ale wyniki wyszukiwania są przetwarzane przez maszyny, a nie przez ludzi. Dzieli się na dwie główne kategorie: uczenie się pod nadzorem i bez nadzoru.
Nadzorowane uczenie maszynowe polega na wnioskowaniu z góry określonych operacji na podstawie oznaczonych danych szkoleniowych. Innymi słowy, nadzorowane wyniki są z góry znane przez (ludzkiego) programistę, ale system wyprowadzający wyniki jest przeszkolony w zakresie „uczenia się”. Natomiast bezobsługowe uczenie maszynowe wyciąga wnioski z nieznakowanych danych wejściowych, często jako sposób wykrywania nieznanych wzorców.
Głębokie uczenie się ma wyjątkową zdolność do uczenia się za pomocą algorytmów hierarchicznych, w przeciwieństwie do algorytmów liniowych uczenia maszynowego. Hierarchie głębokiego uczenia się stają się coraz bardziej złożone i abstrakcyjne w miarę ich rozwoju (lub „uczenia się”) i nie opierają się na nadzorowanej logice. Mówiąc wprost, głębokie uczenie się jest wysoce zaawansowaną, dokładną i zautomatyzowaną formą uczenia maszynowego i znajduje się w czołówce technologii sztucznej inteligencji.
Aplikacje biznesowe głębokiego uczenia się
Uczenie maszynowe jest już powszechnie stosowane w kilku różnych branżach. Na przykład media społecznościowe używają go do selekcjonowania treści w ramach czasowych użytkowników. Google Brain został założony kilka lat temu z myślą o produkowaniu głębokiego uczenia się w zakresie usług Google w miarę ewolucji technologii.
Koncentrując się na analizie predykcyjnej, dziedzina marketingu jest szczególnie inwestowana w innowacje w zakresie głębokiego uczenia się. A ponieważ gromadzenie danych jest motorem tej technologii, branże takie jak sprzedaż i obsługa klienta (które mają już bogactwo bogatych i różnorodnych danych klientów) mają wyjątkową pozycję, aby zastosować je na poziomie gruntu.
Wczesne dostosowanie do głębokiego uczenia się może równie dobrze być kluczowym czynnikiem decydującym o tym, ile konkretnych sektorów czerpie korzyści z technologii, szczególnie w jej najwcześniejszych fazach. Niemniej jednak kilka konkretnych problemów sprawia, że wiele firm nie może zainwestować w technologię głębokiego uczenia się.
V Big Data i Deep Learning
W 2001 r. Analityk z META Group (obecnie Gartner) o nazwisku Doug Laney nakreślił to, co naukowcy postrzegali jako trzy główne wyzwania dla dużych zbiorów danych: wielkość, różnorodność i szybkość. Ponad półtora dekady później szybki wzrost punktów dostępu do Internetu (głównie ze względu na rozprzestrzenianie się urządzeń mobilnych i rozwój technologii IoT) sprawił, że problemy te znalazły się na pierwszym planie wśród dużych firm technologicznych, a także mniejszych firm i startupy. (Aby dowiedzieć się więcej na temat trzech v, zobacz Dzisiejsze wyzwanie Big Data Wywodzi się z różnorodności, a nie objętości lub prędkości.)
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.
Najnowsze statystyki dotyczące globalnego wykorzystania danych są oszałamiające. Badania wskazują, że około 90 procent wszystkich danych na świecie powstało w ciągu ostatnich kilku lat. Według jednego szacunku światowy ruch mobilny wyniósł około 2016 eksabajtów miesięcznie w 2016 r. I oczekuje się, że liczba ta wzrośnie o około siedem razy w ciągu następnej połowy dekady.
Poza wolumenem, różnorodność (gwałtownie rosnąca różnorodność rodzajów danych w miarę ewolucji i ekspansji nowych mediów) i prędkość (szybkość, z jaką media elektroniczne są wysyłane do centrów danych i hubów) są również głównymi czynnikami w dostosowywaniu się firm do rozwijającego się obszaru głębokiego uczenia się. Aby rozwinąć urządzenie mnemoniczne, w ostatnich latach do listy problemów związanych z dużymi zbiorami danych dodano kilka innych v-słów, w tym:
- Ważność: pomiar dokładności danych wejściowych w systemach dużych zbiorów danych. Nieprawidłowe dane, które pozostają niewykryte, mogą powodować poważne problemy, a także reakcje łańcuchowe w środowiskach uczenia maszynowego.
- Luka w zabezpieczeniach: duże zbiory danych naturalnie budzą obawy związane z bezpieczeństwem, po prostu ze względu na ich skalę. I chociaż istnieje ogromny potencjał w systemach bezpieczeństwa, które są uruchamiane przez uczenie maszynowe, systemy te w swoich obecnych wcieleniach są znane z ich braku skuteczności, szczególnie ze względu na ich tendencję do generowania fałszywych alarmów.
- Wartość: Udostępnienie potencjalnej wartości dużych zbiorów danych (w biznesie lub gdzie indziej) może być znaczącym wyzwaniem z wielu powodów. Jeśli któregokolwiek z innych punktów bólu na tej liście nie da się skutecznie rozwiązać, mogą one w rzeczywistości dodać wartość ujemną do dowolnego systemu lub organizacji, być może nawet z katastrofalnym skutkiem.
Inne aliteracyjne punkty bólu, które zostały dodane do listy, obejmują zmienność, prawdziwość, zmienność i wizualizację - wszystkie przedstawiają własne unikalne zestawy wyzwań dla systemów dużych zbiorów danych. I jeszcze więcej może zostać dodanych, ponieważ istniejąca lista (prawdopodobnie) z czasem maleje. Chociaż niektórym może się to wydawać nieco wymyślone, lista mnemoniczna „v” obejmuje poważne problemy dotyczące dużych zbiorów danych, które odgrywają ważną rolę w przyszłości głębokiego uczenia się.
Dylemat czarnej skrzynki
Jedną z najbardziej atrakcyjnych cech głębokiego uczenia się i sztucznej inteligencji jest to, że oba mają na celu rozwiązanie problemów, których ludzie nie potrafią. Te same zjawiska, które mają na to pozwolić, stanowią jednak również ciekawy dylemat, który występuje w postaci tak zwanej „czarnej skrzynki”.
Sieć neuronowa utworzona w procesie głębokiego uczenia się jest tak ogromna i tak złożona, że jej zawiłe funkcje są zasadniczo nieodgadnione dla ludzkiej obserwacji. Naukowcy i inżynierowie danych mogą dokładnie zrozumieć, co dzieje się w systemach głębokiego uczenia się, ale to, jak często podejmują decyzje wyjściowe, nie jest całkowicie wyjaśnione.
Chociaż może to nie być znaczący problem dla, powiedzmy, marketerów lub sprzedawców (w zależności od tego, co sprzedają lub sprzedają), inne branże wymagają pewnej weryfikacji procesu i uzasadnienia, aby jak najlepiej wykorzystać wyniki. Na przykład firma świadcząca usługi finansowe może skorzystać z głębokiego uczenia się, aby ustanowić wysoce wydajny mechanizm punktacji kredytowej. Ale oceny wiarygodności kredytowej często muszą zawierać wyjaśnienia ustne lub pisemne, które trudno byłoby sformułować, gdyby faktyczne równanie oceny wiarygodności kredytowej było całkowicie nieprzejrzyste i niewytłumaczalne.
Problem ten dotyczy również wielu innych sektorów, zwłaszcza w dziedzinie zdrowia i bezpieczeństwa. Zarówno medycyna, jak i transport mogłyby w znaczący sposób skorzystać z głębokiego uczenia się, ale także napotkać znaczną przeszkodę w postaci czarnej skrzynki. Wszelkie wyniki wyjściowe w tych polach, bez względu na to, jak korzystne, mogą zostać całkowicie odrzucone ze względu na całkowitą niejasność ich algorytmów. To prowadzi nas do być może najbardziej kontrowersyjnego punktu bólowego ze wszystkich…
Rozporządzenie
Wiosną 2016 r. Unia Europejska przyjęła ogólne rozporządzenie o ochronie danych (RODO), które (między innymi) przyznaje obywatelom „prawo do wyjaśnienia” zautomatyzowanych decyzji generowanych przez systemy uczenia maszynowego, które „znacząco na nie wpływają”. Rozporządzenie, które ma wejść w życie w 2018 r., Budzi obawy wśród firm technologicznych, które inwestują w głębokie uczenie się ze względu na jego nieprzeniknioną czarną skrzynkę, która w wielu przypadkach utrudniałaby wyjaśnienie nakazane przez RODO.
„Zautomatyzowane podejmowanie indywidualnych decyzji”, które RODO zamierza ograniczyć, jest istotną cechą głębokiego uczenia się. Jednak obawy związane z tą technologią są nieuniknione (i w dużej mierze uzasadnione), gdy potencjał dyskryminacji jest tak wysoki, a przejrzystość tak niska. W Stanach Zjednoczonych Food and Drug Administration w podobny sposób reguluje testowanie i wprowadzanie do obrotu leków, wymagając, aby procesy te podlegały kontroli. Stanowiło to przeszkodę dla przemysłu farmaceutycznego, jak miało to miejsce w przypadku biogenicznej firmy biogenicznej z Massachusetts, której nie udało się zastosować niemożliwych do interpretacji metod głębokiego uczenia się z powodu zasady FDA.
Implikacje głębokiego uczenia się (moralne, praktyczne i nie tylko) są bezprecedensowe i, szczerze mówiąc, dość głębokie. Wiele obaw dotyczy tej technologii ze względu na połączenie jej destrukcyjnego potencjału oraz nieprzejrzystej logiki i funkcjonalności.Jeśli firmy mogą udowodnić istnienie konkretnej wartości w ramach głębokiego uczenia się, która wykracza poza wszelkie możliwe zagrożenia lub zagrożenia, mogą pomóc nam przejść przez kolejny krytyczny etap sztucznej inteligencji.