ХЗ. Хто знає, яким буде майбутнє
- Автор: О’Райлі Тім
- Год: 2018
- Язык: украинский
- Год: Наш формат
- ISBN: 978-617-7682-06-5
- Переводчик: Юлия Кузьменко
- Жанр: Прочая компьютерная литература
Электронная книга - «ХЗ. Хто знає, яким буде майбутнє». Краткое содержание книги:
Славнозвісна перемога AlphaGo над провідним гравцем у ґо Лі Седолом була великим проривом у галузі штучного інтелекту. Це напрочуд складна гра, для якої забракне звичайного аналізу кожного можливого ходу. Втім співзасновник DeepMind Деміс Гассабіс пише: «Нам іще далеко до машин, здатних навчитися гнучкого виконання різноманітних інтелектуальних завдань, які до снаги людям, адже ефективність штучного інтелекту вимірюється людськими можливостями»197.
Янн Лекун розкритикував людей, які перебільшують значення перемоги AlphaGo: «Люди і тварини здебільшого навчаються “без учителя”. Дозволю собі аналогію з тортом: “навчання без учителя” — це торт, “навчання з учителем” — це крем, а “навчання з підкріпленням” — це вишенька. Ми знаємо, як приготувати крем і вишеньку, а от спекти торта не вміємо. Нам треба вирішити проблему з навчанням “без учителя”, перш ніж замислюватися про штучний інтелект»198.
Наразі без участі людей ніяк: люди розробляють моделі і навчають моделі, використовуючи дані. Це може призводити до мимовільних упереджень. Мабуть, найважливіше в технологіях штучного інтелекту — не розробка нових алгоритмів, а формування набору неупереджених даних для навчання. На цю тему варто почитати книжку Кейті О’Ніл «Зброя математичного знищення» (Weapons of Math Destruction). Наприклад, вам треба навчити машинну модель для предиктивної правоохоронної системи за допомогою набору даних про арешти. Однак у реєстраційних записах не відображено, що поліція заарештовує всіх афроамериканців, які завинили, а білим просто каже: «Щоб більше мені не попадався!». У такому разі модель не дає реальної картини. Отож особливості даних для навчання набагато більше впливають на результат, аніж алгоритми. Якщо розробники цього не розуміють — це вже серйозне упередження, і, скільки не штудіювати комп’ютерні науки, подолати його нелегко.
Цей сумний приклад спонукає замислитися, як саме працює машинне навчання. Кожна модель має багато векторів ознак, що створюють n-вимірний простір, де класифікатор або розпізнавач розміщує нову одиницю для обробки. Ведуться ґрунтовні дослідження для суттєвих змін в алгоритмах машинного навчання, але найважливіший аспект у прикладному машинному навчанні лишається незмінним: визначити ознаки, які обіцяють бажаний результат.
Джеремі Говард — колишній директор із розвитку компанії Kaggle, яка проводить краудсорсингові конкурси з аналітики даних. Сам він був п’ятиразовим переможцем цих конкурсів, перш ніж приєднався до команди Kaggle. Я запитав, що вирізняє переможців, а він відповів: «Креативність! Усі використовують однакові алгоритми. Питання в тому, які ознаки розробник додає до моделі і які несподівані ідеї застосовує, передбачаючи результат». (Утім Пітер Норвіґ наголосив, що така креативність у минулому: «Безумовно, так і було, коли на платформі Kaggle перемагали такі технології, як алгоритм “випадкового лісу” та метод опорних векторів». Із глибинними мережами розробники використовують кожнісіньку наявну ознаку, тому креативність проявляється у виборі радше архітектурної моделі й оптимізації гіперпараметрів, ніж ознак».
Мабуть, найважливіше в машинному навчанні (зрештою, як у кожній новій технології) — визначити пріоритетні проблеми. Джеремі Говард став співзасновником компанії Enlitic, яка застосовує машинне навчання в діагностичній радіології для аналізу знімків та інших клінічних даних. Висновки програми підказують лікарям, який стан у пацієнта і наскільки терміновим є медичне втручання. Лише у Сполучених Штатах щороку роблять понад 300 мільйонів радіологічних знімків, тому машинне навчання допомагає заощаджувати і поліпшувати якість медичних послуг.
DeepMind від Google теж долучається до охорони здоров’я, допомагаючи відповідній національній службі Великої Британії працювати краще і ставити точніші діагнози. Швейцарська компанія Sophia Genetics щомісяця підбирає найкращі методи лікування для шести тисяч хворих на рак. Дедалі більше пацієнтів одужують завдяки технологіям.
Добре сказав Джефф Гаммербахер, який працював на Волл-стрит, а потім очолив команду з обробки даних у Facebook: «Найблискучіші фахівці мого покоління присвячують себе тому, щоб змусити людей клікати на рекламі. Це лажа»199. Джефф звільнився з Facebook, щоб стати головним інженером і співзасновником компанії Cloudera, що спеціалізується на «великих даних», а також викладати в Медичній школі Ікана центру Mount Sinai у Нью-Йорку. У цій школі Гаммербахер керує лабораторією Hammer, де програмісти й фахівці з обробки даних намагаються з’ясувати, як імунна система людини бореться з раком.