Możesz zostać mistrzem AI, zanim się zorientujesz. Oto jak.

Jay Daniel Wright

Na pierwszy rzut oka Scot Barton może nie wydawać się pionierem sztucznej inteligencji. Nie buduje autonomicznych samochodów ani nie uczy komputerów, jak rzucać ludzi w gry komputerowe. Ale w ramach swojej roli w Farmers Insurance przeciera szlaki dla technologii.

Barton kieruje zespołem, który analizuje dane, aby odpowiadać na pytania dotyczące zachowań klientów i projektowania różnych polityk. Jego grupa używa teraz wszelkiego rodzaju najnowocześniejszych technik uczenia maszynowego, od głębokich sieci neuronowych po drzewa decyzyjne. Ale Barton nie wynajął armii czarodziejów AI, aby było to możliwe. Jego zespół korzysta z platformy o nazwie DataRobot , który automatyzuje wiele trudnych prac związanych z zastosowaniem takich technik.

Współpraca firmy ubezpieczeniowej z DataRobot wskazuje, jak sztuczna inteligencja może ewoluować w ciągu najbliższych kilku lat, jeśli ma zrealizować swój ogromny potencjał. Oprócz spektakularnych demonstracji, takich jak oprogramowanie do gier AlphaGo firmy DeepMind, sztuczna inteligencja może zrewolucjonizować całe branże i sprawić, że wszelkiego rodzaju firmy będą bardziej wydajne i produktywne. To z kolei może pomóc w ożywieniu gospodarki poprzez zwiększenie ogólnej wydajności. Aby jednak tak się stało, technologia będzie musiała stać się o wiele łatwiejsza w użyciu.

Powiązana historia

Powiązana historia Zachód nie powinien bać się chińskiej rewolucji sztucznej inteligencji. Powinien to skopiować.

Problem polega na tym, że wiele kroków związanych z wykorzystaniem istniejących technik sztucznej inteligencji wymaga obecnie znacznej wiedzy fachowej. I nie jest to tak proste, jak zbudowanie bardziej przyjaznego dla użytkownika interfejsu, ponieważ inżynierowie często muszą kierować się osądem i wiedzą, kiedy tworzą i ulepszają swój kod.

Jednak naukowcy i firmy zajmujące się sztuczną inteligencją próbują teraz rozwiązać ten problem, zasadniczo włączając technologię samą w sobie, wykorzystując uczenie maszynowe do automatyzacji trudniejszych aspektów opracowywania algorytmów sztucznej inteligencji. Niektórzy eksperci budują nawet odpowiedniki systemów operacyjnych opartych na sztucznej inteligencji, zaprojektowanych tak, aby aplikacje tej technologii były tak dostępne, jak obecnie jest Microsoft Excel.

DataRobot to krok w tym kierunku. Dostarczasz surowe dane, a platforma automatycznie je czyści i formatuje. Następnie uruchamia jednocześnie dziesiątki różnych algorytmów, oceniając ich wydajność. Barton najpierw spróbował skorzystać z platformy, wprowadzając kilka danych ubezpieczeniowych, aby sprawdzić, czy może przewidzieć konkretną wartość w dolarach. W porównaniu ze standardowym, ręcznie zbudowanym podejściem statystycznym, wybrany model miał o 20 procent niższy poziom błędu. Po wyjęciu z pudełka, za naciśnięciem jednego przycisku; to imponujące, mówi.

Luka w umiejętnościach AI

Rzeczywistość stosowania sztucznej inteligencji została obnażona w raporcie opublikowany przez firmę doradczą McKinsey w czerwcu br. Raport ten stwierdza, że ​​sztuczna inteligencja, zwłaszcza uczenie maszynowe, może zrewolucjonizować duże branże, w tym produkcję, finanse i opiekę zdrowotną, potencjalnie dodając do amerykańskiej gospodarki nawet 126 miliardów dolarów do 2025 r. Ale raport ma jedno duże zastrzeżenie: krytyczny niedobór talentów .

Z pewnością istnieje duży nacisk, aby wyszkolić jak najwięcej osób do korzystania ze sztucznej inteligencji (patrz Następna sztuczka Andrew Ng: Szkolenie miliona ekspertów AI). Ale to zajmie trochę czasu i nie każdy może zostać mistrzem sztucznej inteligencji. Najlepszym sposobem na zmaksymalizowanie wpływu dowolnej technologii jest uczynienie jej możliwie jak najbardziej dostępną. Dopiero wtedy sztuczna inteligencja zacznie wkradać się do zwykłych biur i miejsc pracy. DataRobot jest już używany w niektórych z tych ustawień.

Jay Daniel Wright

Pewnego późnego popołudnia biuro DataRobot w finansowej dzielnicy Bostonu jest opustoszałe, z wyjątkiem garstki inżynierów kręcących się wokół dużego wyświetlacza. Rozwiązanie firmy z pewnością robi wrażenie, gdy Jonathan Dahlberg, jeden z konsultantów, daje mi demo. Ładuje publiczny zestaw wniosków o pożyczkę i płatności, a następnie każe systemowi opracować kilka modeli, aby sprawdzić, czy istnieją jakieś wzorce, dlaczego ludzie nie wywiązują się z płatności.

W ciągu kilku sekund na ekranie pojawiają się dziesiątki konkurencyjnych algorytmów; na górze jest stosunkowo mało seksowna, ale szeroko stosowana technika zwiększania gradientu zwana XGBoost . To szybko pokazuje, że dochód wnioskodawcy jest szczególnie ważny, ale także powód, dla którego chcą pożyczyć. Okazuje się, że szczególnie kiepskim zakładem są osoby, które w swojej aplikacji wspominają o rozpoczęciu działalności.

DataRobot może dorównać ekspertyzie lub umiejętnościom naprawdę dobrego naukowca danych, mówi Dahlberg, ale może zaoferować szerszą perspektywę. Osoba może zbyt mocno polegać na określonej technice, a DataRobot może automatycznie ujawnić zasadniczo lepsze podejście. Użytkownik nadal może również ręcznie modyfikować podstawowy algorytm za pomocą języków programowania Python lub R. Bez dokładnego zbadania trudno jest stwierdzić, jak dobrze system automatyzuje niektóre trudniejsze aspekty nauki o danych, takie jak czyszczenie danych i funkcje inżynieria, ale wydaje się, że zajmuje się zaskakującą ilością.

Dyrektor generalny firmy, Jeremy Achin, po obejrzeniu zainspirował się do założenia firmy Sieć społeczna , jak przyznaje trochę nieśmiało, kiedy spotykamy się na kawę w pobliżu MIT. Ale pomysł na DataRobot wpadł na pomysł, biorąc udział w konkursach data-science na platformie crowdsourcingowej Kaggle, która została przejęta przez Google na początku tego roku. Kaggle oferuje nagrody za algorytm, który najlepiej sprawdza się w dokonywaniu konkretnych przewidywań na podstawie dużego zestawu danych. To zadanie zazwyczaj obejmuje opracowanie algorytmu uczenia maszynowego, który czerpie z danych. Jako jeden z najlepszych wczesnych zawodników Kaggle, Achin zdał sobie sprawę, że już automatyzował wiele kroków związanych z każdym konkursem. Pomyślałem, że jeśli zbierzemy wystarczającą liczbę zestawów danych, wystarczająco dużo problemów i przeprowadzimy wystarczającą liczbę eksperymentów, będziemy mogli wykorzystać uczenie maszynowe na uczeniu maszynowym. To był pierwotny pomysł, mówi.

Pomysł wyraźnie spodobał się inwestorom. DataRobot, uruchomiony w 2012 roku, zebrał ponad 100 milionów dolarów, w tym 54 miliony w marcu tego roku, mniej więcej w tym samym czasie, w którym przejęto Kaggle. Firma twierdzi, że ma już ponad 100 klientów. Achin twierdzi, że koncepcja ta jest znacznie mniej popularna wśród wielu naukowców zajmujących się danymi, którzy albo uważają, że ich umiejętności nie mogą zostać zautomatyzowane, albo martwią się, że tak się stanie. Uważa jednak, że większość firm nie będzie miała innego wyjścia, jeśli chce skorzystać z AI. Nie obchodzi mnie, ile osób zmienia tytuł na „naukowca danych” na LinkedIn – mówi. Nie poruszysz igłą.

Systemy samouczące się

Niedobór naukowców zajmujących się danymi inspiruje wielu innych do pracy nad automatyzacją uczenia maszynowego. Coraz więcej artykułów naukowych pojawia się na temat wykorzystania jego technik do automatyzacji coraz większej liczby aspektów sztucznej inteligencji.

Jeden z największych graczy AI na świecie, Google, również zwraca uwagę na ten pomysł. Google zainwestował ogromne sumy w opracowanie potężnych algorytmów sztucznej inteligencji i wdrożenie ich w swoich usługach. Ale firma chce również dodać więcej sztucznej inteligencji do swoich usług w chmurze. A wyjście poza proste narzędzia do klasyfikacji obrazów lub tekstu będzie oznaczać większą automatyzację pracy związanej z trenowaniem modeli uczenia maszynowego.

Jay Daniel Wright

Celem jest uczynienie tej technologii bardziej dostępną, mówi John Giannandrea, szkocki inżynier komputerowy, który kieruje pracami Google nad sztuczną inteligencją. Więc każdy może powiedzieć „Zbuduj mi model predykcyjny”, a on się włącza i robi to.

Na początku tego roku firma ogłosiła znaczne postępy w realizacji tego celu, demonstrując eksperymentalny sposób automatyzacji procesu dostrajania sieci neuronowych uczenia głębokiego (patrz AI Software Learns to Make AI Software ). Są to prawdopodobnie najpotężniejsze algorytmy uczenia maszynowego, które znacznie poprawiły stan wiedzy w zakresie rozpoznawania obrazu i głosu. Ale są też bardzo trudne do zaprojektowania. Giannandrea twierdzi, że te prace przynoszą obecnie bardzo obiecujące wyniki, w niektórych przypadkach dorównujące wydajnością systemów opracowywanych ręcznie. I oczekuje, że Google opublikuje więcej wyników w nadchodzących miesiącach.

Inni mają jeszcze wspanialsze projekty. Eric Xing , profesor na Carnegie Mellon University, na przykład, opracowuje system operacyjny zbudowany z różnych komponentów uczenia maszynowego. Ten system operacyjny wykorzystuje wirtualizację i uczenie maszynowe, aby wyabstrahować znaczną część złożoności projektowania i szkolenia sztucznej inteligencji. Zawiera nawet graficzny interfejs użytkownika, który można wykorzystać do trenowania modelu uczenia maszynowego na określonym zbiorze danych.

Xing kształcił się w Chinach i studiował na Uniwersytecie Kalifornijskim w Berkeley wraz z Andrew Ng, obecnie znaną postacią w świecie sztucznej inteligencji. Jest bardzo uprzejmy i zaskakująco swobodny, jeśli chodzi o chęć zmiany sposobu, w jaki ludzie korzystają z komputerów. Xing przewiduje, że jego system operacyjny AI będzie tak łatwy w użyciu, jak pakiet arkuszy kalkulacyjnych Microsoftu, Excel. Mówi, że to kluczowy problem w całej sztucznej inteligencji. Bariera wejścia jest po prostu zbyt wysoka.

Xing stworzył firmę, Petuum , aby rozwijać system operacyjny, i stworzyła już serię narzędzi mających na celu wprowadzenie uczenia maszynowego do medycyny. Lekarze chcą interfejsu i dokumentacji medycznej, obrazów – każde wymaga innego podejścia do uczenia maszynowego, mówi. Petuum również szykuje się do wydania swojej platformy.

System operacyjny Petuum i inne narzędzia do automatyzacji sztucznej inteligencji będą musiały stawić czoła wyjątkowym wyzwaniom. Istnieją już obawy, że algorytmy uczenia maszynowego nieumyślnie absorbują błędy z danych treningowych, a niektóre modele są po prostu zbyt nieprzejrzyste, aby je dokładnie zbadać (patrz Mroczny sekret w sercu sztucznej inteligencji). Jeśli sztuczna inteligencja stanie się znacznie łatwiejsza w użyciu, możliwe, że problemy te staną się bardziej rozpowszechnione i bardziej zakorzenione.

Aby naprawdę dobrze wykonywać uczenie maszynowe, potrzebujesz doktoratu i około pięciu lat doświadczenia, mówi Bogaty Caruana , starszy pracownik naukowy w firmie Microsoft, który zajmuje się analizą danych od około 20 lat. Istnieje wiele pułapek. Czy twój algorytm wygasa po sześciu miesiącach i czy można go zinterpretować?

Caruana uważa, że ​​powinno być możliwe zautomatyzowanie niektórych kroków, które musi podjąć analityk danych, aby uchronić się przed takimi problemami – coś podobnego do listy kontrolnej pilota przed lotem. Przestrzega jednak przed zbyt dużym zaufaniem do systemów, które obiecują zautomatyzować wszystko. Wiem, mówi, bo po drodze uderzyłem się w palec u nogi.

ukryć