Sisu
- 1. müüt: masinõpe ja tehisintellekt on üks ja sama.
- 2. müüt: masinõpet ei saa kontrollida.
- 3. müüt: masinõpe hävitab töökohad.
- Pole vigu ega stressi - teie samm-sammuline juhend elumuutva tarkvara loomiseks ilma oma elu hävitamata
- 4. müüt: masinõpe on tegelikult õppimine.
Allikas: agsandrew / iStockphoto
Ära võtma:
Masinõpe on sissetungimas tehnomaailma. Kuid enne, kui saame hinnata, kas see viib digitaalse paradiisi või tehno-türanniani, peame mõistma, mida see võib teha ja mida mitte.
Masinõpe (ML) saab ettevõttele olema kas õnnistus või takistus, sõltuvalt sellest, kellega räägite. Ühelt poolt toob see digitaalprotsessidesse laia valiku uusi võimalusi - alates automatiseeritud töövoogudest kuni isehaldusliku infrastruktuurini. Teisalt tõrjub see töökohti ja jätab organisatsioonid võimetuks tegema parandusi, kui asjad lähevad viltu.
Tõde on ilmselt kuskil nende kahe äärmuse vahel, kuid selleks, et tõepoolest saada aru sellest, mida ML teha saab ja mida mitte, on vaja hajutada mõned müütide ümber, mis on tehnoloogia ümber üles kasvanud. (Kuna nii palju on pakkuda, miks ei kasuta kõik ML-i? Siit leiate neli teetõke, mis takistavad masinõppe vastuvõtmist.)
1. müüt: masinõpe ja tehisintellekt on üks ja sama.
Ehkki on tõsi, et nad mõlemad kasutavad sama põhitehnoloogiat, on AI katustermin, mis hõlmab paljusid erialasid. Hariduse ökosüsteemi tegevdirektori dr Michael J. Garbade sõnul hõlmab AI mitte ainult ML-i, vaid ka närvivõrgustikke, loomuliku keele töötlemist, kõnetuvastust ja hulgaliselt muid tekkivaid tehnoloogiaid. ML eristab seda, et tal on võimalik muuta oma koodi, tuginedes kogemustele, keskkonna muutustele või uute eesmärkide seadmisele - see on sisuliselt masinõppe “õppimise” aspekt.
"Masinõppe eesmärk on võimaldada masinatel saadud andmeid kasutades ise õppida ja teha täpseid ennustusi," sõnas ta. "See on meetod algoritmide koolitamiseks, et nad saaksid õppida, kuidas otsuseid vastu võtta."
Seetõttu on masinõpe viis, kuidas andmesüsteemid intelligentseks saavad. Kuid kuna õppimine on protsess, peavad teadmistöötajad harjuma mõttega, et tulevased tehnoloogiad ei paku täielikku funktsionaalsust kohe karbist välja, vaid aja jooksul muutuvad üha optimeeritumaks.
2. müüt: masinõpet ei saa kontrollida.
See „õppimisvõime“ on loomulikult tekitanud hirmu, et ML-toega süsteemid hakkavad otsuseid vastu võtma ja võtma meetmeid, mida kasutajad ette nägid. Kuid lood, mis räägivad tapjarobotitest, kes jooksevad amokist, või arvutipiltidest, kes häirivat inimest pühivad, on rohkem ulme kui tegelikkus. Nagu teada on juhtunud, et eelarvamused andmetes, millega ML kokku puutub, võivad põhjustada halbade otsuste vastuvõtmise, nagu tõestab Tay juhtum, Microsofti vestlusprogramm, mille eest viidi läbi rassistlike vaadete avaldamine.
Kuid nagu IV.AI tegevjuht Vince Lynch hiljuti Tech Crunchi kohta märkis, pole see kontrollide puudumine, vaid nõuetekohase kontrolli rakendamata jätmine. Õigete õpimudelite ja andmekogumite valimisel ning süsteemi range kontrolli all hoidmisel peaksid organisatsioonid saama ML-i ohutult kasutusele võtta ilma katastroofiliste tagajärgedeta. Tegelikult võiksid õigesti rakendatud ML-algoritmid hoiatada kasutajaid enamikes andmekogumites esinevate loomulike nihketega, mis viiks peamiste äri- ja tööstustoimingute ratsionaalsema raamistikuni.
3. müüt: masinõpe hävitab töökohad.
Kuigi mõned töökohad võivad kaduda, on täpsem öelda, et ML kujundab töö ümber, mitte ei asenda seda, ütles Tom Relihan MIT-i Sloani juhtimiskoolist. Enamiku inimeste jaoks võtab ML üle igapäevased, igavad ülesanded, mis muudavad töö tüütavaks, kuid tegelik töö ise pole see. Kitsas tehisintellekt - see, mis on loodud hästi sihitud funktsioonide jaoks - ja üldine AI, mis võib toimida suures osas inimese moodi, on põhiline erinevus. Kitsas AI on see, mis meil praegu on, kuigi üldine sort pole veel aastakümneteks valmis, kui üldse. Nii et kui palju parem on ML teatud asjade tegemisel, ei suuda see inimesi täielikult asendada ja tegelikult muudab meid produktiivsemaks.
Pole vigu ega stressi - teie samm-sammuline juhend elumuutva tarkvara loomiseks ilma oma elu hävitamata
Programmeerimisoskust ei saa parandada, kui keegi tarkvara kvaliteedist ei hooli.
On selge, et see mõjutab mõnda ametit rohkem kui teised ja automatiseeritud pole tingimata vähem keeruline töö. Radioloogid võivad näiteks näha peamisi funktsioone, nagu meditsiiniliste piltide lugemine, mis annavad ML-ile võimaluse, kuid massöör jääb tõenäoliselt veel mõnda aega praktilise töö elukutseks. (Lisateavet selle kohta, kuidas töökohad muutuvad AI tõttu, leiate jaotisest Uued töökohad AI ajastul.)
4. müüt: masinõpe on tegelikult õppimine.
Pidage meeles, nagu dr Garbade märkis, et ML on lihtsalt algoritmid. Inimese tegelik õppimine on palju müstilisem, sedavõrd, et isegi maailma juhtivad neuroteadlased ei suuda seda täielikult selgitada. Nagu Brookingsi Instituudi töötaja Chris Meserole osutab, nõuab inimese õppimine pigem kogemust ja tõenäosuste mõõtmise võimet kui puhast loogikat ja mõistust ning arvutid on tõenäosuste arvutamisel väga head, nii et selles mõttes saab masin rääkida ja õppida lugema ja ära tundma. silmitsi enam-vähem samamoodi nagu meie.
Peamine erinevus on aga see, et algoritm ei tee kunagi hüpet lihtsast andmete analüüsist ja ennustamisest kuni täieliku mõistmiseni selle kõigest. Tema vaatevinklist on see kõik vaid numbrid. Nii saab ML-süsteem skaneerida näiteks kassi pildi, teisendada see kujutise numbrijadaks, mis tähistab pildi iga punkti värvi, varjundi jms osas, seejärel võrrelda seda jada kõigi teiste teadaolevate jadadega lihtsalt tulla tõenäosusega, kas see on kass või koer või ninasarvik. Samal ajal saab kolmeaastane tüdruk, kes võib-olla on elu jooksul näinud ainult ühte kassi, vaadata vaevalt sekundit toorjoont ning väheste arvutuste ja praktiliselt nulli kulutatud energiaga öelda kindlalt, et see on kass.
Ja see on põhjus, miks lõppkokkuvõttes võime järeldada, et ML on ettevõttele õnnistuseks tegevjuhist kuni algtaseme töötajani. See ei asenda kunagi inimtegevust, vaid muudab selle rikkamaks ja rahuldustpakkuvamaks.
