Galėtumėte tapti AI meistru dar nesužinoję. Štai kaip.

Jay Daniel Wright

Iš pirmo žvilgsnio Scotas Bartonas gali neatrodyti kaip AI pradininkas. Jis nekuria savarankiškai važiuojančių automobilių ir nemoko kompiuterių, kad muštų žmones kompiuteriniuose žaidimuose. Tačiau dirbdamas „Farmers Insurance“ jis ieško technologijų pėdsakų.

Bartonas vadovauja komandai, kuri analizuoja duomenis, kad atsakytų į klausimus apie klientų elgesį ir skirtingų politikos krypčių kūrimą. Jo grupė dabar naudoja įvairius pažangiausius mašininio mokymosi metodus, nuo gilių neuroninių tinklų iki sprendimų medžių. Tačiau Bartonas nesamdė AI burtininkų armijos, kad tai būtų įmanoma. Jo komanda naudoja platformą, vadinamą DataRobot , kuris automatizuoja daug sudėtingų darbų, susijusių su tokių metodų taikymu.

Draudimo bendrovės darbas su „DataRobot“ užsimena, kaip dirbtinis intelektas gali vystytis per ateinančius kelerius metus, jei nori realizuoti savo didžiulį potencialą. Be įspūdingų demonstracijų, tokių kaip DeepMind žaidimų programinė įranga AlphaGo , dirbtinis intelektas gali sukelti revoliuciją ištisose pramonės šakose ir padaryti visas įmones efektyvesnes ir našesnes. Tai savo ruožtu galėtų padėti atgaivinti ekonomiką, nes padidėtų bendras našumas. Tačiau kad tai įvyktų, technologija turės tapti daug lengviau naudojama.

Susijusi istorija

Susijusi istorija Vakarai neturėtų bijoti Kinijos dirbtinio intelekto revoliucijos. Tai turėtų nukopijuoti.

Problema ta, kad daugeliui veiksmų, susijusių su esamų AI metodų naudojimu, šiuo metu reikia didelių žinių. Ir tai nėra taip paprasta, kaip sukurti patogesnę vartotojo sąsają, nes inžinieriai, kurdami ir koreguodami savo kodą, dažnai turi vadovautis sprendimu ir žiniomis.

Tačiau dirbtinio intelekto tyrėjai ir įmonės dabar bando tai išspręsti iš esmės paversdami technologiją savaime, naudodami mašininį mokymąsi, kad automatizuotų sudėtingesnius AI algoritmų kūrimo aspektus. Kai kurie ekspertai netgi kuria dirbtinio intelekto operacines sistemas, sukurtas taip, kad šios technologijos programos būtų tokios pat prieinamos, kaip šiandien yra „Microsoft Excel“.

DataRobot yra žingsnis ta kryptimi. Jūs įvedate neapdorotus duomenis, o platforma automatiškai juos išvalo ir iš naujo suformatuoja. Tada jis vienu metu paleidžia daugybę skirtingų algoritmų, įvertindamas jų našumą. Bartonas pirmiausia bandė naudoti platformą, įvesdamas daugybę draudimo duomenų, kad sužinotų, ar ji gali numatyti konkrečią dolerio vertę. Palyginti su standartiniu, rankomis sukurtu statistiniu metodu, pasirinkto modelio klaidų lygis buvo 20 procentų mažesnis. Išimtas iš dėžutės, paspaudus vieną mygtuką; tai gana įspūdinga, sako jis.

AI įgūdžių spraga

AI taikymo realybė buvo atskleista pranešime šių metų birželį paskelbė konsultacijų bendrovė „McKinsey“. Šioje ataskaitoje daroma išvada, kad dirbtinis intelektas, ypač mašininis mokymasis, gali pertvarkyti dideles pramonės šakas, įskaitant gamybą, finansus ir sveikatos priežiūrą, o iki 2025 m. JAV ekonomika gali padidinti iki 126 mlrd. .

Tikrai yra didelis postūmis išmokyti kuo daugiau žmonių naudotis AI (žr. Andrew Ng kitą triuką: Milijono AI ekspertų mokymas). Tačiau tai užtruks ir ne kiekvienas gali tapti AI meistru. Geriausias būdas padidinti bet kokios technologijos poveikį – padaryti ją kuo prieinamesnę. Tik tada AI pradės lįsti į paprastus biurus ir darbo vietas. „DataRobot“ jau naudojamas kai kuriuose iš šių nustatymų.

Jay Daniel Wright

Vieną vėlyvą popietę „DataRobot“ biuras Bostono finansiniame rajone yra apleistas, neskaitant kelių inžinierių, dirbančių aplink didelį ekraną. Įmonės sprendimas tikrai atrodo įspūdingas, kai Jonathanas Dahlbergas, vienas iš konsultantų, pateikia man demonstracinę versiją. Jis įkelia viešą paskolos paraiškų ir mokėjimų duomenų rinkinį, o tada paveda sistemai sukurti daugybę modelių, kad pamatytų, ar yra kokių nors dėsningumų, kodėl žmonės įsipareigoja nevykdyti įsipareigojimų.

Per kelias sekundes ekrane pasirodo dešimtys konkuruojančių algoritmų; viršuje yra palyginti neseksuali, bet plačiai naudojama gradiento didinimo technika, vadinama XGBoost . Tai greitai parodo, kad pareiškėjo pajamos yra ypač svarbios, bet taip pat ir priežastis, kodėl jie nori paskolos. Pasirodo, žmonės, kurie savo paraiškoje užsimena apie verslo pradžią, yra ypač blogai.

Dahlbergas sako, kad „DataRobot“ gali atitikti tikrai gero duomenų mokslininko žinias ar įgūdžius, tačiau jis gali pasiūlyti platesnę perspektyvą. Asmuo gali per daug pasikliauti tam tikra technika, o „DataRobot“ gali automatiškai atskleisti iš esmės geresnį požiūrį. Be to, vartotojas vis dar gali rankiniu būdu modifikuoti pagrindinį algoritmą, naudodamas Python arba R programavimo kalbas. Neįdėmiai išnagrinėjus sunku suprasti, kaip sistema automatizuoja kai kuriuos sudėtingesnius duomenų mokslo aspektus, pvz., duomenų valymą ir funkcijas. inžinerijos, bet atrodo, kad tai stebina daug.

Bendrovės generalinis direktorius Jeremy Achinas buvo įkvėptas įkurti įmonę po peržiūros Socialinis tinklas , kaip jis kiek abejingai prisipažįsta, kai susitinkame išgerti kavos netoli MIT. Tačiau „DataRobot“ idėja jam kilo dalyvaudamas duomenų mokslo konkursuose „Kaggle“ platformoje, kurią „Google“ įsigijo šių metų pradžioje. „Kaggle“ siūlo prizus už algoritmą, kuris geriausiai atlieka konkrečias prognozes iš didelio duomenų rinkinio. Ši užduotis paprastai apima mašininio mokymosi algoritmo, kuris maitinamas duomenimis, kūrimą. Būdamas vienas geriausių ankstyvųjų „Kaggle“ dalyvių, Achinas suprato, kad jau automatizuoja daugelį kiekvienos varžybos žingsnių. Maniau, kad jei surinksime pakankamai duomenų rinkinių, pakankamai problemų ir atliksime pakankamai eksperimentų, galėtume atlikti mašininį mokymąsi. Tai buvo pirminė idėja, sako jis.

Idėja aiškiai sulaukė investuotojų atgarsio. 2012 m. startavęs „DataRobot“ surinko daugiau nei 100 mln. USD, įskaitant 54 mln. USD šį kovą, maždaug tuo pačiu metu, kai buvo įsigyta „Kaggle“. Bendrovė teigia, kad jau turi daugiau nei 100 klientų. Achinas sako, kad ši koncepcija yra daug mažiau populiari daugeliui duomenų mokslininkų, kurie arba mano, kad jų įgūdžių neįmanoma automatizuoti, arba nerimauja, kad jie bus tokie. Tačiau jis mano, kad dauguma įmonių neturės kitos išeities, jei norės pasinaudoti AI. Man nerūpi, kiek žmonių „LinkedIn“ pakeičia savo titulą į „duomenų mokslininkas“, sako jis. Jūs nejudinsite adatos.

Savarankiško mokymosi sistemos

Duomenų mokslininkų trūkumas įkvepia daugelį kitų dirbti automatizuojant mašininį mokymąsi. Atsiranda vis daugiau mokslinių straipsnių apie jos metodų naudojimą automatizuoti vis daugiau AI aspektų.

Viena didžiausių pasaulyje AI žaidėjų „Google“ taip pat atkreipia dėmesį į šią idėją. „Google“ investavo milžiniškas sumas kurdama galingus AI algoritmus ir diegdama juos savo paslaugose. Tačiau bendrovė taip pat nori pridėti daugiau AI į savo debesijos paslaugas. Be paprastų vaizdo ar teksto klasifikavimo įrankių, reikės automatizuoti daugiau darbo, susijusio su mašininio mokymosi modelių mokymu.

Jay Daniel Wright

Tikslas yra padaryti šią technologiją labiau prieinamą, sako Johnas Giannandrea, škotų kompiuterių inžinierius, vadovaujantis „Google“ AI pastangoms. Taigi bet kas gali pasakyti „Sukurk man nuspėjamąjį modelį“ ir jis išsijungia ir tai daro.

Šių metų pradžioje bendrovė paskelbė apie tam tikrą pažangą siekiant šio tikslo, pademonstruodama eksperimentinį būdą automatizuoti giliai besimokančių neuroninių tinklų derinimo procesą (žr. AI programinė įranga mokosi kurti AI programinę įrangą). Tai bene galingiausi mašininio mokymosi algoritmai, kurie žymiai pagerino vaizdo ir balso atpažinimo technologijas. Tačiau juos taip pat sunku sukurti. Giannandrea sako, kad šis darbas dabar duoda labai daug žadančių rezultatų, kai kuriais atvejais atitinkančių rankomis sukurtų sistemų našumą. Ir jis tikisi, kad „Google“ artimiausiais mėnesiais paskelbs daugiau rezultatų.

Kiti turi dar didingesnį dizainą. Erikas Xingas Pavyzdžiui, Carnegie Mellon universiteto profesorius kuria operacinę sistemą, sukurtą iš skirtingų mašininio mokymosi komponentų. Ši OS naudoja virtualizavimą ir mašininį mokymąsi, kad pašalintų daug sudėtingumo kuriant ir mokant AI. Jame netgi yra grafinė vartotojo sąsaja, kurią galima naudoti mokant mašininio mokymosi modelį tam tikram duomenų rinkiniui.

Xingas įgijo išsilavinimą Kinijoje ir studijavo UC Berkeley kartu su Andrew Ng, dabar gerai žinomu AI pasaulio veikėju. Jis yra labai mandagus ir stebėtinai atsainus, norintis iš naujo išrasti žmonių naudojimąsi kompiuteriais. Xingas numato, kad jo AI OS bus tokia pat paprasta naudoti kaip kažkas panašaus į „Microsoft“ skaičiuoklių paketą „Excel“. Tai yra pagrindinė problema visame AI, sako jis. Įėjimo barjeras tiesiog per didelis.

Xing sukūrė įmonę, Petuum , kad sukurtų OS, ir jau sukūrė daugybę įrankių, skirtų mašininiam mokymuisi pritaikyti medicinoje. Gydytojai nori sąsajos ir medicininių įrašų, vaizdų – kiekvienam iš jų reikalingas skirtingas mašininio mokymosi metodas, sako jis. „Petuum“ taip pat ruošiasi išleisti savo platformą.

„Petuum“ OS ir kiti AI automatizavimo įrankiai susidurs su tam tikrais unikaliais iššūkiais. Jau dabar nerimaujama dėl mašininio mokymosi algoritmų, kurie netyčia absorbuoja mokymo duomenų paklaidas, o kai kurie modeliai yra tiesiog per neskaidrūs, kad juos būtų galima atidžiai išnagrinėti (žr. „The Dark Secret at the Heart of AI“). Jei dirbtinį intelektą naudoti taps daug lengviau, gali būti, kad šios problemos labiau išplis ir įsitvirtins.

Kad mašininis mokymasis būtų tikrai geras, jums reikia daktaro laipsnio ir maždaug penkerių metų patirties Turtinga Caruana , „Microsoft“ vyresnysis mokslo darbuotojas, duomenų mokslu užsiimantis maždaug 20 metų. Yra daug spąstų. Ar jūsų algoritmas baigia galioti po šešių mėnesių ir ar jį galima interpretuoti?

Caruana mano, kad turėtų būti įmanoma automatizuoti kai kuriuos veiksmus, kurių duomenų mokslininkas turi imtis, kad apsisaugotų nuo tokių problemų – kažkas panašaus į piloto prieš skrydį kontrolinį sąrašą. Tačiau jis perspėja per daug nepasitikėti sistemomis, kurios žada viską automatizuoti. Žinau, sako jis, nes pakeliui įsidūriau kojos pirštą.

paslėpti