Хаос необходим, чтобы машина «училась» как человек

0
292

Размышления Smrati Gupta о машинном обучении в блоге towardsdatascience.com, сообщает портал «Искусственный интеллект вокруг»

Smrati Gupta — Principal Data Scientist @ CA Technologies. AI Enthusiast, Data Lover, Mathematics Admirer.

Мне нравится, как машинное обучение нашло свой путь в нашей жизни и как это делает взаимодействие с технологией гораздо более ясным и естественным, чем раньше.

Мне нравится, как вы предлагаете мне мои следующие видеоролики для просмотра, основываясь на том, что я смотрела ранее.

Мне нравится, когда Google maps знает, что я хотела бы пойти в Йогу в 6 утра и работать в 9 утра.

Мне нравится, что мне не нужно просматривать список фильмов на Netflix в алфавитном порядке, но он знает, какие из них мне больше всего нравятся.

Мне нравится сила программного обеспечения, основанного на компьютерном обучении, для прогнозирования, изучения, рекомендации и самореализации.

По мере того как мы больше взаимодействуем с этими фоновыми алгоритмами, они лучше настраиваются, чтобы предоставить нам индивидуальные продукты. Это похоже на прогулку в ресторан и наличие в моем ассортименте шорт-листа, сделанного по моему вкусу, без моего спроса. «О, подожди, у нас есть это! Нравится?».

Нам нравится эта способность технологии, потому что это облегчает нашу жизнь. Это уменьшает боль от удаления части информации, которая нас не интересует, и это шум, с нашей точки зрения. Что для меня шум, может и не быть шумом для вас, и, следовательно, машинное обучение устраняет шум из нашей жизни в относительной манере.

«Относительное снижение шума» помогает нам больше доверять искусственному интеллекту (AI). Ускорение внедрения технологий благодаря силе ИИ — это самоподдерживающийся цикл: за счет увеличения нашего доверия к технологиям мы используем его больше, что улучшает технологию. Когда мы доверяем технологии, мы позволяем ей советовать нам, конкурировать с нами, помогать нам и воспитывать нас. Мы ведем себя, чтобы позволить ИИ изучить наши вкусы и отвести его оттуда.

Парадигма «относительного снижения шума» AI уменьшает выбросы, которые вы видите в своих взаимодействиях с технологией. Однако шум, который вы не видите, как-то уменьшает ваши границы. Как bigdata-scientist, я рада видеть, что мой алгоритм достигает высокой точности, чтобы прогнозировать, рекомендовать хорошо и самовосстанавливаться. Но эти алгоритмы учатся из того, что они видят, точно или частично имеют сходство с историей. Они не могут и не смогут предлагать вещи, которые мой мозг предлагал бы в исследовательском процессе без каких-либо доказательств очевидного интереса к истории. И это подводит нас к «побочному эффекту» ИИ — бессознательному ограничению творчества.

Мне интересен просмотр документальных фильмов, связанных с астрономией, и Google, Facebook, Instagram, YouTube, LinkedIn и даже Pinterest, похоже, знают об этом. Однако, как-то, вызванная цепная реакция, которая приводит меня к огромным ресурсам вокруг астрономии. Как мы разрешаем пользователям технологии с АИ расширять горизонты, показывая им что-то совершенно неожиданное? Как мы обеспечиваем, чтобы сила человеческой природы и способность учиться были включены в рекомендации, которые мы разрабатываем? Кажется, в этой философии есть неотъемлемое понятие, что вы должны быть «хозяином одной профессии». Я предпочитаю быть «домкратом всех» лучше.

Как мы разрешаем пользователям технологии с АИ расширять горизонты, показывая им что-то совершенно неожиданное? Как мы обеспечиваем, чтобы сила человеческой природы и способность учиться были включены в рекомендации, которые мы разрабатываем? Кажется, в этой философии есть неотъемлемое понятие, что вы должны быть «хозяином одной профессии». Я предпочитаю быть «домкратом всех» лучше.

Хаос, который мы фиксируем в нашей жизни, важен. Это особенно важно, когда вы открываете ресурсы знаний. В то время как рекомендации по обучению машин с помощью таких алгоритмов, как совместная фильтрация, обеспечивают пользователю индивидуальное воздействие того, что, по его мнению, полезно, в то же время они также добавляют структуру шума и со временем, полностью удаляют шум.

Когда мы не подвергаемся шумным рекомендациям, наша периферия воздействия связана историей. Поэтому важно, что, поскольку парадигма рекомендаций через науку о данных или выборочное воздействие контента под предлогом «индивидуальных решений» достаточно шумна, чтобы гарантировать, что мы принимаем творчество, естественное для людей. Когда вы обнаруживаете выброс в ваших данных, общие знания — относиться к нему как к исключению, а не к основополагающим выводам, 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 для процесса машинного обучения. В истинном смысле это будет парадигмой для того, чтобы машина «училась» как человек.

Источник: towardsdatascience.com