Indhold
- Myte 1: Maskinlæring og kunstig intelligens er den samme.
- Myte 2: Maskinlæring kan ikke kontrolleres.
- Myte 3: Maskinlæring vil ødelægge job.
- Ingen fejl, ingen stress - Din trinvis vejledning til oprettelse af livsændrende software uden at ødelægge dit liv
- Myte 4: Maskinlæring er faktisk læring.
Kilde: agsandrew / iStockphoto
Tag væk:
Maskinindlæring er ved at infiltrere techverdenen. Men inden vi kan måle, om det vil føre til et digitalt paradis eller techno-tyranni, må vi forstå, hvad det kan og ikke kan gøre.
Maskinlæring (ML) vil enten være en velsignelse eller en bane for virksomheden, afhængigt af hvem du snakker med. På den ene side vil det bringe en bred vifte af nye kapaciteter til digitale processer - alt fra automatiserede arbejdsgange til selvstyrende infrastruktur. På den anden side vil det fortrænge job og lade organisationer maktesløse til at foretage korrektioner, når ting går galt.
Sandheden er sandsynligvis et sted mellem disse to ytterpunkter, men for virkelig at få et greb om, hvad ML kan og ikke kan gøre, er det nødvendigt at fjerne nogle af de myter, der er vokset op omkring teknologien. (Med så meget at tilbyde, hvorfor bruger ikke alle ML? Find ud af det i 4 vejspærringer, der stopper vedtagelsen af maskinlæring.)
Myte 1: Maskinlæring og kunstig intelligens er den samme.
Selv om det er sandt, at de begge bruger den samme grundlæggende teknologi, er AI et paraplybegrep, der omfatter en bred vifte af discipliner. Ifølge Dr. Michael J. Garbade, administrerende direktør for Education Ecosystem, omfatter AI ikke kun ML, men neuralt netværk, naturlig sprogbehandling, talegenkendelse og en række andre nye teknologier. ML skelner mellem at være i stand til at ændre sin egen kode baseret på oplevelser, ændringer i miljøet eller introduktionen af nye mål - dette er i det væsentlige det "lærende" aspekt af maskinlæring.
”Introduktionen med maskinlæring er at gøre det muligt for maskiner at lære selv at bruge de medfølgende data og foretage nøjagtige forudsigelser,” sagde han. ”Det er en metode til træning af algoritmer, så de kan lære at tage beslutninger.”
Maskinlæring er derfor den måde, hvorpå datasystemer bliver intelligente. Men da læring er en proces, bliver videnarbejdere nødt til at vænne sig til ideen om, at fremtidige teknologier ikke vil tilbyde fuld funktionalitet lige ud af kassen, men vil tvinge til en stadig mere optimeret ydelse, når tiden går.
Myte 2: Maskinlæring kan ikke kontrolleres.
Denne evne til at "lære" har naturligvis givet anledning til frygt for, at ML-drevne systemer vil begynde at træffe beslutninger og tage handlinger ud over, hvad brugerne havde til hensigt. Men historier om mordererobotter, der kører amok eller computerherrer, der udsletter irriterende mennesker, er mere science fiction end virkeligheden. Det, der har været kendt for at ske, er, at forudindtægter i de data, som ML udsættes for, kan få det til at træffe dårlige beslutninger, som det fremgår af sagen om Tay, en Microsoft-chatbot for det blev ført til tud racistiske synspunkter.
Men som IV.AI CEO Vince Lynch bemærkede om Tech Crunch for nylig, dette er ikke en mangel på kontrol, men manglende gennemførelse af de korrekte kontroller. Ved at vælge de rigtige læringsmodeller og datasæt og derefter udsætte systemet for streng kontrol, bør organisationer være i stand til sikkert at anvende ML uden katastrofale konsekvenser. Faktisk kunne korrekt implementerede ML-algoritmer advare brugerne om de iboende forudindvindinger, der findes i de fleste datasæt, hvilket fører til en mere rationel ramme for vigtige kommercielle og industrielle operationer.
Myte 3: Maskinlæring vil ødelægge job.
Mens nogle job muligvis går tabt, er det mere nøjagtigt at sige, at ML vil redesigne arbejde, ikke erstatte det, siger Tom Relihan fra MITs Sloan School of Management. For de fleste mennesker overtager ML de verdslige, kedelige opgaver, der gør arbejdet kedeligt, men ikke selve jobbet. Der er en nøgleforskel mellem snæver kunstig intelligens - det, der er designet til at passe til meget målrettede funktioner - og generel AI, der kan fungere på en stort set menneskelignende måde. Smal AI er det, vi har nu, mens den generelle sort ikke er klar i årtier, hvis overhovedet. Så uanset hvor meget bedre ML er til at gøre visse ting, vil det ikke være i stand til at erstatte mennesker helt, og vil faktisk gøre os mere produktive.
Ingen fejl, ingen stress - Din trinvis vejledning til oprettelse af livsændrende software uden at ødelægge dit liv
Du kan ikke forbedre dine programmeringsevner, når ingen er interesseret i softwarekvalitet.
Dette vil helt klart påvirke nogle erhverv mere end andre, og det vil ikke nødvendigvis være det mindre komplekse arbejde, der bliver automatiseret. Radiologer kan for eksempel se nøglefunktioner som at læse medicinske billeder, der giver plads til ML, men en massør vil sandsynligvis forblive et praktisk profession i nogen tid fremover. (Se Nye job i AI-tiden for flere oplysninger om, hvordan job vil ændre sig på grund af AI.)
Myte 4: Maskinlæring er faktisk læring.
Husk, som Dr. Garbade påpegede, ML er bare algoritmer. Faktisk menneskelig læring er langt mere mystisk, så meget, at selv verdens førende neurovidenskabsmænd ikke helt kan forklare det. Som Brookings Institutts Chris Meserole påpeger, kræver menneskelig læring erfaring og evnen til at måle sandsynligheder snarere end ren logik og fornuft, og computere er meget gode til at beregne sandsynligheder, så i denne forstand kan en maskine "lære" at tale og læse og genkende står overalt på samme måde som vi gør.
Den vigtigste forskel er dog, at en algoritme aldrig skaber spring fra enkel dataanalyse og forudsigelse til en fuldt ud realiseret forståelse af, hvad det hele betyder. Fra dens perspektiv er det hele kun tal. Så et ML-system kan scanne et billede af, for eksempel, en kat, konvertere billedet til en række af numre, der repræsenterer hvert punkt på billedet med hensyn til farve, skygge osv., Og sammenligne derefter denne sekvens med alle andre kendte sekvenser bare for at komme med en sandsynlighed for, om det er en kat eller en hund eller et næsehorn. I mellemtiden kan en tre-årig pige, der muligvis kun har set en kat i sin levetid, se på en rå linietegning i knap et sekund og med lidt beregning og praktisk talt nul energiforbrug fortælle dig med sikkerhed, at det er en kat.
Og dette er grunden til, at vi i den endelige analyse kan konkludere, at ML vil være en velsignelse for virksomheden fra administrerende direktør til arbejdstageren på entry-level. Det vil aldrig erstatte menneskelig arbejdskraft, men vil gøre det rigere og mere givende.
