Obsah
- Obchodné aplikácie hlbokého vzdelávania
- Vs veľkých dát a hlboké učenie
- Žiadne chyby, žiadny stres - Váš sprievodca krok za krokom k vytvoreniu softvéru na zmenu života bez zničenia vášho života
- Čierna skrinka dilema
- predpis
Zdroj: Agsandrew / Dreamstime.com
Zobrať:
Hlboké vzdelávanie má veľa čo ponúknuť podnikom, ale mnohí ho stále váhajú prijať. Tu sa pozrieme na niektoré z jeho najväčších bolestivých bodov.
Hlboké vzdelávanie je podpolí strojového učenia, ktoré (všeobecne povedané) je technológia, ktorá je inšpirovaná ľudským mozgom a jeho funkciami. Strojové učenie, ktoré bolo prvýkrát zavedené v 50. rokoch 20. storočia, je kumulatívne informované o tzv. Umelej neurónovej sieti, množine vzájomne prepojených dátových uzlov, ktoré spoločne tvoria základ umelej inteligencie. (Základné základy strojového učenia nájdete v časti Strojové učenie 101.)
Strojové učenie v podstate umožňuje počítačovým programom meniť sa, keď sú vyzvané externými údajmi alebo programovaním. Od prírody je schopný to dosiahnuť bez ľudskej interakcie. Zdieľa podobnú funkčnosť s dolovaním údajov, ale s ťaženými výsledkami, ktoré majú spracovať skôr počítače ako ľudia. Je rozdelená do dvoch hlavných kategórií: učenie pod dohľadom a vzdelávanie bez dozoru.
Strojové učenie pod dohľadom zahŕňa odvodenie vopred určených operácií prostredníctvom označených údajov o školení. Inými slovami, výsledky pod dohľadom sú známe vopred (ľudským) programátorom, ale systém odvodzujúci výsledky je vyškolený, aby ich „učil“. Naproti tomu strojové učenie bez dozoru vyvodzuje závery z neznačených vstupných údajov, často ako prostriedok na detekciu neznámych vzorov.
Hlboké vzdelávanie je jedinečné svojou schopnosťou trénovať sa prostredníctvom hierarchických algoritmov, na rozdiel od lineárnych algoritmov strojového učenia. Hierarchie hlbokého učenia sú čoraz zložitejšie a abstraktnejšie, pretože sa vyvíjajú (alebo „učia sa“) a nespoliehajú sa na logiku pod dohľadom. Jednoducho povedané, hlboké vzdelávanie je vysoko pokročilá, presná a automatizovaná forma strojového učenia a je v popredí technológie umelej inteligencie.
Obchodné aplikácie hlbokého vzdelávania
Strojové učenie sa už bežne používa v niekoľkých rôznych priemyselných odvetviach. Napríklad sociálne médiá ho používajú na správu informačných kanálov obsahu v časových radoch používateľov. Google Brain bol založený pred niekoľkými rokmi s cieľom produkovať hlboké vzdelávanie v celom spektre služieb spoločnosti Google, ako sa táto technológia vyvíja.
So zameraním na prediktívnu analýzu je oblasť marketingu investovaná najmä do inovácií hlbokého vzdelávania. A keďže zhromažďovanie údajov je to, čo poháňa technológie, odvetvia, ako je predaj a podpora zákazníkov (ktoré už majú veľké množstvo bohatých a rozmanitých údajov o zákazníkoch), majú jedinečnú pozíciu na to, aby ich prijali na úrovni terénu.
Včasné prispôsobenie sa hlbokému vzdelávaniu by mohlo byť veľmi dobre kľúčovým určujúcim faktorom toho, do akej miery konkrétne technológie ťažia z tejto technológie, najmä v jej najskorších fázach. Napriek tomu niekoľko konkrétnych bolestivých bodov bráni mnohým podnikom v ponorení sa do investícií do technológie hlbokého vzdelávania.
Vs veľkých dát a hlboké učenie
V roku 2001 analytik skupiny META (teraz Gartner) pod menom Doug Laney načrtol, čo vedci vnímajú ako tri hlavné výzvy veľkých údajov: objem, rozmanitosť a rýchlosť. O desať rokov a pol neskôr prudký nárast prístupových miest k internetu (spôsobený najmä šírením mobilných zariadení a nárastom technológie internetu vecí) priniesol tieto otázky do popredia veľkých technologických spoločností, ako aj menších podnikov. a startupy. (Ak sa chcete dozvedieť viac o troch verziách, prečítajte si dnešné informácie o veľkom počte dát z odrody, nie objemu alebo rýchlosti.)
Žiadne chyby, žiadny stres - Váš sprievodca krok za krokom k vytvoreniu softvéru na zmenu života bez zničenia vášho života
Nemôžete zlepšiť svoje programovacie schopnosti, keď sa nikoho nezaujíma o kvalitu softvéru.
Nedávne štatistiky o globálnom využívaní údajov sú ohromujúce. Štúdie naznačujú, že približne 90 percent všetkých svetových údajov bolo vytvorených iba v posledných rokoch. Celosvetová mobilná prevádzka podľa jedného odhadu dosiahla podľa odhadov v roku 2016 približne sedem exabajtov mesačne a očakáva sa, že v nasledujúcom polroku sa ich počet zvýši asi sedemkrát.
Okrem objemu je rozmanitosť (rýchlo rastúca rôznorodosť typov údajov pri vývoji a rozširovaní nových médií) a rýchlosť (rýchlosť, akou sa elektronické médiá odosielajú do dátových stredísk a stredísk), tiež hlavnými faktormi pri prispôsobovaní sa podnikov rastúcemu odvetviu. hlbokého učenia. A aby sa rozšírilo na mnemotechnické zariadenie, v posledných rokoch sa do zoznamu bodov bolesti veľkých údajov pridalo niekoľko ďalších v-slov, vrátane:
- Platnosť: Meranie presnosti vstupných údajov vo veľkých dátových systémoch. Neplatné údaje, ktoré zostanú nezistené, môžu spôsobiť značné problémy, ako aj reťazové reakcie v prostredí strojového učenia.
- Zraniteľnosť: Veľké dáta prirodzene vyvolávajú obavy o bezpečnosť jednoducho na základe ich rozsahu. Aj keď v bezpečnostných systémoch, ktoré sú umožnené strojovým učením, existuje veľký potenciál, tieto systémy v ich súčasných inkarnáciách sa vyznačujú nedostatočnou účinnosťou, najmä kvôli ich tendencii generovať falošné poplachy.
- Hodnota: Poskytnutie potenciálnej hodnoty veľkých údajov (v podnikaní alebo inde) môže byť významnou výzvou z mnohých dôvodov. Ak nie je možné účinne vyriešiť ktorýkoľvek z ďalších bolestivých bodov v tomto zozname, mohli by v skutočnosti pridať negatívnu hodnotu každému systému alebo organizácii, možno aj s katastrofickým účinkom.
K ďalším aliteratívnym bodom bolesti, ktoré boli pridané do zoznamu, patrí variabilita, pravdivosť, volatilita a vizualizácia - to všetko predstavuje pre svoje veľké dátové systémy svoje vlastné jedinečné súbory výziev. Keď sa existujúci zoznam (pravdepodobne) časom zužuje, môže sa pridať ďalšie. Niektorým sa môže zdať trochu vynaliezavý, ale mnemotechnický zoznam „v“ obsahuje vážne problémy, ktorým čelia veľké údaje, ktoré zohrávajú dôležitú úlohu v budúcnosti hlbokého vzdelávania.
Čierna skrinka dilema
Jednou z najatraktívnejších čŕt hlbokého učenia a umelej inteligencie je to, že obe sú určené na riešenie problémov, ktoré ľudia nemôžu. Rovnaký fenomén, ktorý to má umožniť, predstavuje tiež zaujímavú dilemu, ktorá prichádza vo forme tzv. „Čiernej skrinky“.
Neurónová sieť vytvorená procesom hlbokého učenia je taká rozsiahla a tak komplexná, že jej zložité funkcie sú v podstate nevyvrátiteľné ľudským pozorovaním. Vedci údajov a inžinieri môžu mať dôkladné vedomosti o tom, čo prechádza do systémov hlbokého vzdelávania, ale to, ako dospejú k rozhodnutiam o výstupe častejšie ako nie, je úplne nevysvetlené.
Aj keď to nemusí byť významný problém napríklad pre obchodníkov alebo predajcov (v závislosti od toho, čo marketingujú alebo predávajú), iné priemyselné odvetvia si vyžadujú určité množstvo overenia a zdôvodnenia procesu, aby z výsledkov získali akékoľvek využitie. Napríklad spoločnosť poskytujúca finančné služby by mohla použiť hĺbkové vzdelávanie na vytvorenie vysoko účinného mechanizmu hodnotenia kreditov. Úverové skóre však musí často obsahovať nejaký druh verbálneho alebo písomného vysvetlenia, ktoré by bolo ťažké sformulovať, ak je skutočná rovnica úverového skóre úplne nepriehľadná a nevysvetliteľná.
Tento problém sa týka aj mnohých ďalších sektorov, najmä v oblasti zdravia a bezpečnosti. Medicína a preprava by mohli predstavovať hlavné výhody hlbokého učenia, ale zároveň čeliť významnej prekážke vo forme čiernej skrinky. Akýkoľvek výstup má za následok, že v týchto poliach, bez ohľadu na to, ako prospešné, by sa dalo úplne vyradiť z dôvodu úplnej nejasnosti základných algoritmov. Toto nás privádza k možno najkontroverznejším bodom bolesti zo všetkých…
predpis
Na jar 2016 Európska únia schválila všeobecné nariadenie o ochrane údajov (GDPR), ktoré okrem iného udeľuje občanom „právo na vysvetlenie“ automatizovaných rozhodnutí generovaných systémami strojového učenia, ktoré ich „významne ovplyvňujú“. Toto nariadenie, ktoré je naplánované na rok 2018, vyvoláva obavy medzi technologickými spoločnosťami, ktoré investujú do hlbokého vzdelávania v dôsledku svojej nepreniknuteľnej čiernej skrinky, ktorá by v mnohých prípadoch bránila vysvetleniu nariadenému GDPR.
„Automatizované individuálne rozhodovanie“, ktoré má GDPR v úmysle obmedziť, je podstatnou črtou hlbokého učenia. Obavy z tejto technológie sú však nevyhnutné (a do značnej miery platné), keď je potenciál diskriminácie taký vysoký a transparentnosť tak nízka. V Spojených štátoch americká vláda pre potraviny a liečivá podobne reguluje testovanie a marketing liekov tým, že vyžaduje, aby tieto procesy zostali auditovateľné. To predstavuje pre farmaceutický priemysel prekážky, ako sa údajne stalo v prípade biotechnologickej spoločnosti Biogen so sídlom v Massachusetts, ktorej bolo z dôvodu pravidla FDA znemožnené používať neinterpretovateľné metódy hĺbkového vzdelávania.
Dôsledky hlbokého učenia (morálne, praktické a ďalšie) sú bezprecedentné a, úprimne povedané, dosť hlboké. Túto obavu obklopuje technológia z veľkej časti vďaka kombinácii jej rušivého potenciálu a nepriehľadnej logiky a funkčnosti.Ak podniky dokážu dokázať existenciu hmatateľnej hodnoty v rámci hlbokého učenia, ktorá presahuje akékoľvek mysliteľné hrozby alebo nebezpečenstvá, mohli by nás viesť v ďalšej kritickej fáze umelej inteligencie.