Искусственный интеллект по-прежнему требует интеллекта
Применение навыков решения человеческих проблем до автоматизации
В мире бизнеса и дизайна мы начали использовать такие термины, как «алгоритм» и «машинное обучение», как волшебные вычисления для проблем, которые мы хотели бы замалчивать. Эти условия часто мешают более глубокому решению проблем и могут остановить даже самые стоящие проекты.
Обычно используется фраза «Мы разберемся с помощью алгоритма», похожая на те фантастические разговоры, которые мы с моей дочерью вели, когда ей было шесть лет. Она изобретала такие удивительные вещи, как солнечная энергия в рюкзаке и волшебные окна. Если она хотела что-то пропустить, она добавляла: «А потом налить на это зелье». Это быстро подтолкнуло ее к другой стороне идеи. Вскоре после этого она перестала решать проблемы с зельями и все еще находит изобретательные решения для многих вещей.
Описание «алгоритма» таким общим образом стало последней версией «добавления зелья» - и, зачастую, реальное решение иногда не особенно сложно, но требует более глубокого размышления. Как стратегические дизайнеры, мы все можем более активно участвовать в разработке искусственного интеллекта, решив проблему и приняв более активное участие в процессе открытия.
Участие: определение ручной задачи
Часто первая часть создания «зелья» - это найти задачу, которую можно выполнить вручную. Например, если целью является анализ текста в статьях, первая задача должна заключаться в том, чтобы взять текст из статей и найти правильные слова, пары слов или предложения, которые приведут к желаемому результату - убедитесь, что это работает, прежде чем автоматизировать Это.
The Flame Index - это сервис, который я основал вместе с командой из трех человек в 2010 году, которая проверяла тысячи новостных сайтов 24 часа в сутки и публиковала в реальном времени рейтинг компаний, создающих наиболее негативную прессу. Это звучит впечатляюще, но отправной точкой был трудоемкий ручной процесс чтения новостных статей и создания списка слов и пар слов, которые, казалось, определяли искомые проблемы. Работа по анализу таблиц помогла нам глубже разобраться в проблеме, которую мы надеялись решить. Такие термины, как банкротство, разлив нефти и взрыв, были основными кандидатами на то, как мы анализировали проблемы - это показало, насколько загорелась каждая компания в СМИ. За 5 лет существования компании мы вручную определили более двух тысяч слов и терминов пар слов для ранжирования.
Каждому условию индекса мы присвоили рейтинг для ранжирования негативных новостей. Когда мы узнали, что ищем, мы автоматизировали процесс просмотра статей, подсчета баллов для каждой статьи и для компании в целом. Мы не пытались уловить все слова с самого начала и не автоматизировали процесс поиска новых слов. Мы продолжили ручной процесс добавления слов и корректировки оценок с течением времени. Распознавание слов и чувств было намного лучше, чем процесс наставничества человека.
После шести месяцев итераций мы запустили автоматизированный сервис, который, казалось, точно отражал то, что мы видели в новостях, и, что интересно, он также отражал влияние на объем торгов акциями. Более подробная информация представлена в этом подкасте New York Times Tech Talk о Flame Index за август 2011 года.
Этот процесс выявил необходимость в нескольких рабочих местах по мере развития искусственного интеллекта:
- Первоначальное решение проблем и ручная разработка логики
- Право собственности и сопровождение анализа
- Уточнение и развитие анализа с течением времени по мере изменения других сервисов
Уточнения становятся важными проблемами для отслеживания, особенно если люди становятся зависимыми от информации, предоставляемой автоматизированной службой анализа.
Анализ слов и работа с людьми
Очень часто ингредиенты зелья заключаются в анализе слов и предложений - это магия обработки естественного языка. Часть этого начинается с определения того, какие из слов являются существительными, глаголами, прилагательными, и использования этого для более интересного анализа письменного намерения. Автоматизация увеличивает скорость установления таких связей.
Этот процесс очень хорошо сочетается с Человеко-ориентированным машинным обучением Google, в котором основное внимание уделяется тому, как люди могут решить проблему вручную, прежде чем прибегать к алгоритмам для решения проблемы. Такой подход напрямую связывает нас с результатами, которые окажут наибольшее влияние на потенциальных пользователей услуг; он также сохраняет фокус на практическом прототипировании с людьми и сборе данных об участниках как части процесса.
Определение местоположений для розничных продавцов
В Fjord мы работаем над процессом, который поможет розничным торговцам находить нужные места для встреч с потенциальными покупателями. Это началось с нескольких недель ручного процесса поиска связей в социальных сетях и создания слов в электронных таблицах, а также стены фотографий и терминов, которые начали приближаться к автоматизированному процессу, который мы в конечном итоге хотели бы реализовать.
Еще до того, как мы перейдем к алгоритму, ручной процесс уже привел к рекомендациям для розничных продавцов и выявил повторяющиеся задачи, которые мы хотели бы автоматизировать, чтобы ускорить процесс анализа.
Если мы начнем смотреть на алгоритм как на последовательность задач для решения сложной проблемы, а не на загадочное зелье, становится возможным применить наш человеческий интеллект к ИИ. Создание ИИ с учетом общечеловеческих ценностей и курирования критически важно, чтобы избежать непредвиденных последствий неконтролируемой автоматизации.
