Садржај
- Пословне апликације дубоког учења
- В-ови великих података и дубоког учења
- Без грешака, без стреса - Ваш корак по корак водич за креирање софтвера за промену живота без да вам уништи живот
- Дилема црне кутије
- Регулација
Извор: Агсандрев / Дреамстиме.цом
Одузети:
Дубоко учење има много тога да понуди предузећима, али многи се и даље колебају да га усвоје. Овдје ћемо погледати неке од његових највећих тачака боли.
Дубоко учење је потпоље машинског учења, што је (генерално гледано) технологија која је инспирисана људским мозгом и његовим функцијама. Први пут уведен 1950-их, машинско учење је кумулативно информисано оним што је познато као вештачка неуронска мрежа, мноштво међусобно повезаних чворова података који колективно чине основу за вештачку интелигенцију. (За основе машинског учења, погледајте Машинско учење 101.)
Машинско учење у основи омогућава рачунарским програмима да се мијењају када то затраже спољни подаци или програмирање. По природи је у стању да то постигне без људске интеракције. Дијели сличну функционалност са ископавањем података, али са минираним резултатима које треба обрадити машине, а не људи. Подељен је у две главне категорије: надзирано и неконтролисано учење.
Надзирано машинско учење укључује закључивање унапријед одређених операција путем обиљежених података о обуци. Другим речима, надгледани резултати су унапред познати од стране (људског) програмера, али систем закључивања резултата је обучен да их „научи“. Насупрот томе, стројно учење без надзора, извлачи закључке из неозначених улазних података, често као средство за откривање непознатих образаца.
Дубоко учење је јединствено по својој способности да се тренира кроз хијерархијске алгоритме, за разлику од линеарних алгоритама машинског учења. Хијерархије дубоког учења постају све сложеније и апстрактније како се развијају (или „уче“) и не ослањају се на надзирану логику. Једноставно речено, дубоко учење је високо напредан, тачан и аутоматизован облик машинског учења и предњачи у технологији вештачке интелигенције.
Пословне апликације дубоког учења
Машинско учење се већ често користи у неколико различитих индустрија. На пример, друштвени медији га користе за уређивање феедова садржаја у временским роковима корисника. Гоогле Браин основан је пре неколико година са намером да продукује дубоко учење кроз читав низ услуга Гоогле у тренутку развијања технологије.
Са фокусом на предиктивну аналитику, област маркетинга се посебно улаже у иновације дубоког учења. А будући да је акумулација података оно што покреће технологију, индустрије попут продаје и корисничке подршке (које већ поседују богато и разнолико корисничко корисничко име) јединствено су позициониране да их усвоје на нивоу земље.
Рано прилагођавање дубоком учењу могло би бити кључни одлучујући фактор у томе колико одређени сектори имају користи од технологије, посебно у њеним најранијим фазама. Ипак, неколико специфичних болова спрјечава многе компаније да се упусте у инвестиције у технологију дубоког учења.
В-ови великих података и дубоког учења
2001. године, аналитичар за МЕТА Гроуп (сада Гартнер), по имену Доуг Ланеи, изнио је оно што су истраживачи сматрали три главна изазова великих података: обим, разноликост и брзина. Преко деценије и по касније, нагло повећање тачака приступа Интернету (углавном због ширења мобилних уређаја и пораста ИоТ технологије) довело је ова питања у први план за велике технолошке компаније као и мања предузећа и покретања подједнако. (Да бисте сазнали више о ова три видеа, погледајте данашње велике податке о изазовима података из разноликости, а не волумена или брзине.)
Без грешака, без стреса - Ваш корак по корак водич за креирање софтвера за промену живота без да вам уништи живот
Не можете побољшати своје програмирање кад никога није брига за квалитет софтвера.
Најновије статистике о глобалној употреби података су запањујуће. Студије показују да је отприлике 90 процената свих светских података креирано само у последњих неколико година. Према једној процени, светски мобилни саобраћај износио је отприлике седам егзабата месечно у току 2016. године, а очекује се да ће се тај број повећати за око седам пута у наредној половини деценије.
Поред опсега, разноликост (брзо растућа разноликост у врстама података како се нови медији развијају и шире) и брзина (брзина којом се електронски медији шаљу у дата центре и чворишта) такође су главни фактори у начину на који се компаније прилагођавају растућем пољу дубоког учења. А да би се проширио на мнемографски уређај, на листу великих података о болним подацима последњих година додато је још неколико в-речи, укључујући:
- Важност: Мерење тачности улазних података у великим системима података. Нетачни подаци који остану неоткривени могу проузроковати значајне проблеме као и ланчане реакције у окружењима машинског учења.
- Рањивост: Велики подаци природно изазивају забринутости у вези са сигурношћу, једноставно због величине. Иако постоји велики потенцијал у безбедносним системима који омогућавају машинско учење, ти системи у својим тренутним инкарнацијама примећују се због недостатка ефикасности, посебно због њихове тенденције да стварају лажне аларме.
- Вредност: Доказивање потенцијалне вредности великих података (у послу или негде другде) може бити значајан изазов из било којег броја разлога. Ако се било која друга тачка боли на овој листи не може ефикасно решити, онда они у ствари могу додати негативну вредност било којем систему или организацији, можда чак и са катастрофалним ефектом.
Остале алатеративне тачке боли које су додате на листу укључују варијабилност, истинитост, волатилност и визуализацију - сви они представљају своје јединствене скупове изазова великим системима података. И још увек се може додати јер се постојећа листа (вероватно) временом смањује. Иако се некима можда чини помало превареним, мнемоничка „в“ листа обухвата озбиљна питања с којима се сусрећу велики подаци који играју важну улогу у будућности дубоког учења.
Дилема црне кутије
Једна од најатрактивнијих карактеристика дубоког учења и вештачке интелигенције јесте то што су обе намењене решавању проблема које људи не могу. Исти феномен који би то требало да дозволи такође представља занимљиву дилему која долази у облику онога што је познато као "црна кутија".
Неуронска мрежа створена кроз процес дубоког учења толико је огромна и толико сложена да су њене замршене функције у основи неприступачне за људско посматрање. Научници и инжињери података могу темељно разумети шта се све дешава у системима дубоког учења, али како чешће дођу до својих резултата о резултатима не постаје потпуно необјашњено.
Иако ово можда није значајно питање за, рецимо, трговце или продавце (овисно о томе шта они продају или продају), друге индустрије захтијевају одређену количину валидације процеса и образложења како би се искористили резултати. Компанија за финансијске услуге, на пример, могла би да искористи дубоко учење да успостави високо ефикасан механизам за оцењивање кредита. Али кредитни резултати често морају имати неко усмено или писмено објашњење, што би било тешко формирати ако је стварна једнаџба кредитног бодовања потпуно непрозирна и необјашњива.
Овај проблем се протеже и у многим другим секторима, посебно у областима здравља и здравља. Медицина и транспорт могли би истовремено имати користи од главних начина дубоког учења, али такође ће се суочити са значајном препреком у облику црне кутије. Било какви резултати у тим пољима, без обзира колико корисни, могли би се у потпуности одбацити због потпуне несигурности њихових алгоритама. То нас доводи до можда најконтроверзније тачке боли од свих њих ...
Регулација
У пролеће 2016. Европска унија је усвојила Општу уредбу о заштити података (ГДПР) која грађанима (између осталог) даје „право на објашњење“ за аутоматизоване одлуке генерисане системима машинског учења који их „значајно утичу“. Уредба би требало да ступи на снагу 2018. године изазива забринутост међу технолошким компанијама које улажу у дубоко учење због своје непробојне црне кутије, која би у многим случајевима ометала објашњења која је налагао ГДПР.
„Аутоматско индивидуално одлучивање“ које ГДПР намерава да ограничи је суштинска карактеристика дубоког учења. Али забринутост због ове технологије је неизбежна (и углавном важи) када је потенцијал за дискриминацију тако висок, а транспарентност тако ниска. У Сједињеним Државама, Управа за храну и лекове на сличан начин регулише тестирање и стављање у промет лекова, захтевајући да ти процеси остану под надзором. Ово је представљало препреке за фармацеутску индустрију, као што је наводно био случај за биотехнолошку компанију Биоген са седиштем у Масачусетсу, која је због правила ФДА била спречена да користи неразумљиве методе дубоког учења.
Последице дубоког учења (морално, практично и шире) су без преседана и, искрено, прилично дубоке. Много забринутости окружује технологија, великим делом захваљујући комбинацији његовог разарајућег потенцијала и његове непрозирне логике и функционалности.Ако предузећа могу доказати постојање опипљиве вредности у оквиру дубоког учења које превазилази било какве замисливе претње или опасности, онда би нам могли помоћи да нас воде кроз следећу критичну фазу вештачке интелигенције.