В ИИ нет «волшебства»

В ИИ нет «волшебства»

Для тех, кто не спит по ночам, задаваясь вопросом, станет ли искусственный интеллект решением их проблем: вот краткий обзор, основанный на моем опыте и нескольких видных лидерах в мире ИИ. Это должно дать вам представление о том, чего ожидать и с чего начать, когда вы думаете об использовании ИИ, чтобы вы могли избавиться от шума и суеты.

Резюме

• Изобилие шума, непонимание
• Машинное обучение или также называемое «Автоматизация маркировки» на примерах
• ИИ Театр
• Как не задаваться вопросом в «стране мыслей»
• Как вы можете раскрыть потенциал и осуществимость вашего ИИ-решения за считанные недели!

Искусственный интеллект, или сокращенно ИИ. Умная автоматизация. Цифровизация. Машинное обучение (МО). Глубокое обучение (ГО). Компьютерное зрение. Обработка естественного языка. Интернет вещей (IoT). Разговорный ИИ… Они все присоединяются к клубу. Клуб состоит из одной большой кучи слов, создающих столько шума и шума. Но здесь ИИ определенно выигрывает! Работа менеджером по инновациям — это как «слон в комнате». Единственное, о чем все ждут, чтобы вы рассказали. И не только говорить. Вам лучше заполнить ожидания кучей идей и вариантов использования, имеющих отношение к их отрасли, которые сделают их инновационной компанией!

Самый простой способ — удовлетворить эти ожидания и пообещать им великие дела. Однако я отказываюсь. Вместо этого я начинаю с объяснения основ ИИ (на простом английском языке). Чтобы быть более точным, я объясню разницу между AI, ML/DL и бизнес-логикой. В частности, контролируемое обучение и, следовательно, большая разница между данными и размеченными данными. Я признаю то, что возможно сегодня, но также и то, что (пока) невозможно.

Ты поймаешь меня на чертовски честной речи. Люди должны начать понимать, что искусственный интеллект — это не магия. Речь идет не о том, чтобы бросать кучу данных специалисту по данным, который, в свою очередь, передает их компьютеру, и вуаля… волшебство! Даже сегодня, со всеми генерациями данных и достижениями в вычислительной мощности, машинное обучение по-прежнему остается исследованием и разработкой. Не существует универсальных решений, напротив, применять машинное обучение — это просто тяжелая работа. И даже несмотря на то, что исследую ИИ уже более 50 лет, мне ясно, что до сих пор совершаются одни и те же ошибки.

Много шума, непонимание.

Мы больше не можем игнорировать это. ИИ уже стал частью нашей жизни, и он здесь, чтобы остаться. Это видно по количеству ресурсов, которые правительство инвестирует в создание ИИ-вещей (например, в моей стране фламандское правительство инвестировало 30 миллионов евро в ИИ в прошлом году). Рядом с этим социальные сети, LinkedIn, отчеты Gartner, Forbes. Все они предлагают ежедневную порцию информации и подчеркивают острую необходимость инноваций. Все это показывает, что мы находимся в середине весны ИИ, периода ажиотажа и тенденций, когда много ресурсов и средств направляется на исследования и разработки в области ИИ (посмотрите это отличное книга Мелани Митчел, если хотите узнать больше!). Вся эта шумиха (и шумиха) заставляет лиц, принимающих решения, поверить в то, что ИИ — это путь к будущему: у нас есть данные, поэтому мы должны использовать ИИ!.

Однако определение ИИ превышает его репутацию. Это создает неправильное представление о том, что наличие данных и идеи для варианта использования достаточно, чтобы заставить некоторых специалистов по данным работать и ожидать значительных результатов через пару недель. Не хочу лопать здесь пузыри, но это нельзя. тот. просто. Это займет время, и чем меньше понимания среди лиц, принимающих решения, тем больше времени это займет. Не обязательно время разработки, но время для сбора необходимых конкретных данных.

Тем не менее, как минимум раз в неделю меня поражает отсутствие полного понимания концепции ИИ лицами, принимающими решения, которые просят применить ИИ.

Важность наличия качественного набора данных , соответствующего задаче, которую вы пытаетесь решить, по-прежнему недооценивается.Идея должна быть воплощена в данных. и в зависимости от желаемого результата он должен быть помечен для вашего конкретного варианта использования. Если у вас нет сформулированной проблемы или четко определенной цели… забудьте об этом или, по крайней мере, не ждите никаких результатов в ближайшие месяцы. Кэсси Козырков (Chief Decision Scientist в Google, кстати, обожаю ее статьи, иди посмотри!) уже много раз упоминала об этом в своих выступлениях, но вместо поэтичного названия Машинное обучение эту технологию следовало бы назвать Маркировка вещей (или, как мне нравится называть это, Автоматизация маркировки). Это предотвратит ошибочное мнение, что машина (само)обучается. Машинное обучение имеет мало общего с самостоятельным изучением вещей, научной фантастикой, гуманоидом, способностью рассуждать самостоятельно… На данный момент это все еще все о контролируемом машинном обучении (или полу- Под наблюдением), что означает, что все дело в том, что люди навешивают ярлыки на вещи.

Машинное обучение, также известное как "обучение на примерах"

Так зачем нам тогда вообще беспокоиться об ML? Что ж, до того, как МО появилось, это были инженеры, математики, ученые или другие блестящие умы, правила ручной работы и логика, основанные на статистике, исследованиях и интуиции, чтобы позволить компьютеру принимать решения (например: классифицировать данные, делать прогнозы или…) Однако , не все проблемы были хорошо поняты: Как отличить «реку» от «финансового учреждения» при чтении слова «банк» в предложении. Как мы классифицируем набор изображений (которые, по сути, являются пикселями) на солнце и луну. Как мы можем связать определенный звук с определенным объектом (например, с поездом, самолетом и т. д.). Какими должны быть правила, если мы даже не знаем, как это делает наш мозг?

Здесь в дело вступает машинное обучение. Машинное обучение основано на обучении на примерах (то есть на размеченных данных). Сегодня это по-прежнему подразумевает вмешательство человека: показ компьютеру набора примеров для «каждого класса вашей задачи». Вам нужно показать компьютерные примеры и сказать: «Это звук самолета, это звук велосипеда…». Это то, что называется маркировкой или аннотацией, и на момент написания все еще является необходимым условием в современном мире ИИ. От поражений головного мозга на МРТ, которые должны быть помечены рентгенологом, до электронного письма, которое должно получить некоторые теги, чтобы направить его в нужный отдел… ИИ все еще нуждается в людях, чтобы показать примеры, и (пока) не способен работать путь через кучу неструктурированных, немаркированных данных.

Так что да, ваша проектная группа должна выполнить несколько шагов, прежде чем инженер машинного обучения сможет начать обучение модели. Один из моих главных приоритетов — убедиться, что бизнес и все остальные члены команды проекта заранее понимают это. Это поможет правильно разработать проект и, следовательно, повысить эффективность и шансы на успех.

ИИ как средство, а не как цель.

Я заметил, что слишком часто компании начинают с самой технологии. «Давайте создадим SaaS-продукт. Он должен использовать ИИ! Давайте подумаем, может быть, мы персонализируем опыт с помощью рекомендаций ИИ и используем ИИ для обработки данных и предоставления им информации». К сожалению, буквально ситуация, в которой я был. Потому что, эй, упоминание ИИ 3 раза определенно убедит инвесторов и будущих клиентов, верно? Не говоря уже о том внимании средств массовой информации, которое мы могли бы получить, когда мир увидит, что мы используем ИИ в нашем продукте! Другими примерами являются компании, которые намерены действительно решить реальную проблему или оптимизировать существующий продукт или услугу, но все же предпочитают использовать ИИ просто для использования ИИ. Хотя на самом деле в некоторых случаях простое бизнес-правило может помочь.

Это то, что мне нравится называть 'театром ИИ' или 'ИИ для престижа', где цель скорее состоит в том, чтобы быть упомянутым в прессе или заявить о применении ИИ, а не убедиться, что технология действительно создаст добавленную стоимость. К сожалению, ИИ для престижа сегодня — обычное дело (чем больше, тем лучше, ура!), но он обречен на провал, оставляя страстных разработчиков (и/или платящих конечных пользователей) с чувством обмана или демотивации. Хак, мы не любим, чтобы наша работа была напрасной, верно?

Идея? Проверь реальность, как можно скорее!

Но не всегда виноват «человек с идеей». Когда вы ищете совет или помощь в реализации этой идеи искусственного интеллекта, поставщики решений или эксперты-консультанты всегда будут иметь готовые ответы и решения! За последние 3 года я ни разу не слышал, чтобы хоть один эксперт задавал вопрос, уверены ли мы, что проблема, которую мы собираемся решить с помощью ИИ, вообще существовала? Обсуждение вопроса о том, является ли это обязанностью поставщика решения, выходит за рамки данной статьи, но предполагается, что это пойдет на пользу обеим сторонам: откуда мы можем это знать? Откуда мы знаем, что идея «правильная»?

Допустим, я научился не принимать вещи как должное только потому, что «так сказали лица, принимающие решения».

Убедитесь, что вы и ваша команда не берете на себя слишком много, иначе вы начнете блуждать в стране мыслей[2]». Составьте список своих предположений и подтвердите их как можно скорее: действительно ли клиенты хотят подтвердить, является ли фрукт на умных весах бананом или нет? Можно ли поболтать о проблеме, с которой они столкнулись? Нравится ли им публично говорить с умным динамиком, чтобы получить информацию о своих финансах? Единственные, кто может ответить на эти вопросы, — это ваши конечные пользователи: именно они сталкиваются с проблемой и в большинстве случаев также те, кто платит за ваш продукт или услугу.

Слишком часто существует огромное несоответствие между пожеланиями бизнеса и потребностями конечного пользователя. Все это из-за отсутствия участия конечных пользователей в этапе анализа и разработки. За последние пару лет такие методологии, как сервис-дизайн, дизайн-мышление или дизайн-спринт, завоевали популярность, решая проблему отсутствия клиентоориентированностии подчеркивая качество обслуживания клиентов. Несмотря на то, что эти методологии широко используются для разработки (веб-приложений), они мало изучены в проектах, связанных с ИИ.

Дизайн искусственного интеллекта

Так как это может совпадать? И каков правильный подход? С одной стороны, у нас есть тот факт, что создание ИИ-решения потребует ручных усилий и времени и имеет некоторую степень неопределенности (НИОКР). С другой стороны, нам нужно как можно скорее привлечь конечных пользователей, чтобы убедиться, что решение работает. Sticky Lemon решает эту проблему, предлагая структуру, основанную на данных, где все дело в том, чтобы получить экспертов по предмету и правильный набор инструментов в правильной настройке. Платформа сосредоточена на сборе помеченных данных при проверке бизнес-потенциала вашей идеи. Он позволяет быстро заглянуть в будущее и помогает определить технические требования и практическое влияние на существующий процесс (и, следовательно, то, как он повлияет на других заинтересованных лиц). Все это в течение недели (недель).

Мы узнали, что, несмотря на то, что мы сами хотим заняться технической частью, вложение некоторого времени и денег в хорошо спланированный эксперимент для проверки предположений не только увеличит шансы на успех и удовлетворение всей команды, но и ускорит время разработки, а также. Все дело в том, чтобы убедиться, что вы начинаете с реальной и хорошо сформулированной проблемы данных и собираете конкретные, помеченные данные, необходимые как можно скорее. Используя эту структуру, я хочу убедиться, что мы создадим надежное решение ИИ!

Липкий лимон

Если вам интересно → зайдите на мой сайт www.sticky-lemon.com или свяжитесь со мной для получения дополнительной информации!

Сноски

[1] Довольно хороший пример — это пример Dataroots (компания машинного обучения, базирующаяся в Лёвене, Бельгия), которая обучает модель распознаванию лицевых масок. Учитывая последние 6 месяцев, это очень актуальная тема, однако… количество фотографий с людьми в масках для обучения модели очень редкое. Если вам интересно, как они решили эту проблему, посмотрите очень хороший практический учебник YouTube.

[2] Страна мыслей — это воображаемое место, где каждый потенциальный новый продукт начинается с простой, чистой, абстрактной идеи. … идея начинает привлекать мнения, .. мнения об идее — это не данные, а субъективные, предвзятые суждения. — Альберто Савойя (бывший технический директор Google), Правильно.