Conţinut
- Aplicații comerciale ale învățării profunde
- V-ul de date mari și învățare profundă
- Fără bug-uri, fără stres - Ghidul dvs. pas cu pas pentru crearea de programe care schimbă viața fără a vă distruge viața
- Dilema cutiei negre
- Regulament
Sursa: Agsandrew / Dreamstime.com
La pachet:
Învățarea profundă are multe de oferit întreprinderilor, dar mulți încă ezită să o adopte. Aici ne uităm la unele dintre cele mai mari puncte ale durerii sale.
Învățarea profundă este un sub-câmp al învățării automate, care (în general vorbind) este o tehnologie inspirată de creierul uman și de funcțiile sale. Prima dată introdusă în anii '50, învățarea automată este informată cumulativ de ceea ce este cunoscut sub numele de rețeaua neuronală artificială, o multitudine de noduri de date interconectate care formează colectiv baza inteligenței artificiale. (Pentru elementele de bază ale învățării automate, consultați Machine Learning 101.)
Învățarea automată permite, în esență, programelor computerului să se schimbe singuri atunci când sunt solicitate de date externe sau de programare. Prin natură, este capabil să realizeze acest lucru fără interacțiunea umană. Partajează o funcționalitate similară cu extragerea datelor, dar cu rezultatele minate care urmează să fie procesate de mașini și nu de oameni. Este împărțit în două mari categorii: învățare supravegheată și nesupravegheată.
Învățarea mecanică supravegheată implică inferența operațiunilor prestabilite prin date de instruire etichetate. Cu alte cuvinte, rezultatele supravegheate sunt cunoscute în avans de programatorul (uman), dar sistemul care deduce rezultatele este instruit să le „învețe”. În schimb, învățarea automată nesupravegheată atrage inferențe din datele de intrare necredințate, adesea ca un mijloc de a detecta tiparele necunoscute.
Învățarea profundă este unică prin capacitatea sa de a se antrena prin algoritmi ierarhici, spre deosebire de algoritmii liniari ai învățării automate. Ierarhiile de învățare profundă sunt din ce în ce mai complexe și abstracte pe măsură ce se dezvoltă (sau „învață”) și nu se bazează pe logica supravegheată. Mai simplu spus, învățarea profundă este o formă extrem de avansată, precisă și automatizată de învățare automată și este în fruntea tehnologiei inteligenței artificiale.
Aplicații comerciale ale învățării profunde
Învățarea mașinii este deja frecvent utilizată în mai multe industrii diferite. Social media, de exemplu, îl folosește pentru a curata fluxurile de conținut în calendarul utilizatorilor. Google Brain a fost fondată acum câțiva ani, cu intenția de a produce învățare profundă în gama de servicii Google pe măsură ce tehnologia evoluează.
Cu accentul pe analiza predictivă, domeniul marketingului este investit în special în inovația profundă a învățării. Și din moment ce acumularea de date este cea care determină tehnologia, industrii precum vânzările și asistența pentru clienți (care dețin deja o mulțime de date bogate și diverse despre clienți) sunt poziționate în mod unic pentru a o adopta la nivelul solului.
Adaptarea timpurie la învățarea profundă ar putea fi foarte bine factorul determinant în cât de multe sectoare specifice beneficiază de tehnologie, în special în primele sale faze. Cu toate acestea, câteva puncte specifice de durere împiedică multe întreprinderi să se plonjeze în investiții de tehnologie de învățare profundă.
V-ul de date mari și învățare profundă
În 2001, un analist al grupului META (acum Gartner) pe numele lui Doug Laney a subliniat ceea ce cercetătorii au considerat că sunt cele trei provocări principale ale datelor mari: volumul, varietatea și viteza. Peste un deceniu și jumătate mai târziu, creșterea rapidă a punctelor de acces la internet (datorată în mare parte proliferării dispozitivelor mobile și creșterii tehnologiei IoT) a adus aceste probleme în prim plan pentru companiile majore de tehnologie, precum și pentru întreprinderile mai mici. și startup-uri deopotrivă. (Pentru a afla mai multe despre cele trei versiuni, a se vedea Provocarea de date mari de astăzi rezultă din varietate, nu din volum sau viteză.)
Fără bug-uri, fără stres - Ghidul dvs. pas cu pas pentru crearea de programe care schimbă viața fără a vă distruge viața
Nu îți poți îmbunătăți abilitățile de programare atunci când nimeni nu îi pasă de calitatea software-ului.
Statisticile recente privind utilizarea globală a datelor sunt uimitoare. Studiile indică faptul că aproximativ 90% din toate datele lumii au fost create doar în ultimii doi ani. Traficul mobil la nivel mondial s-a ridicat la aproximativ șapte exabyte pe lună în cursul anului 2016, conform unei estimări, iar acest număr va crește de aproximativ șapte ori în următoarea jumătate de deceniu.
Dincolo de volum, varietatea (diversitatea în creștere rapidă a tipurilor de date pe măsură ce noile suporturi evoluează și se extinde) și viteza (viteza cu care media electronică este trimisă la centrele de date și hub-urile) sunt, de asemenea, factori majori în modul în care întreprinderile se adaptează la domeniul în plină expansiune. de învățare profundă. Și pentru a se extinde pe dispozitivul mnemonic, mai multe alte cuvinte-v au fost adăugate pe lista punctelor de durere de date mari din ultimii ani, inclusiv:
- Valabilitate: Măsurarea preciziei datelor de intrare în sistemele de date mari. Datele nevalide care sunt nedetectate pot provoca probleme semnificative, precum și reacții în lanț în mediile de învățare a mașinilor.
- Vulnerabilitate: Datele mari evocă în mod natural probleme de securitate, pur și simplu în virtutea scării sale. Și deși există un potențial mare în sistemele de securitate care sunt activate de învățarea automată, aceste sisteme în încarnările lor actuale se remarcă pentru lipsa de eficiență, în special datorită tendinței lor de a genera false alarme.
- Valoare: Dovada valorii potențiale a datelor mari (în afaceri sau în altă parte) poate fi o provocare semnificativă din orice număr de motive. Dacă oricare dintre celelalte puncte de durere din această listă nu poate fi abordat în mod eficient, atunci ele ar putea de fapt să adauge valoare negativă oricărui sistem sau organizație, poate chiar cu efect catastrofal.
Alte puncte aliterabile ale durerii care au fost adăugate pe listă includ variabilitatea, veridicitatea, volatilitatea și vizualizarea - toate prezentând propriile seturi unice de provocări pentru sistemele de date mari. Și ar putea fi adăugate mai multe, deoarece lista existentă (probabil) se oprește în timp. Deși poate părea un pic conținut pentru unii, lista mnemonică „v” cuprinde probleme serioase cu care se confruntă date mari care joacă un rol important în viitorul învățării profunde.
Dilema cutiei negre
Una dintre cele mai atractive caracteristici ale învățării profunde și a inteligenței artificiale este aceea că ambele sunt destinate să rezolve probleme pe care oamenii nu le pot rezolva. Aceeași fenomene care se presupune că permit, totuși, prezintă și o dilemă interesantă, care se prezintă sub forma a ceea ce este cunoscută sub numele de „cutie neagră”.
Rețeaua neuronală creată prin procesul de învățare profundă este atât de vastă și atât de complexă încât funcțiile sale complexe sunt esențiale de observație umană. Oamenii de știință și inginerii de date pot avea o înțelegere minuțioasă a ceea ce intră în sistemele de învățare profundă, dar modul în care ajung la deciziile lor de ieșire mai des decât nu se explică complet.
Deși acest lucru ar putea să nu fie o problemă semnificativă pentru, să spunem, marketeri sau vânzători (în funcție de ceea ce comercializează sau vând), alte industrii necesită o anumită cantitate de validare și motivare a procesului pentru a obține orice utilizare din rezultate. O companie de servicii financiare, de exemplu, ar putea folosi învățarea profundă pentru a stabili un mecanism extrem de eficient de notare a creditelor. Însă, scorurile de credit trebuie să vină adesea cu un fel de explicație verbală sau scrisă, care ar fi dificil de format dacă ecuația propriu-zisă de notare a creditului este total opacă și inexplicabilă.
Această problemă se extinde și în multe alte sectoare, în special în domeniile sănătății și siguranței. Medicina și transportul ar putea beneficia atât în moduri majore de învățare profundă, dar și se confruntă cu un obstacol semnificativ sub forma cutiei negre. Orice ieșire rezultă în aceste câmpuri, oricât de avantajoase, ar putea fi aruncată în totalitate din cauza obscurității complete a algoritmilor lor de bază. Acest lucru ne duce la cel mai controversat punct de durere dintre toate ...
Regulament
În primăvara anului 2016, Uniunea Europeană a aprobat Regulamentul general privind protecția datelor (GDPR), care (printre altele) acordă cetățenilor „dreptul la o explicație” pentru deciziile automate generate de sistemele de învățare automată care le „afectează în mod semnificativ”. Programat să intre în vigoare în 2018, regulamentul provoacă îngrijorare companiilor tehnologice care sunt investite în învățare profundă din cauza cutiei negre impenetrabile, ceea ce ar împiedica în multe cazuri explicația mandatată de GDPR.
„Luarea deciziilor automate individuale” pe care GDPR intenționează să o restrângă este o caracteristică esențială a învățării profunde. Dar preocupările pentru această tehnologie sunt inevitabile (și în mare măsură valabile) atunci când potențialul de discriminare este atât de ridicat și de transparență atât de scăzut. În Statele Unite, Food and Drug Administration reglementează în mod similar testarea și comercializarea medicamentelor, impunând ca aceste procese să rămână audibile. Acest lucru a prezentat obstacole pentru industria farmaceutică, așa cum a fost cazul pentru compania de biotehnologie din Massachusetts, bazată pe Massachusetts, care a fost împiedicată să folosească metode de învățare profundă neinterpretabile, datorită regulii FDA.
Implicațiile învățării profunde (morale, practice și nu numai) sunt fără precedent și, sincer, destul de profunde. O mare apreciere înconjoară tehnologia datorată, în mare parte, unei combinații între potențialul său perturbator și logica și funcționalitatea sa opace.Dacă întreprinderile pot dovedi existența unei valori tangibile în cadrul învățării profunde care depășește orice amenințări sau pericole imaginabile, atunci acestea ne-ar putea ajuta să ne conducă prin următoarea fază critică a inteligenței artificiale.