Содержание
- Бизнес-приложения глубокого обучения
- V больших данных и глубокого обучения
- Нет ошибок, нет стресса - ваше пошаговое руководство по созданию изменяющего жизнь программного обеспечения без разрушения вашей жизни
- Дилемма черного ящика
- регулирование
Источник: Агсандрю / Dreamstime.com
вынос:
Глубокое обучение может многое предложить бизнесу, но многие все еще не решаются его принять. Здесь мы рассмотрим некоторые из его самых больших болевых точек.
Глубокое обучение - это подполе машинного обучения, которое (вообще говоря) - это технология, вдохновленная человеческим мозгом и его функциями. Впервые появившаяся в 1950-х годах, машинное обучение в совокупности опирается на так называемую искусственную нейронную сеть, множество взаимосвязанных узлов данных, которые в совокупности образуют основу для искусственного интеллекта. (Для основ машинного обучения, проверьте Машинное обучение 101.)
Машинное обучение, по сути, позволяет компьютерным программам меняться, когда на них указывают внешние данные или программы. По своей природе это может сделать это без человеческого взаимодействия. Он имеет аналогичную функциональность с интеллектуальным анализом данных, но с добытыми результатами, которые будут обрабатываться машинами, а не людьми. Он делится на две основные категории: контролируемое и неконтролируемое обучение.
Контролируемое машинное обучение включает в себя вывод заранее определенных операций через помеченные данные обучения. Другими словами, контролируемые результаты заранее известны (человеческому) программисту, но система, выводящая результаты, обучена «изучать» их. Напротив, неконтролируемое машинное обучение делает выводы из немаркированных входных данных, часто в качестве средства обнаружения неизвестных паттернов.
Глубокое обучение уникально в своей способности обучаться через иерархические алгоритмы, в отличие от линейных алгоритмов машинного обучения. Иерархии глубокого обучения становятся все более сложными и абстрактными по мере их развития (или «обучения») и не полагаются на контролируемую логику. Проще говоря, глубокое обучение является высокоразвитой, точной и автоматизированной формой машинного обучения и находится на переднем крае технологии искусственного интеллекта.
Бизнес-приложения глубокого обучения
Машинное обучение уже широко используется в нескольких различных отраслях. Социальные медиа, например, используют его для курирования каналов контента в пользовательских временных шкалах. Google Brain был основан несколько лет назад с целью углубленного изучения всего спектра услуг Google по мере развития технологии.
Сфокусируясь на прогнозной аналитике, область маркетинга особенно инвестируется в инновации глубокого обучения. А поскольку именно накопление данных является движущей силой технологии, такие отрасли, как продажи и поддержка клиентов (которые уже обладают множеством богатых и разнообразных данных о клиентах), имеют уникальные возможности для их применения на первом уровне.
Ранняя адаптация к глубокому обучению вполне может быть ключевым определяющим фактором того, насколько конкретные секторы выигрывают от этой технологии, особенно на самых ранних ее этапах. Тем не менее, некоторые конкретные болевые точки не позволяют многим предприятиям окунуться в глубокие инвестиции в технологии обучения.
V больших данных и глубокого обучения
В 2001 году аналитик META Group (ныне Gartner) по имени Дуг Лейни рассказал о том, что исследователи считают тремя основными проблемами больших данных: объем, разнообразие и скорость. Более чем через полтора десятилетия быстрое увеличение количества точек доступа к Интернету (в основном из-за распространения мобильных устройств и развития технологий IoT) выдвинуло эти проблемы на передний план как для крупных технологических компаний, так и для небольших компаний. и стартапы одинаково. (Чтобы узнать больше о трех «v», см. Сегодняшнюю проблему больших данных, связанную с разнообразием, а не с объемом или скоростью.)
Нет ошибок, нет стресса - ваше пошаговое руководство по созданию изменяющего жизнь программного обеспечения без разрушения вашей жизни
Вы не можете улучшить свои навыки программирования, когда никто не заботится о качестве программного обеспечения.
Последние статистические данные об использовании глобальных данных ошеломляют. Исследования показывают, что примерно 90 процентов всех данных в мире были созданы только за последние пару лет. Согласно одной из оценок, объем мобильного трафика во всем мире в 2016 году составил около 7 эксабайт в месяц в месяц, и ожидается, что это число увеличится примерно в семь раз в течение следующего полугодия.
Помимо объема, разнообразие (быстро растущее разнообразие типов данных по мере развития и расширения новых носителей) и скорость (скорость, с которой электронные носители отправляются в центры обработки данных и концентраторы) также являются основными факторами адаптации бизнеса к растущей области глубокого обучения. А чтобы расширить мнемоническое устройство, в последние годы в список основных проблем с большими данными были добавлены несколько других v-слов, в том числе:
- Достоверность: измерение точности входных данных в больших системах данных. Неверные данные, которые остаются незамеченными, могут вызвать серьезные проблемы, а также цепные реакции в среде машинного обучения.
- Уязвимость: большие данные естественным образом вызывают проблемы безопасности, просто в силу своего масштаба. И хотя в системах безопасности, которые обеспечиваются машинным обучением, есть большой потенциал, эти системы в своих текущих воплощениях отличаются неэффективностью, в частности, из-за их тенденции генерировать ложные тревоги.
- Ценность. Доказательство потенциальной ценности больших данных (в бизнесе или где-либо еще) может быть серьезной проблемой по ряду причин. Если какие-либо другие болевые точки в этом списке не могут быть эффективно устранены, то они фактически могут добавить отрицательную ценность любой системе или организации, возможно, даже с катастрофическим эффектом.
Другие аллитерационные болевые точки, которые были добавлены в список, включают изменчивость, достоверность, изменчивость и визуализацию - все они представляют свои собственные уникальные наборы проблем для систем больших данных. И еще могут быть добавлены, поскольку существующий список (вероятно) с течением времени сужается. В то время как некоторым это может показаться немного надуманным, мнемонический список «v» включает в себя серьезные проблемы, с которыми сталкиваются большие данные, которые играют важную роль в будущем глубокого обучения.
Дилемма черного ящика
Одной из наиболее привлекательных особенностей глубокого обучения и искусственного интеллекта является то, что оба предназначены для решения проблем, которые люди не могут. Однако те же явления, которые должны позволять это, также представляют интересную дилемму, которая проявляется в форме так называемого «черного ящика».
Нейронная сеть, созданная в процессе глубокого обучения, настолько обширна и настолько сложна, что ее запутанные функции по существу непостижимы для человеческого наблюдения. Специалисты в области данных и инженеры могут иметь полное представление о том, что входит в системы глубокого обучения, но то, как они чаще всего приходят к своим выходным решениям, остается совершенно необъяснимым.
В то время как это, возможно, не является серьезной проблемой, скажем, для маркетологов или продавцов (в зависимости от того, что они продают или продают), в других отраслях требуется определенное количество проверки и обоснования процесса, чтобы получить какое-либо использование результатов. Например, компания, предоставляющая финансовые услуги, может использовать глубокое обучение для создания высокоэффективного механизма кредитного скоринга. Но кредитные баллы часто должны сопровождаться каким-либо устным или письменным объяснением, которое было бы трудно сформировать, если бы реальное уравнение кредитного рейтинга было полностью непрозрачным и необъяснимым.
Эта проблема распространяется и на многие другие сектора, особенно в области охраны здоровья и безопасности. Медицина и транспорт могли бы извлечь выгоду из глубинного обучения, но также столкнуться со значительным препятствием в виде черного ящика. Любые выходные результаты в этих областях, независимо от того, насколько они полезны, могут быть полностью отброшены из-за полной неясности их базовых алгоритмов. Это подводит нас к, пожалуй, самый спорный момент боли их всех ...
регулирование
Весной 2016 года Европейский Союз принял Общее положение о защите данных (GDPR), которое (среди прочего) предоставляет гражданам «право на объяснение» для автоматизированных решений, принимаемых системами машинного обучения, которые «существенно влияют» на них. Постановление вступит в силу в 2018 году, что вызывает обеспокоенность среди технологических компаний, которые вкладывают средства в глубокое обучение из-за своего непроницаемого черного ящика, что во многих случаях затруднит объяснение, предписанное GDPR.
«Автоматическое принятие индивидуальных решений», которое намеревается ограничить GDPR, является важной особенностью глубокого обучения. Но опасения по поводу этой технологии неизбежны (и в значительной степени действительны), когда вероятность дискриминации настолько высока, а прозрачность так низка. В Соединенных Штатах Управление по контролю за продуктами и лекарствами также регулирует тестирование и маркетинг лекарств, требуя, чтобы эти процессы оставались проверяемыми. Это создало препятствия для фармацевтической промышленности, как сообщалось, в случае биотехнологической компании Biogen, расположенной в штате Массачусетс, которая не может использовать неопределяемые методы глубокого обучения из-за правила FDA.
Последствия глубокого обучения (морального, практического и не только) беспрецедентны и, честно говоря, весьма глубоки. Технология окружает большое опасение, во многом благодаря сочетанию ее разрушительного потенциала, непрозрачной логики и функциональности.Если предприятия могут доказать существование материальной ценности в рамках глубокого обучения, которая превышает любые мыслимые угрозы или опасности, то они могут помочь провести нас через следующий критический этап искусственного интеллекта.