Content
- Aplicacions empresarials d'aprenentatge profund
- Els V de Big Data i Aprenentatge Profund
- Sense errors, sense estrès: la vostra guia pas a pas per crear programes que canvien la vida sense destruir la vida
- El dilema de la caixa negra
- Reglament
Font: Agsandrew / Dreamstime.com
Emportar:
L’aprenentatge profund té molt a oferir empreses, però molts encara dubten en adoptar-lo. Aquí veiem alguns dels seus punts de dolor més grans.
L’aprenentatge profund és un subcamp de l’aprenentatge automàtic, que (en general) és tecnologia inspirada en el cervell humà i les seves funcions. Primera vegada introduïda a la dècada de 1950, l’aprenentatge automàtic s’informa acumulativament pel que es coneix com a xarxa neuronal artificial, una gran quantitat de nodes de dades interconnectats que formen col·lectivament la base de la intel·ligència artificial. (Per obtenir informació bàsica sobre l’aprenentatge automàtic, consulteu Machine Learning 101.)
L’aprenentatge automàtic permet fonamentalment als programes informàtics canviar-se quan se’ls demana dades o programacions externes. Per naturalesa, és capaç d'aconseguir-ho sense interacció humana. Comparteix una funcionalitat similar amb la mineria de dades, però amb els resultats extrets que han de ser processats per màquines més que per humans. Es divideix en dues grans categories: aprenentatge tutelat i no supervisat.
L’aprenentatge automàtic supervisat implica la inferència d’operacions predeterminades mitjançant dades de formació etiquetades. És a dir, els programes (humans) coneixen amb anterioritat els resultats supervisats, però el sistema que en dedueix els resultats està format per "aprendre". Per contra, l’aprenentatge de màquines no supervisades, atreu inferències de dades d’entrada no etiquetades, sovint com un mitjà per detectar patrons desconeguts.
L’aprenentatge profund és únic per la seva capacitat d’entrenar-se mitjançant algoritmes jeràrquics, en contraposició als algorismes lineals de l’aprenentatge automàtic. Les jerarquies d’aprenentatge profund són cada cop més complexes i abstractes a mesura que es desenvolupen (o “aprenen”) i no es basen en una lògica supervisada. En poques paraules, l’aprenentatge profund és una forma molt avançada, precisa i automatitzada d’aprenentatge automàtic i està a l’avantguarda de la tecnologia d’intel·ligència artificial.
Aplicacions empresarials d'aprenentatge profund
L’aprenentatge automàtic ja s’utilitza habitualment en diverses indústries diferents. Els mitjans socials, per exemple, l'utilitzen per curar els feeds de contingut de les línies de temps dels usuaris. Google Brain va ser fundada fa diversos anys amb la intenció de produir aprenentatges profunds a la gamma de serveis de Google a mesura que evoluciona la tecnologia.
Amb un focus en l’analítica predictiu, el camp del màrqueting s’inverteix especialment en innovació d'aprenentatge profund. I atès que l’acumulació de dades és el que impulsa la tecnologia, indústries com les vendes i el suport al client (que ja contenen una gran quantitat de dades de clients riques i diverses) es posicionen de forma única per adoptar-lo al nivell de terra.
L’adaptació primerenca a l’aprenentatge profund podria molt bé ser el factor determinant en la quantitat de sectors específics que es beneficien de la tecnologia, especialment en les seves primeres fases. No obstant això, alguns punts de dolor específics impedeixen que moltes empreses es vagin endinsant en la inversió en tecnologia d'aprenentatge profund.
Els V de Big Data i Aprenentatge Profund
El 2001, un analista del grup META (ara Gartner) amb el nom de Doug Laney va exposar el que els investigadors van percebre com els tres principals reptes del big data: volum, varietat i velocitat. Al llarg d’una dècada i mitja després, el ràpid augment dels punts d’accés a Internet (degut en gran mesura a la proliferació de dispositius mòbils i l’augment de la tecnologia IoT) ha posat aquestes qüestions al capdavant tant per a les grans empreses de tecnologia com per a les empreses més petites. i startups per igual. (Per obtenir més informació sobre les tres versions més vistes, vegeu el repte actual de Big Data que es deriva de la varietat, no el volum o la velocitat.)
Sense errors, sense estrès: la vostra guia pas a pas per crear programes que canvien la vida sense destruir la vida
No podeu millorar les vostres habilitats de programació quan ningú es preocupa per la qualitat del programari.
Les estadístiques recents sobre l’ús global de dades són impressionants. Els estudis indiquen que aproximadament el 90 per cent de totes les dades del món només es van crear durant els darrers dos anys. Segons el pressupost, el trànsit mòbil a tot el món va ascendir a aproximadament set exabytes al mes durant el 2016, i es preveu que aquest nombre augmentarà en prop de set vegades durant la propera mitja dècada.
Més enllà del volum, la varietat (la diversitat que augmenta ràpidament en tipus de dades a mesura que evoluciona i s’expandeix un nou suport) i la velocitat (la velocitat amb què s’envia el suport electrònic als centres de dades i centres de dades) també són factors principals per a la adaptació de les empreses al camp en expansió. d’aprenentatge profund. I per expandir-se en el dispositiu mnemotècnic, s'han afegit diverses paraules en v a la llista dels punts de dolor de grans dades dels darrers anys, inclosos:
- Validesa: la mesura de la precisió de les dades d’entrada en sistemes de dades grans. Les dades no vàlides que no es detecten poden causar problemes importants, així com reaccions en cadena en entorns d'aprenentatge de màquines.
- Vulnerabilitat: les dades grans evoca de forma natural preocupacions de seguretat, simplement per la seva escala. I tot i que hi ha un gran potencial en sistemes de seguretat habilitats per l'aprenentatge automàtic, els sistemes que es troben en les seves actualitzacions són notables per la seva manca d'eficiència, sobretot per la seva tendència a generar falses alarmes.
- Valor: demostrar el valor potencial de dades grans (en negocis o en altres llocs) pot ser un repte important per diverses raons. Si algun dels altres punts de dolor d'aquesta llista no es pot abordar eficaçment, de fet podrien afegir valor negatiu a qualsevol sistema o organització, potser fins i tot amb efectes catastròfics.
Altres punts al·lutius al dolor que s’han afegit a la llista inclouen variabilitat, veracitat, volatilitat i visualització: tots presenten els seus propis conjunts de reptes únics als sistemes de dades grans. I encara es pot afegir més, ja que la llista existent (probablement) es va bloquejant amb el pas del temps. Tot i que pot semblar una mica confiat per a alguns, la llista mnemònica “v” inclou temes seriosos davant els grans dades que tenen un paper important en el futur dels aprenentatges profunds.
El dilema de la caixa negra
Una de les característiques més atractives de l’aprenentatge profund i de la intel·ligència artificial és que ambdós estan pensats per resoldre problemes que els humans no poden. Els mateixos fenòmens que suposa que permeten, però, també presenta un interessant dilema, que es presenta en la forma del que es coneix com a "caixa negra".
La xarxa neuronal creada a través del procés d’aprenentatge profund és tan vasta i tan complexa que les seves funcions intrincades són essencialment inscriptibles per a l’observació humana. Els científics i els enginyers de dades poden tenir una comprensió completa del que entra en els sistemes d'aprenentatge profund, però la forma en què arriben a les seves decisions de resultats amb més freqüència que no és del tot inexplicable.
Tot i que això no pot ser un problema significatiu per als venedors o venedors (depenent del que venen o venen), altres indústries requereixen una certa validació i raonament dels processos per tal de treure’n un ús dels resultats. Una empresa de serveis financers, per exemple, pot utilitzar l'aprenentatge profund per establir un mecanisme de puntuació de crèdit altament eficient. Però les puntuacions de crèdit sovint han d’explicar una mena d’explicació verbal o escrita, que seria difícil de formar si l’equació de puntuació de crèdit real sigui totalment opaca i inexplicable.
Aquest problema s'estén també a molts altres sectors, especialment en l'àmbit de la seguretat i la salut. La medicina i el transport tant podrien beneficiar-se de maneres principals de l'aprenentatge profund, però també poden enfrontar-se a un obstacle important en forma de la caixa negra. Qualsevol resultat que resulti en aquests camps, per molt que sigui beneficiós, es podria descartar completament a causa de l'obscuritat completa dels algoritmes subjacents. Això ens porta al punt de dolor més controvertit de tots ells ...
Reglament
A la primavera de 2016, la Unió Europea va aprovar el Reglament general de protecció de dades (GDPR), que (entre altres coses) atorga als ciutadans el “dret a una explicació” per a les decisions automatitzades generades pels sistemes d’aprenentatge de màquines que “els afecten significativament”. Està previst que aquest efecte tingui efecte el 2018 i està preocupat per les empreses tecnològiques que s’inverteixen en un aprenentatge profund a causa de la seva impenetrable caixa negra, cosa que en molts casos obstruiria l’explicació exigida pel GDPR.
La “presa de decisions individualitzada automatitzada” que pretén restringir el GDPR és una característica essencial de l’aprenentatge profund. Però les preocupacions sobre aquesta tecnologia són inevitables (i en gran mesura vàlides) quan el potencial de discriminació és tan elevat i la transparència tan baixa. Als Estats Units, l’Administració d’aliments i drogues regula de forma similar la prova i la comercialització de medicaments, exigint que aquests processos siguin audibles. Això ha presentat obstacles per a la indústria farmacèutica, com ha estat el cas de la companyia de biotecnologia Biogen amb seu a Massachusetts, que s’ha impedit utilitzar mètodes d’aprenentatge profund i ininterpretables a causa de la regla de la FDA.
Les implicacions de l'aprenentatge profund (moral, pràctic i fora) són sense precedents i, francament, força profundes. Una gran quantitat d'aprensió envolta la tecnologia deguda, en gran part, a la combinació del seu potencial disruptiu i de la seva lògica i funcionalitat opaques.Si les empreses poden demostrar l’existència d’un valor tangible en un aprenentatge profund que supera les amenaces o perills concebuts, ens podrien ajudar a conduir-nos a la següent fase crítica de la intel·ligència artificial.