Sadržaj
- Poslovne primjene dubokog učenja
- V-ovi velikih podataka i dubokog učenja
- Bez grešaka, bez stresa - Vaš korak po korak vodič za stvaranje softvera koji mijenja život bez uništavanja života
- Dilema crne kutije
- regulacija
Izvor: Agsandrew / Dreamstime.com
Oduzeti:
Duboko učenje ima što ponuditi tvrtkama, ali mnogi se još uvijek ne usude usvojiti. Ovdje ćemo pogledati neke od njegovih najvećih točaka boli.
Duboko učenje je potpolje strojnog učenja, što je (općenito govoreći) tehnologija koja potiče ljudski mozak i njegove funkcije. Strojno učenje, prvi put uvedeno u pedesetim godinama prošlog stoljeća, kumulativno se informira putem umjetne neuronske mreže, mnoštva međusobno povezanih čvorova podataka koji zajedno čine osnovu za umjetnu inteligenciju. (Za osnove strojnog učenja potražite na Strojnom učenju 101.)
Strojno učenje u osnovi omogućuje računalnim programima da se mijenjaju kada to zatraže vanjski podaci ili programiranje. Po prirodi to je u stanju ostvariti bez ljudske interakcije. Dijeli sličnu funkcionalnost s iskopavanjem podataka, ali s miniranim rezultatima koje trebaju obraditi strojevi, a ne ljudi. Podijeljen je u dvije glavne kategorije: nadzirano i nenadzirano učenje.
Nadzirano strojno učenje uključuje zaključivanje unaprijed određenih operacija putem obilježenih podataka o obuci. Drugim riječima, (ljudski) programer unaprijed poznaje nadzirane rezultate, ali sustav zaključivanja rezultata je obučen da ih "nauči". Nasuprot tome, strojno učenje bez nadzora, crpi zaključke iz neoznačenih ulaznih podataka, često kao sredstvo za otkrivanje nepoznatih obrazaca.
Duboko učenje jedinstveno je u svojoj sposobnosti da se trenira kroz hijerarhijske algoritme, za razliku od linearnih algoritama strojnog učenja. Hijerarhije dubokog učenja postaju sve složenije i apstraktnije kako se razvijaju (ili „uče“) i ne oslanjaju se na nadziranu logiku. Jednostavno rečeno, duboko učenje je visoko napredan, točan i automatizirani oblik strojnog učenja i prednjači u tehnologiji umjetne inteligencije.
Poslovne primjene dubokog učenja
Strojno učenje se već često koristi u nekoliko različitih industrija. Na primjer, društveni mediji koriste ga za uređivanje feedova sadržaja u vremenskim rokovima korisnika. Google Brain osnovan je prije nekoliko godina s namjerom da producira duboko učenje kroz čitav niz Googleovih usluga u trenutku razvijanja tehnologije.
S fokusom na prediktivnu analitiku, polje marketinga posebno se ulaže u inovacije dubokog učenja. A budući da je nakupljanje podataka ono što pokreće tehnologiju, industrije poput prodaje i korisničke podrške (koje već posjeduju bogato i raznolike podatke o klijentima) na jedinstvenom su mjestu da ih usvoje na razini zemlje.
Rana prilagodba dubokom učenju mogla bi biti ključni presudni faktor u tome koliko određeni sektori imaju koristi od tehnologije, posebno u njezinim najranijim fazama. Unatoč tome, nekoliko specifičnih bolova sprečava mnoge tvrtke da se upuste u ulaganja u tehnologiju dubokog učenja.
V-ovi velikih podataka i dubokog učenja
Godine 2001., analitičar za META Group (danas Gartner) imena Doug Laney iznio je ono što su istraživači smatrali tri glavna izazova velikih podataka: volumen, raznolikost i brzina. Kroz desetljeće i pol kasnije, naglo povećanje bodova pristupa Internetu (uglavnom zbog širenja mobilnih uređaja i porasta IoT tehnologije) dovelo je ova pitanja u prvi plan velikih tehnoloških tvrtki kao i manjih poduzeća i startupi podjednako. (Da biste saznali više o tri v, pogledajte današnje velike izazove podataka koji se odnose na raznolikost, a ne volumen ili brzinu.)
Bez grešaka, bez stresa - Vaš korak po korak vodič za stvaranje softvera koji mijenja život bez uništavanja života
Ne možete poboljšati svoje programiranje kad nikoga nije briga za kvalitetu softvera.
Najnovije statistike o globalnoj upotrebi podataka su nevjerojatne. Studije pokazuju da je otprilike 90 posto svih svjetskih podataka nastalo samo u posljednjih nekoliko godina. Prema cijeloj procjeni, mobilni promet širom svijeta iznosio je otprilike sedam egzabata mjesečno tijekom 2016. godine, a očekuje se da će se taj broj povećati za oko sedam puta u sljedećem pola desetljeća.
Pored opsega, raznolikost (brzo rastuća raznolikost vrsta podataka kako se novi mediji razvijaju i šire) i brzina (brzina kojom se elektronički mediji šalju u podatkovne centre i čvorišta) također su glavni čimbenici u načinu na koji se tvrtke prilagođavaju rastućem polju dubokog učenja. A kako biste se proširili na mnemografski uređaj, na popis velikih podataka o bolnim podacima u posljednjih nekoliko godina dodano je još nekoliko v-riječi, uključujući:
- Valjanost: Mjerenje točnosti ulaznih podataka u velikim podatkovnim sustavima. Netačni podaci koji ostanu neotkriveni mogu uzrokovati značajne probleme, kao i lančane reakcije u okruženjima strojnog učenja.
- Ranjivost: Veliki podaci prirodno pobuđuju brige o sigurnosti, jednostavno zahvaljujući svojoj mjeri. Iako postoji veliki potencijal u sigurnosnim sustavima koji omogućavaju strojno učenje, ti sustavi u sadašnjim utjelovljenjima primjećuju se zbog nedostatka učinkovitosti, posebno zbog svoje sklonosti stvaranju lažnih alarma.
- Vrijednost: Dokazivanje potencijalne vrijednosti velikih podataka (u poslu ili drugdje) može biti značajan izazov iz bilo kojeg broja razloga. Ako se bilo koju drugu točku boli na ovom popisu ne može učinkovito riješiti, onda bi ona zapravo mogla dodati negativnu vrijednost bilo kojem sustavu ili organizaciji, možda čak i s katastrofalnim učinkom.
Ostale alaterativne točke boli koje su dodane na popis uključuju varijabilnost, istinitost, volatilnost i vizualizaciju - svi oni predstavljaju svoje vlastite jedinstvene skupove izazova velikim sustavima podataka. I još uvijek može biti dodano jer se postojeći popis (vjerojatno) vremenom smanjuje. Iako se nekima može činiti pomalo kontriranim, mnemonički „v“ popis obuhvaća ozbiljna pitanja s kojima se susreću veliki podaci koji igraju važnu ulogu u budućnosti dubokog učenja.
Dilema crne kutije
Jedna od najatraktivnijih karakteristika dubokog učenja i umjetne inteligencije je ta što su obje namijenjene rješavanju problema koje ljudi ne mogu. Isti fenomen koji bi to trebao dopustiti također predstavlja zanimljivu dilemu koja dolazi u obliku onoga što je poznato kao "crna kutija".
Neuronska mreža stvorena procesom dubokog učenja toliko je golema i toliko složena da su njezine zamršene funkcije u osnovi neupadljive za ljudsko promatranje. Znanstvenici i inženjeri podataka možda će temeljito razumjeti što ide u sustave dubokog učenja, no kako oni dođu do svojih rezultata o rezultatima češće nego potpuno ne objašnjava se.
Iako ovo možda ne predstavlja značajni problem za, recimo, trgovce ili prodavače (ovisno o tome što prodaju ili prodaju), druge industrije zahtijevaju određenu količinu provjere postupka i obrazloženja kako bi se iskoristili rezultati. Tvrtka za financijske usluge, na primjer, mogla bi upotrijebiti duboko učenje kako bi uspostavila visoko učinkovit mehanizam bodovanja kreditnih bodova. No, rezultati se često moraju nalaziti s nekakvim usmenim ili pisanim obrazloženjem, što bi bilo teško oblikovati ako je stvarna jednadžba kreditnog bodovanja potpuno neprozirna i neobjašnjiva.
Ovaj se problem odnosi i na mnoge druge sektore, posebno u područjima zdravlja i sigurnosti. Medicina i transport mogli bi istovremeno imati koristi od glavnih načina dubokog učenja, ali također će se suočiti sa značajnom preprekom u obliku crne kutije. Svi rezultati u tim poljima, bez obzira koliko bili korisni, mogli bi se u potpunosti odbaciti zbog potpune nesigurnosti njihovih algoritama. To nas dovodi do možda najkontroverznije točke boli od svih njih ...
regulacija
U proljeće 2016. Europska unija je donijela Opću uredbu o zaštiti podataka (GDPR) koja (između ostalog) građanima daje „pravo na objašnjenje“ za automatizirane odluke koje generiraju sustavi strojnog učenja koji ih „značajno utječu“. Uredba bi trebala stupiti na snagu u 2018. godini izaziva zabrinutost među tehnološkim tvrtkama koje ulažu u duboko učenje zbog svoje neprobojne crne kutije koja bi u mnogim slučajevima ometala objašnjenja koja je propisao GDPR.
"Automatsko pojedinačno odlučivanje" koje GDPR namjerava ograničiti je osnovna značajka dubokog učenja. Ali zabrinutost zbog ove tehnologije neizbježna je (i uglavnom vrijedi) kada je potencijal za diskriminaciju tako visok, a transparentnost tako niska. U Sjedinjenim Američkim Državama, Uprava za hranu i lijekove na sličan način regulira testiranje i stavljanje u promet droga zahtijevajući da ti procesi ostanu pod revizijom. To je predstavljalo prepreke za farmaceutsku industriju, kao što se navodno događalo biotehnološkom poduzeću Biogen sa sjedištem u Massachusettsu, koje je zbog pravila FDA-e spriječeno da koristi nerazumljive metode dubokog učenja.
Posljedice dubokog učenja (moralno, praktično i izvan njega) su bez presedana i, iskreno, prilično duboke. Mnogo bojazni okružuje tehnologiju, velikim dijelom zbog kombinacije njezina razornog potencijala i njegove neprozirne logike i funkcionalnosti.Ako tvrtke mogu dokazati postojanje opipljive vrijednosti u dubokom učenju koje nadilazi bilo kakve zamislive prijetnje ili opasnosti, onda bi nam mogle pomoći da nas vode kroz sljedeću kritičnu fazu umjetne inteligencije.