Jūs varētu kļūt par AI meistaru, pirms to zināt. Lūk, kā.

Džejs Daniels Raits

Sākumā Skots Bārtons varētu nešķist AI pionieris. Viņš nebūvē pašbraucošas automašīnas un nemāca datorus, lai dauzītos ar cilvēkiem datorspēlēs. Taču, pildot savas funkcijas uzņēmumā Farmers Insurance, viņš meklē tehnoloģijas.

Bārtons vada komandu, kas analizē datus, lai atbildētu uz jautājumiem par klientu uzvedību un dažādu politiku izstrādi. Viņa grupa tagad izmanto visa veida progresīvas mašīnmācības metodes, sākot no dziļiem neironu tīkliem līdz lēmumu kokiem. Taču Bārtons nenoalgoja mākslīgā intelekta burvju armiju, lai tas būtu iespējams. Viņa komanda izmanto platformu ar nosaukumu DataRobot , kas automatizē daudz sarežģītu darbu, kas saistīts ar šādu paņēmienu piemērošanu.

Apdrošināšanas kompānijas darbs ar DataRobot liecina par to, kā mākslīgajam intelektam nākamajos gados varētu būt jāattīstās, ja tas vēlas realizēt savu milzīgo potenciālu. Papildus iespaidīgajām demonstrācijām, piemēram, DeepMind spēļu programmatūrai AlphaGo, mākslīgais intelekts spēj mainīt visas nozares un padarīt visu veidu uzņēmumus efektīvākus un produktīvākus. Tas savukārt varētu palīdzēt atjaunot ekonomiku, palielinot kopējo produktivitāti. Bet, lai tas notiktu, tehnoloģijai būs jākļūst daudz vieglāk lietojamai.

Saistīts stāsts

Saistīts stāsts Rietumiem nevajadzētu baidīties no Ķīnas mākslīgā intelekta revolūcijas. Tam vajadzētu to kopēt.

Problēma ir tā, ka daudzas darbības, kas saistītas ar esošo AI metožu izmantošanu, pašlaik prasa ievērojamas zināšanas. Un tas nav tik vienkārši, kā izveidot lietotājam draudzīgāku saskarni, jo inženieriem bieži ir jāpiemēro spriedums un zināšanas, izstrādājot un pielāgojot savu kodu.

Taču AI pētnieki un uzņēmumi tagad cenšas to risināt, būtībā pārvēršot tehnoloģiju pašam par sevi, izmantojot mašīnmācīšanos, lai automatizētu sarežģītākos AI algoritmu izstrādes aspektus. Daži eksperti pat veido līdzvērtīgas ar AI darbināmām operētājsistēmām, kas izstrādātas, lai tehnoloģiju lietojumprogrammas padarītu tikpat pieejamas kā Microsoft Excel šodien.

DataRobot ir solis šajā virzienā. Jūs ievadāt neapstrādātus datus, un platforma tos automātiski notīra un pārformatē. Pēc tam tas vienlaikus palaiž desmitiem dažādu algoritmu pret to, sarindojot to veiktspēju. Bārtons vispirms mēģināja izmantot platformu, ievadot virkni apdrošināšanas datu, lai noskaidrotu, vai tā var paredzēt konkrētu dolāra vērtību. Salīdzinot ar standarta, manuāli veidotu statistikas pieeju, atlasītajam modelim bija par 20 procentiem zemāks kļūdu līmenis. Izņemts no kastes, nospiežot vienu pogu; tas ir diezgan iespaidīgi, viņš saka.

AI prasmju trūkums

AI piemērošanas realitāte tika atklāta ziņojumā šī gada jūnijā publicēja konsultāciju kompānija McKinsey. Šajā ziņojumā secināts, ka mākslīgais intelekts, jo īpaši mašīnmācība, var pārskatīt lielās nozares, tostarp ražošanu, finanses un veselības aprūpi, potenciāli palielinot ASV ekonomiku līdz 2025. gadam par 126 miljardiem ASV dolāru. Taču ziņojumā ir viens liels brīdinājums: kritisks talantu trūkums. .

Noteikti ir nepieciešams liels impulss, lai pēc iespējas vairāk cilvēku apmācītu lietot AI (skatiet Endrjū Nga nākamo triku: Miljona AI ekspertu apmācība). Bet tas prasīs laiku, un ne visi var kļūt par AI meistaru. Labākais veids, kā palielināt jebkuras tehnoloģijas ietekmi, ir padarīt to pēc iespējas pieejamāku. Tikai tad AI sāks iezagties parastajos birojos un darba vietās. Dažos no šiem iestatījumiem DataRobot jau tiek izmantots.

Džejs Daniels Raits

Vēlā pēcpusdienā DataRobot birojs Bostonas finanšu rajonā ir pamests, ja neskaita nedaudzi inženieri, kas strādā ap lielu displeju. Uzņēmuma risinājums noteikti šķiet iespaidīgs, kad Džonatans Dālbergs, viens no konsultantiem, man sniedz demonstrāciju. Viņš ielādē publisku aizdevuma pieteikumu un maksājumu datu kopu un pēc tam liek sistēmai izstrādāt virkni modeļu, lai noskaidrotu, vai pastāv kādi modeļi, kāpēc cilvēki nepilda saistības.

Dažu sekunžu laikā ekrānā parādās desmitiem konkurējošu algoritmu; augšpusē ir salīdzinoši neseksīga, bet plaši izmantota gradienta palielināšanas tehnika XGBoost . Tas ātri parāda, ka pieteikuma iesniedzēja ienākumi ir īpaši svarīgi, taču tas ir arī iemesls, kāpēc viņi vēlas saņemt aizdevumu. Izrādās, ka īpaši slikta likme ir cilvēki, kuri savā pieteikumā min uzņēmējdarbības uzsākšanu.

Dahlberg saka, ka DataRobot varētu atbilst patiesi laba datu zinātnieka zināšanām vai prasmēm, taču tas var piedāvāt plašāku skatījumu. Cilvēks var pārāk lielā mērā paļauties uz noteiktu tehniku, un DataRobot varētu automātiski atklāt principiāli labāku pieeju. Lietotājs joprojām var manuāli modificēt pamatā esošo algoritmu, izmantojot programmēšanas valodas Python vai R. Bez rūpīgas pārbaudes ir grūti noteikt, cik labi sistēma automatizē dažus sarežģītākos datu zinātnes aspektus, piemēram, datu tīrīšanu un funkciju. inženierzinātnes, taču šķiet, ka tas parūpējas par pārsteidzoši daudz.

Uzņēmuma izpilddirektors Džeremijs Ačins pēc noskatīšanās guva iedvesmu dibināt uzņēmumu Sociālais tīkls , kā viņš mazliet bailīgi atzīst, kad tiekamies iedzert kafiju netālu no MIT. Taču ideja par DataRobot viņam radās, piedaloties datu zinātnes konkursos pūļa pakalpojumu platformā Kaggle, kuru Google iegādājās šī gada sākumā. Kaggle piedāvā balvas par algoritmu, kas vislabāk veic konkrētas prognozes no lielas datu kopas. Šis uzdevums parasti ietver mašīnmācības algoritma izstrādi, kas barojas ar datiem. Būdams viens no labākajiem agrīnajiem Kaggle dalībniekiem, Ačins saprata, ka viņš jau automatizē daudzus katrā konkursā iesaistītos posmus. Es domāju, ka, ja mēs apkopotu pietiekami daudz datu kopu, pietiekami daudz problēmu un veiktu pietiekami daudz eksperimentu, mēs varētu veikt mašīnmācīšanos, izmantojot mašīnmācīšanos. Tā bija sākotnējā ideja, viņš saka.

Ideja nepārprotami rezonēja investoru vidū. DataRobot, kas tika uzsākta 2012. gadā, ir piesaistījis vairāk nekā 100 miljonus ASV dolāru, tostarp 54 miljonus ASV dolāru šā gada martā, aptuveni tajā pašā laikā, kad tika iegūta Kaggle. Uzņēmums saka, ka tam jau ir vairāk nekā 100 klientu. Ačins saka, ka šī koncepcija ir daudz mazāk populāra daudzu datu zinātnieku vidū, kuri vai nu uzskata, ka viņu prasmes nevar automatizēt, vai arī uztraucas, ka tādas būs. Taču viņš uzskata, ka lielākajai daļai uzņēmumu nebūs citas iespējas, ja viņi vēlas izmantot AI. Viņš saka, ka man ir vienalga, cik cilvēku LinkedIn maina savu titulu uz “datu zinātnieks”. Jūs nepārvietosit adatu.

Pašmācības sistēmas

Datu zinātnieku trūkums daudzus citus iedvesmo strādāt pie mašīnmācības automatizēšanas. Arvien vairāk pētījumu tiek parādīti par tā metožu izmantošanu, lai automatizētu arvien vairāk AI aspektu.

Viens no pasaulē lielākajiem AI spēlētājiem Google arī pievērš uzmanību šai idejai. Google ir ieguldījis milzīgas summas, lai izstrādātu jaudīgus AI algoritmus un ieviestu tos savos pakalpojumos. Taču uzņēmums arī vēlas saviem mākoņpakalpojumiem pievienot vairāk AI. Un, pārsniedzot vienkāršus attēlu vai teksta klasifikācijas rīkus, tiks automatizēts vairāk darba, kas saistīts ar mašīnmācīšanās modeļu apmācību.

Džejs Daniels Raits

Mērķis ir padarīt šo tehnoloģiju pieejamāku, saka Džons Džannandrea, skotu datorinženieris, kurš vada Google AI centienus. Tātad ikviens varētu pateikt “Izveido man paredzamo modeli”, un tas izslēdzas un izdara to.

Šī gada sākumā uzņēmums paziņoja par ievērojamu progresu šī mērķa sasniegšanā, demonstrējot eksperimentālu veidu, kā automatizēt dziļās mācīšanās neironu tīklu noregulēšanas procesu (skatiet AI programmatūra mācās izveidot AI programmatūru). Šie, iespējams, ir visjaudīgākie mašīnmācības algoritmi, un tie ir ievērojami uzlabojuši attēla un balss atpazīšanas tehnoloģiju. Bet tos ir arī ļoti grūti izstrādāt. Giannandrea saka, ka šis darbs tagad dod ļoti daudzsološus rezultātus, dažos gadījumos tas atbilst ar rokām izstrādāto sistēmu veiktspējai. Un viņš sagaida, ka Google nākamajos mēnešos izdos vairāk rezultātu.

Citiem ir vēl grandiozāks dizains. Ēriks Sjings Piemēram, Kārnegija Melona universitātes profesors izstrādā operētājsistēmu, kas veidota no dažādiem mašīnmācības komponentiem. Šajā operētājsistēmā tiek izmantota virtualizācija un mašīnmācīšanās, lai abstrahētu lielu daļu sarežģītības AI projektēšanā un apmācībā. Tajā pat ir grafisks lietotāja interfeiss, ko var izmantot, lai apmācītu mašīnmācības modeli par noteiktu datu kopu.

Sjins ieguva izglītību Ķīnā un studēja UC Berkeley kopā ar Endrjū Ng, kurš tagad ir plaši pazīstams AI pasaulē. Viņš ir ļoti pieklājīgs un pārsteidzoši nejaušs, vēlas no jauna izgudrot veidu, kā cilvēki lieto datoru. Ksings paredz, ka viņa AI OS kļūst tikpat viegli lietojama kā Microsoft izklājlapu pakotne Excel. Viņš saka, ka šī ir galvenā problēma visā AI. Šķērslis ienākšanai ir pārāk augsts.

Xing ir izveidojis uzņēmumu, Petuum , lai izstrādātu operētājsistēmu, un tas jau ir izveidojis virkni rīku, kuru mērķis ir mašīnmācīšanos ieviest medicīnā. Ārsti vēlas saskarni un medicīniskos ierakstus, attēlus — katram ir nepieciešama atšķirīga mašīnmācīšanās pieeja, viņš saka. Petuum arī gatavojas atbrīvot savu platformu.

Petuum operētājsistēma un citi AI automatizācijas rīki saskarsies ar dažām unikālām problēmām. Jau pastāv bažas par to, ka mašīnmācības algoritmi netīši absorbē novirzes no apmācības datiem, un daži modeļi vienkārši ir pārāk necaurredzami, lai tos rūpīgi pārbaudītu (skatiet The Dark Secret at the Heart of AI ). Ja AI kļūs daudz vieglāk lietojams, iespējams, šīs problēmas varētu kļūt izplatītākas un iesakņojušās.

Lai patiešām labi veiktu mašīnmācīšanos, jums ir nepieciešams doktora grāds un aptuveni piecu gadu pieredze, saka Bagātā Karuāna , Microsoft vecākais pētnieks, kurš ar datu zinātni nodarbojas aptuveni 20 gadus. Ir daudz kļūmju. Vai jūsu algoritms beidzas pēc sešiem mēnešiem, un vai tas ir interpretējams?

Karuana uzskata, ka vajadzētu būt iespējai automatizēt dažus soļus, kas datu zinātniekam jāveic, lai izvairītos no šādām problēmām — kaut kas līdzīgs pilota pirmslidojuma kontrolsarakstam. Taču viņš brīdina pārāk neuzticēties sistēmām, kas sola visu automatizēt. Es zinu, viņš saka, jo pa ceļam esmu iedūris kāju pirkstu.

paslēpties