Deep Learning wird dem Hype nicht gerecht, ist aber dennoch vielversprechend
an
Deep Learning wird dem Hype nicht gerecht, ist aber dennoch vielversprechend
Kommentar: Wir haben Deep Learning zu lange übertrieben. Es ist an der Zeit, es als Ergänzung und nicht als Ersatz für den menschlichen Einfallsreichtum zu betrachten.
Bild: Getty Images/iStockphoto/nicescene Vor ein paar Jahren bin ich auf das Thema „Maschinelles Lernen wird das beseitigen“ gesprungen Bedarf an Radiologen“-Zug. Es war nicht meine klügste Vorhersage. Bei meinem Scheitern schließen sich mir jedoch die größten Experten für Deep Learning an, wie Geoffrey Hinton, der in 2016 verkündete, es sei „einfach völlig offensichtlich innerhalb von fünf Jahren wird Deep Learning besser abschneiden als ausgebildete Radiologen.
Er hat sich geirrt. Ich habe mich geirrt. Und als Branche irren wir uns alle immer wieder darüber, wie schnell Deep Learning, ein Zweig des maschinellen Lernens, Fortschritte machen wird.
Oder nicht wirklich „Fortschritt“, weil Deep Learning
macht Fortschritte und zwar schnell. Was es ist nicht Das Tun geht jedoch so weit, dass es Menschen verdrängt. Der Schlüssel zur Wertschätzung von Deep Learning, schrieb Gary Marcus, ein Wissenschaftler und Gründer von Geometric Intelligence, einem Unternehmen für maschinelles Lernen, das von Uber im Jahr
übernommen wurde. , ist zu erkennen, dass dieses Mustererkennungstool „am besten ist, wenn alles, was wir brauchen, grob fertig ist Ergebnisse, bei denen die Einsätze gering sind und perfekte Ergebnisse optional sind.“
Mit anderen Worten, wenn Maschinen dazu verwendet werden können, Menschen zu ergänzen, nicht zu ersetzen.
Die Stärken von Deep Learning ausspielen
Deep Learning ist im Wesentlichen eine Möglichkeit, Musterabgleich in großem Umfang durchzuführen. Kein Mensch kann gigantische Datenberge durchkämmen, um Muster in diesen Daten aufzudecken – Maschinen können das. Im Gegensatz dazu kämpfen Maschinen mit einem Ausreißer, der für einen Menschen leicht zu erkennen ist, aber den Daten widerspricht, mit denen die Maschinen trainiert wurden. Maschinen können nicht argumentieren – Menschen schon. (Nun, die meisten Leute können … meistens!)
SEHEN:
Ethikrichtlinie für künstliche Intelligenz (TechRepublic-Premium)
Jared Kaplan von OpenAI hat argumentiert, dass es bei dem Problem nicht um die Vernunft, sondern um die Größenordnung geht. Je mehr Daten Sie in die Maschinen einspeisen, desto näher kommen Maschinen der Replikation der menschlichen Vernunft. Diese Ansicht ist falsch.
Das müssen Sie nicht Verlass dich drauf. Sieh dich nur um. Wählen Sie ein beliebiges AI/ML-System aus. Keiner von ihnen hat auch nur annähernd die einfache menschliche Intelligenz kopiert, weil sie darauf verzichten, ein echtes Verständnis dafür zu liefern, was die Daten bedeuten. Das soll nicht heißen, dass es nutzlos ist. Weit davon entfernt. Nein, es geht vielmehr darum zu argumentieren, dass wir Menschen Menschen und Maschinen Maschinen sein lassen und Wege finden sollten, unsere jeweiligen Stärken zu vereinen.
Wirklich über echtes maschinelles Lernen
Wenn wir danach streben Daten verstehen, anstatt nur Zahlen zu knacken, die wir brauchen bewusster darüber nachzudenken, wie wir die uns zur Verfügung stehenden Maschinen (dh die ML/KI) einsetzen. Lorang weiter zitierend: „Lorangs Einblick in die Datenwissenschaft ist heute genauso wahr wie damals, als er ihn vor ein paar Jahren äußerte: ‚Es gibt eine sehr kleine Teilmenge von Geschäftsproblemen, die am besten durch maschinelles Lernen gelöst werden; Die meisten von ihnen brauchen nur gute Daten und ein Verständnis dafür, was sie bedeuten.’“ Daher, sagte er, sollten wir uns, anstatt Deep-Learning-/ML-Modelle mit Erwartungen zu überladen, „SQL-Abfragen zum Abrufen von Daten, … grundlegende Arithmetik dazu zuwenden Daten (Berechnung von Differenzen, Perzentilen usw.), grafische Darstellung der Ergebnisse und [writing] Absätze mit Erläuterungen oder Empfehlungen.“
Weißt du: so was wir habe ich jahrzehntelang gemacht, lange bevor Deep Learning zur Selbstverständlichkeit wurde.
Was wiederum die Notwendigkeit für mehr Symbiose zwischen Mensch und Maschine hervorruft. Keiner ersetzt den anderen. Wie Mary Shacklett von TechRepublic kürzlich schrieb: „Großartige KI funktioniert nicht im luftleeren Raum. Es koordiniert sich mit menschlichen Entscheidungsträgern und arbeitet in einem symbiotischen Modus mit Menschen, sodass eine optimale Entscheidung oder Operation erreicht oder durchgeführt werden kann.“ Daher wäre es hilfreich, wenn wir aufhören würden, die Zukunft von Deep Learning, maschinellem Lernen und künstlicher Intelligenz zu übertreiben, und uns stattdessen auf die gegenwärtige Notwendigkeit konzentrieren würden, menschlichen Einfallsreichtum besser mit maschinengesteuertem Mustervergleich zu integrieren.[writing] Offenlegung: Ich arbeite für MongoDB, aber die hier geäußerten Ansichten sind allein meine
.Siehe auch
3961 Hiring Kit: Digital Campaign Manager (TechRepublic Premium)
- Alles Gute zum Geburtstag, Google Docs! Die App 87 beste Funktionen (kostenloses PDF) (TechRepublic)
Künstliche Intelligenz: Spickzettel
(TechRepublic)
TechRepublic Premium Redaktionskalender: IT-Richtlinien, Checklisten, Toolkits und Recherchen zum Download (TechRepublic Premium) 3953477 3953477 Künstliche Intelligenz: Mehr Pflichtlektüre (TechRepublic auf Flipboard)
Künstliche Int Intelligenz
CXO
Innovation
2016
