Мне нравится, как машинное обучение вошло в нашу жизнь и как оно делает взаимодействие с технологиями более понятным и естественным, чем раньше. Мне нравится, как вы предлагаете мне посмотреть мои следующие видео на основе того, что я смотрел ранее. Мне нравится, когда карты Google знают, что я хочу пойти в йогу в 6 утра и поработать в 9 утра. Мне нравится, что мне не нужно просматривать список фильмов на Netflix в алфавитном порядке, но он знает, какие из них я бы хотел больше всего. Мне нравится, что программное обеспечение на основе машинного обучения позволяет прогнозировать, изучать, рекомендовать и самостоятельно исправлять ошибки. По мере того, как мы больше взаимодействуем с этими фоновыми алгоритмами, они лучше настраиваются, чтобы предоставлять нам индивидуальные продукты. Это похоже на то, как если бы я пришел в ресторан и приготовил набор блюд на мой вкус, а я не попросил об этом. Ой, подождите, у нас это уже есть, верно?

Нам нравится этот угол зрения технологий, потому что он облегчает нашу жизнь. Это уменьшает боль, связанную с удалением части информации, которая нас не интересует и с нашей точки зрения является шумом. То, что для меня шум, может не быть шумом для вас, и, следовательно, машинное обучение относительным образом удаляет шум из нашей жизни. «Относительное снижение шума» помогает нам больше доверять искусственному интеллекту (ИИ). Ускорение внедрения технологий благодаря мощности ИИ - это самоподдерживающийся цикл: увеличивая наше доверие к технологиям, мы используем их больше, что способствует дальнейшему совершенствованию технологии. Когда мы доверяем технологии, мы позволяем ей давать нам советы, соревноваться с нами, помогать нам и обучать нас. Мы ведем себя к тому, чтобы позволить ИИ изучить наши вкусы и развить их дальше.

Парадигма «относительного снижения шума» ИИ сводит к минимуму выбросы, которые вы видите при взаимодействии с технологией. Однако шум, которого вы не видите, каким-то образом сужает ваши границы. Как специалист по данным, я рад видеть, что мой алгоритм достигает высокой точности для прогнозирования, хороших рекомендаций и самокоррекции. Но эти алгоритмы учатся на том, что они видят, что полностью или частично имеет сходство с историей. Они не делают и не могут предложить то, что мой мозг предложил бы в исследовательском процессе без каких-либо доказательств очевидного интереса со стороны истории. И это подводит нас к «побочному эффекту» ИИ - бессознательному ограничению творчества. Мне интересно смотреть документальные фильмы по астрономии, и Google, Facebook, Instagram, YouTube, LinkedIn и даже Pinterest, кажется, знают об этом. Однако каким-то образом сработала цепная реакция, которая привела меня к миллиарду ресурсов в области астрономии. Как мы позволяем пользователям технологии на базе искусственного интеллекта расширить свой кругозор, время от времени показывая им что-то совершенно неожиданное? Как мы гарантируем, что сила человеческой натуры и способность учиться заложены в разрабатываемых нами рекомендациях? Кажется, в этой философии заложено неотъемлемое представление о том, что вы должны быть «мастером одной профессии». Я предпочитаю быть лучшим мастером.

Хаос, который мы запечатлеваем в своей жизни, важен. Это особенно важно при знакомстве с ресурсами знаний. Хотя рекомендации по машинному обучению с помощью таких алгоритмов, как совместная фильтрация, предоставляют пользователю индивидуализированное представление о том, что он считает полезным, в то же время они также добавляют структуру к шуму и со временем, полностью удаляя шум. Как только мы не получаем шумных рекомендаций, наша периферия связана с историей. Поэтому важно, чтобы парадигма рекомендаций через науку о данных или выборочное знакомство с контентом под предлогом индивидуальных решений была достаточно шумной, чтобы гарантировать, что мы принимаем творческий подход, который естественен для людей. Когда вы обнаруживаете выброс в своих данных, общеизвестно, что следует относиться к нему как к редкости и не делать на нем выводы, но выбросы содержат ценную информацию. Наши алгоритмы должны учиться на выбросах в истории, и каждый всплеск, который мы игнорируем под предлогом очистки данных, должен быть самым ценным элементом творчества в процессе машинного обучения. В истинном смысле это будет парадигмой того, что машина будет учиться как человек.

Использованная литература:

Https://greatperformersacademy.com/books/4-key-lessons-we-learned-from-outliers-the-story-of-success

Https://towardsdatascience.com/a-brief-overview-of-outlier-detection-techniques-1e0b2c19e561