Περιεχόμενο
- Επιχειρηματικές εφαρμογές της βαθιάς μάθησης
- Τα V μεγάλα δεδομένα και βαθιά μάθηση
- No Bugs, No Stress - Ο οδηγός σας βήμα προς βήμα για τη δημιουργία λογισμικού που αλλάζει τη ζωή χωρίς να καταστρέφει τη ζωή σας
- Το δίλημμα του μαύρου κουτιού
- Κανονισμός λειτουργίας
Πηγή: Agsandrew / Dreamstime.com
Πάρε μακριά:
Η βαθιά μάθηση έχει πολλά να προσφέρει στις επιχειρήσεις, αλλά πολλοί εξακολουθούν να διστάζουν να την υιοθετήσουν. Εδώ εξετάζουμε μερικά από τα μεγαλύτερα σημεία πόνου του.
Η βαθιά μάθηση είναι υποπεδίο μηχανικής μάθησης, η οποία (γενικά) είναι τεχνολογία που εμπνέεται από τον ανθρώπινο εγκέφαλο και τις λειτουργίες του. Πρώτα εισήχθη στη δεκαετία του 1950, η μηχανική μάθηση ενημερώνεται σωρευτικά από αυτό που είναι γνωστό ως το τεχνητό νευρωνικό δίκτυο, μια πληθώρα διασυνδεδεμένων κόμβων δεδομένων που συλλογικά αποτελούν τη βάση για την τεχνητή νοημοσύνη. (Για τα βασικά της εκμάθησης μηχανών, ελέγξτε τη μηχανή μάθησης 101.)
Η εκμάθηση μηχανών επιτρέπει κατ 'ουσία στα προγράμματα υπολογιστών να αλλάζουν οι ίδιοι όταν τους ζητείται από εξωτερικά δεδομένα ή προγραμματισμό. Από τη φύση του, είναι σε θέση να το επιτύχει χωρίς ανθρώπινη αλληλεπίδραση. Μοιράζεται παρόμοια λειτουργικότητα με την εξόρυξη δεδομένων, αλλά με εξόρυξη αποτελεσμάτων που πρέπει να επεξεργαστούν από μηχανές και όχι από ανθρώπους. Χωρίζεται σε δύο μεγάλες κατηγορίες: μάθηση υπό επίβλεψη και χωρίς επίβλεψη.
Η εποπτευόμενη μηχανική μάθηση περιλαμβάνει τη συμπερίληψη προκαθορισμένων λειτουργιών μέσω δεδομένων επισήμανσης με επισήμανση. Με άλλα λόγια, τα εποπτευόμενα αποτελέσματα είναι γνωστά εκ των προτέρων από τον (ανθρώπινο) προγραμματιστή, αλλά το σύστημα που υπονοεί τα αποτελέσματα εκπαιδεύεται για να τα «μάθει». Η μη εποπτευόμενη μηχανική μάθηση, αντίθετα, αντλεί συμπεράσματα από μη επισημασμένα δεδομένα εισόδου, συχνά ως μέσο ανίχνευσης άγνωστων προτύπων.
Η βαθιά μάθηση είναι μοναδική στην ικανότητά της να εκπαιδεύεται μέσω ιεραρχικών αλγορίθμων, σε αντίθεση με τους γραμμικούς αλγορίθμους της μηχανικής μάθησης. Οι βαθιές ιεραρχίες μάθησης είναι όλο και πιο σύνθετες και αφηρημένες καθώς αναπτύσσονται (ή "μαθαίνουν") και δεν βασίζονται σε εποπτευόμενη λογική. Με απλά λόγια, η βαθιά εκμάθηση είναι μια εξαιρετικά προηγμένη, ακριβής και αυτοματοποιημένη μορφή μηχανικής μάθησης και βρίσκεται στην πρώτη γραμμή της τεχνολογίας τεχνητής νοημοσύνης.
Επιχειρηματικές εφαρμογές της βαθιάς μάθησης
Η εκμάθηση μηχανών χρησιμοποιείται ήδη ευρέως σε διάφορες βιομηχανίες. Τα κοινωνικά μέσα, για παράδειγμα, το χρησιμοποιούν για να καθαρίζουν τις ροές περιεχομένου στα χρονοδιαγράμματα των χρηστών. Το Google Brain ιδρύθηκε πριν από αρκετά χρόνια με σκοπό την παραγωγή βαθιάς μάθησης σε όλο το φάσμα των υπηρεσιών της Google καθώς εξελίσσεται η τεχνολογία.
Με έμφαση στην ανάλυση προγνωστικών, ο τομέας του μάρκετινγκ επενδύεται ιδιαίτερα στην καινοτομία βαθιάς μάθησης. Και δεδομένου ότι η συσσώρευση δεδομένων είναι αυτό που ωθεί την τεχνολογία, οι βιομηχανίες όπως οι πωλήσεις και η υποστήριξη πελατών (που διαθέτουν ήδη πλούσια και ποικίλα δεδομένα πελατών) είναι μοναδικά τοποθετημένα για να τα υιοθετήσουν στο επίπεδο του εδάφους.
Η έγκαιρη προσαρμογή στη βαθιά εκμάθηση θα μπορούσε να αποτελέσει καθοριστικό παράγοντα για το πόσο συγκεκριμένοι κλάδοι επωφελούνται από την τεχνολογία, ιδίως στις πρώτες φάσεις της. Παρ 'όλα αυτά, μερικά συγκεκριμένα σημεία πόνου διατηρούν πολλές επιχειρήσεις από το να βυθιστούν σε επενδύσεις τεχνολογίας βαθιάς μάθησης.
Τα V μεγάλα δεδομένα και βαθιά μάθηση
Το 2001, ένας αναλυτής του META Group (τώρα Gartner) με το όνομα Doug Laney περιέγραψε αυτό που οι ερευνητές θεωρούσαν ότι είναι οι τρεις κύριες προκλήσεις των μεγάλων δεδομένων: όγκος, ποικιλία και ταχύτητα. Πάνω από μια δεκαετία αργότερα, η ταχεία αύξηση των σημείων πρόσβασης στο Διαδίκτυο (λόγω κυρίως της διάδοσης των κινητών συσκευών και της αύξησης της τεχνολογίας του Διαδικτύου) έφερε τα θέματα αυτά στην πρώτη γραμμή των μεγάλων τεχνολογικών εταιρειών καθώς και των μικρότερων επιχειρήσεων και οι νεοσύστατες επιχειρήσεις. (Για να μάθετε περισσότερα σχετικά με τα τρία v's, δείτε το σημερινό Big Challenge Challenge Data From Variety, Not Volume ή Velocity.)
No Bugs, No Stress - Ο οδηγός σας βήμα προς βήμα για τη δημιουργία λογισμικού που αλλάζει τη ζωή χωρίς να καταστρέφει τη ζωή σας
Δεν μπορείτε να βελτιώσετε τις δεξιότητες προγραμματισμού σας όταν κανείς δεν ενδιαφέρεται για την ποιότητα του λογισμικού.
Τα πρόσφατα στατιστικά στοιχεία σχετικά με τη χρήση παγκόσμιων δεδομένων είναι συγκλονιστικά. Μελέτες δείχνουν ότι περίπου το 90% όλων των δεδομένων του κόσμου δημιουργήθηκαν μόνο μέσα στα τελευταία δύο χρόνια. Η παγκόσμια κίνηση κινητής τηλεφωνίας ανήλθε σε περίπου επτά exabytes ανά μήνα κατά το 2016, σύμφωνα με μία εκτίμηση, και ο αριθμός αυτός αναμένεται να αυξηθεί κατά περίπου επτά φορές κατά την επόμενη δεκαετία.
Πέρα από τον όγκο, την ποικιλία (η ταχέως αυξανόμενη ποικιλομορφία των τύπων δεδομένων καθώς εξελίσσονται και αναπτύσσονται τα νέα μέσα) και η ταχύτητα (η ταχύτητα με την οποία αποστέλλονται τα ηλεκτρονικά μέσα στα κέντρα δεδομένων και τους κόμβους) αποτελούν επίσης σημαντικούς παράγοντες για τον τρόπο προσαρμογής των επιχειρήσεων στον τομέα της ανάπτυξης της βαθιάς μάθησης. Και για να επεκταθεί η μνημονική συσκευή, έχουν προστεθεί στον κατάλογο των μεγάλων σημείων πόνου τα τελευταία χρόνια πολλά άλλα v-words, όπως:
- Ισχύς: Η μέτρηση της ακρίβειας δεδομένων εισόδου σε μεγάλα συστήματα δεδομένων. Τα μη έγκυρα δεδομένα που δεν έχουν εντοπιστεί μπορούν να προκαλέσουν σημαντικά προβλήματα καθώς και αλυσιδωτές αντιδράσεις σε περιβάλλοντα μηχανικής μάθησης.
- Ευπάθεια: Μεγάλα δεδομένα προκαλούν φυσικά προβλήματα ασφάλειας, λόγω της κλίμακας της. Και παρόλο που υπάρχουν μεγάλες δυνατότητες προβολής στα συστήματα ασφαλείας που επιτρέπονται από τη μηχανική μάθηση, αυτά τα συστήματα στις τρέχουσες ενσαρκώσεις τους σημειώνουν την έλλειψη αποδοτικότητάς τους, κυρίως λόγω της τάσης τους να παράγουν ψευδείς συναγερμούς.
- Αξία: Η απόδειξη της πιθανής αξίας των μεγάλων δεδομένων (σε επιχειρήσεις ή αλλού) μπορεί να αποτελέσει σημαντική πρόκληση για πολλούς λόγους. Εάν κάποιο από τα άλλα σημεία πόνου στον κατάλογο αυτό δεν μπορεί να αντιμετωπιστεί αποτελεσματικά, τότε στην πραγματικότητα θα μπορούσαν να προσθέσουν αρνητική αξία σε οποιοδήποτε σύστημα ή οργανισμό, ίσως ακόμη και με καταστροφικό αποτέλεσμα.
Άλλα σημεία πόνου που έχουν προστεθεί στη λίστα περιλαμβάνουν τη μεταβλητότητα, την αξιοπιστία, την αστάθεια και την οπτικοποίηση - όλα παρουσιάζουν τα δικά τους μοναδικά σύνολα προκλήσεων σε μεγάλα συστήματα δεδομένων. Και θα μπορούσαν ακόμη να προστεθούν περισσότερα δεδομένου ότι η υπάρχουσα λίστα (πιθανότατα) αποκολλάται με την πάροδο του χρόνου. Παρόλο που μπορεί να φανεί κάπως εφικτό σε μερικούς, ο μνημονικός κατάλογος "v" περιλαμβάνει σοβαρά ζητήματα που αντιμετωπίζουν μεγάλα δεδομένα που παίζουν σημαντικό ρόλο στο μέλλον της βαθιάς μάθησης.
Το δίλημμα του μαύρου κουτιού
Ένα από τα πιο ελκυστικά χαρακτηριστικά της βαθιάς μάθησης και της τεχνητής νοημοσύνης είναι ότι και οι δύο προορίζονται να λύσουν προβλήματα που οι άνθρωποι δεν μπορούν. Τα ίδια φαινόμενα που υποτίθεται ότι επιτρέπουν αυτό, ωστόσο, παρουσιάζουν επίσης ένα ενδιαφέρον δίλημμα, το οποίο έρχεται με τη μορφή του γνωστού ως "μαύρου κουτιού".
Το νευρωνικό δίκτυο που δημιουργείται μέσα από τη διαδικασία της βαθιάς μάθησης είναι τόσο τεράστιο και τόσο περίπλοκο ώστε οι πολύπλοκες λειτουργίες του είναι ουσιαστικά ανυπέρβλητες στην ανθρώπινη παρατήρηση. Οι επιστήμονες δεδομένων και οι μηχανικοί μπορεί να έχουν μια πλήρη κατανόηση του τι συμβαίνει σε συστήματα βαθιάς μάθησης, αλλά ο τρόπος με τον οποίο φθάνουν στις αποφάσεις εξόδου τους πιο συχνά από ό, τι πηγαίνει τελείως ανεξήγητος.
Αν και αυτό δεν μπορεί να είναι ένα σημαντικό ζήτημα, για παράδειγμα, των εμπόρων ή των πωλητών (ανάλογα με το τι μάρκετίζουν ή πωλούν), άλλες βιομηχανίες απαιτούν ένα ορισμένο ποσό επικύρωσης διαδικασίας και συλλογιστικής προκειμένου να αξιοποιηθούν οποιαδήποτε αποτελέσματα. Μια εταιρεία χρηματοπιστωτικών υπηρεσιών, για παράδειγμα, μπορεί να χρησιμοποιήσει τη βαθιά μάθηση για να δημιουργήσει έναν ιδιαίτερα αποδοτικό μηχανισμό αξιολόγησης της πιστοληπτικής ικανότητας. Αλλά τα πιστωτικά αποτελέσματα συχνά πρέπει να έρθουν με κάποιο είδος λεκτικής ή γραπτής εξήγησης, που θα ήταν δύσκολο να σχηματιστεί αν η πραγματική εξίσωση βαθμολόγησης είναι εντελώς αδιαφανής και ανεξήγητη.
Το πρόβλημα αυτό εκτείνεται και σε πολλούς άλλους τομείς, ιδίως στο πλαίσιο της υγείας και της ασφάλειας. Η ιατρική και η μεταφορά θα μπορούσαν να επωφεληθούν κατά κύριο λόγο από τη βαθιά εκμάθηση, αλλά αντιμετωπίζουν επίσης ένα σημαντικό εμπόδιο με τη μορφή του μαύρου κουτιού. Τυχόν αποτελέσματα σε αυτά τα πεδία, ανεξάρτητα από το πόσο επωφελής, θα μπορούσαν να απορριφθούν εξ 'ολοκλήρου εξαιτίας της πλήρους ασαφούς υποκειμενικής τους αλγορίθμου. Αυτό μας φέρνει ίσως στο πιο αμφιλεγόμενο σημείο πόνου όλων αυτών ...
Κανονισμός λειτουργίας
Την άνοιξη του 2016, η Ευρωπαϊκή Ένωση ενέκρινε τον Γενικό Κανονισμό Προστασίας Δεδομένων (GDPR), ο οποίος (μεταξύ άλλων) παρέχει στους πολίτες το "δικαίωμα στην εξήγηση" για αυτοματοποιημένες αποφάσεις που παράγονται από συστήματα μηχανικής μάθησης που τους επηρεάζουν σημαντικά. Προβλεπόμενη να τεθεί σε ισχύ το 2018, ο κανονισμός προκαλεί ανησυχία μεταξύ των τεχνολογικών εταιρειών που επενδύονται σε βαθιά εκμάθηση εξαιτίας του αδιαπέρατου μαύρου κουτιού του, το οποίο σε πολλές περιπτώσεις θα παρεμπόδιζε τις εξηγήσεις που ορίζει το GDPR.
Η "αυτοματοποιημένη λήψη ατομικών αποφάσεων" που προτίθεται να περιορίσει το GDPR είναι ένα βασικό χαρακτηριστικό της βαθιάς μάθησης. Ωστόσο, οι ανησυχίες για την τεχνολογία αυτή είναι αναπόφευκτες (και σε μεγάλο βαθμό έγκυρες), όταν οι δυνατότητες διάκρισης είναι τόσο υψηλές και η διαφάνεια είναι τόσο χαμηλή. Στις Ηνωμένες Πολιτείες, η Υπηρεσία Τροφίμων και Φαρμάκων ρυθμίζει ομοίως τη δοκιμή και την εμπορία ναρκωτικών ζητώντας αυτές τις διαδικασίες να παραμείνουν ελεγχόμενες. Αυτό έχει δημιουργήσει εμπόδια στη φαρμακοβιομηχανία, όπως αναφέρθηκε στην περίπτωση της βιοτεχνολογικής εταιρείας Biogen με έδρα τη Μασαχουσέτη, η οποία δεν έχει τη δυνατότητα να χρησιμοποιεί μεθόδους βαθιάς εκμάθησης χωρίς ερμηνεία λόγω του κανόνα της FDA.
Οι επιπτώσεις της βαθιάς μάθησης (ηθικής, πρακτικής και πέραν αυτής) είναι άνευ προηγουμένου και, ειλικρινά, πολύ βαθιές. Ένα μεγάλο μέρος της ανησυχίας περιβάλλει την τεχνολογία που οφείλεται σε μεγάλο βαθμό σε ένα συνδυασμό του δυναμικού αποδιορθώσεως και της αδιαφανής λογικής και λειτουργικότητάς της.Εάν οι επιχειρήσεις μπορούν να αποδείξουν την ύπαρξη απτής αξίας μέσα σε βαθιά εκμάθηση που ξεπερνά τις πιθανές απειλές ή κινδύνους, τότε θα μπορούσαν να μας οδηγήσουν στην επόμενη κρίσιμη φάση της τεχνητής νοημοσύνης.