В течение последних двадцати лет, пока мы учились учиться друг у друга - и замечательно справлялись с этим, мы также узнали кое-что более фундаментальное.
Мы учимся учиться.
Это кажется очевидным, в конце концов, мы все постоянно учимся. Это то, что делают люди, верно?
Но это гораздо более тонкое дело. Мы знаем, что учимся, но на самом деле мы абсолютно точно знали, как мы учимся.
Мы не понимали этого, пока не попытались научить компьютеры чему-либо.
Пятьдесят лет назад идея «искусственного интеллекта» казалась не столько несбыточной мечтой - среди тех, кто был в курсе, - чем чем-то, что мы полностью разработали за несколько лет. У нас были быстрые компьютеры и талантливые специалисты по информатике, и, конечно же, мы бы в кратчайшие сроки все это запустили.
По иронии судьбы, достойной лучшей научной фантастики, только когда мы попытались заставить компьютер учиться, мы обнаружили, как мало мы понимаем, как мы учимся.
Мы потратили большую часть последних пятидесяти лет, пытаясь «обучить» компьютер, используя те же методы, которые мы используем в классе. Это вообще не сработало.
Задолго до того, как мы попадаем в класс, мы - губки, впитывая каждый опыт, который мы можем найти, учимся у них. Нет класса, нет учителя, только восприимчивый, энергичный ум.
Маленькие дети на самом деле являются самыми преданными учеными, проводят эксперименты, проверяют гипотезы, открывают законы мира.
Мы знаем это уже сто лет, но лишь несколько лет назад мы применили этот процесс к машинам.
Еще несколько лет назад компьютеры не были достаточно маленькими или быстрыми, чтобы хорошо обучаться в таком виде. Но за последние двадцать лет компьютеры выросли в среднем в тысячу раз быстрее, поэтому у нас есть компьютеры, которые теперь достаточно быстры, чтобы учиться аналогично тому, как мы учимся.
Давайте рассмотрим два примера - оба австралийских технологических стартапов.
Первый из них, сиднейский Premonition, предлагает очень простое ценностное предложение: они повышают эффективность автопарка.
Premonition может это сделать, потому что у каждого транспортного средства в парке есть водитель со смартфоном, и этот смартфон подключен к очень быстрой мобильной широкополосной сети, которая передает непрерывный поток информации о местоположении в Premonition.
Premonition узнает, где находится каждое транспортное средство, в реальном времени изучает движение и погодные условия, изучает предлагаемое расписание автопарка, а затем дает рекомендации, которые оптимизируют маршрут для каждого транспортного средства - по крайней мере, теоретически.
Оптимизация маршрута - это широко известная сложная задача, известная в математике как «задача коммивояжера». Добавьте сюда все дополнительные сложности, связанные с реальным миром, данными в реальном времени и изменениями маршрутов в реальном времени, и это станет очень сложной проблемой.
Поэтому Premonition построила систему машинного обучения, которая прослушивает всю эту информацию и дает рекомендации. Но это только начало. Предчувствие дает рекомендацию, а затем выслушивает ее результат. Это была хорошая рекомендация? Это было плохо? Предчувствие возвращает результаты своих рекомендаций - оно учится на своих успехах и ошибках.
Это ключевой момент: этот постоянный процесс оптимизации и улучшения означает, что фирмы, использующие услуги Premonition, видят снижение эксплуатационных расходов автопарка на десять или пятнадцать процентов - просто за счет обмена своими данными с Premonition. Этого не происходит в первый же день, но по мере того, как Premonition узнает, по мере того, как он становится более умным в отношении рекомендаций, которые он дает, эти рекомендации улучшаются, как и эффективность работы.
Premonition отражает суть пересечения машинного обучения и бизнеса 21 века. Он легко вставляется, слушает, учится и совершенствуется.
Достаточно удивительно, когда он делает это для такой прозаической вещи, как автопарк. Но другой стартап - Maxwell MRI - ведет это в еще более интересном направлении.
Maxwell MRI привносит машинное обучение в медицинскую радиологию, создавая систему, которая обеспечит раннее и надежное обнаружение рака простаты. Это большое дело, потому что рак простаты на ранней стадии часто трудно обнаружить, и если он агрессивен, как это бывает у молодых людей, он может быстро привести к фатальному диагнозу.
Благодаря тысячам историй болезни и сканированию, Maxwell MRI научился определять симптомы рака простаты, выполняя работу, которую радиологи находят трудной - а зачастую и невозможной. МРТ Максвелла заполняет передний край более ранних диагнозов и более раннего лечения, которые должны привести к гораздо лучшим результатам, выявляя рак до того, как он станет смертельным.
Следует ли радиологу угрожать МРТ Максвелла? Мы регулярно читаем о том, как эти умные машины оставят нас всех без работы, но если вы посмотрите, как работает МРТ Maxwell - и как работает Premonition, - вы увидите, что она прекрасно вписывается в рабочий процесс организации. МРТ Максвелла помогает рентгенологам лучше выполнять свою работу, но не заменяет их.
Это также означает, что в регионах, где доступ к высококвалифицированным радиологам ограничен, например, в Австралии, МРТ Maxwell обеспечивает диагностические возможности, которых в противном случае просто не было бы. Это увеличивает эффективность радиологов.
Когда IBM приехала в Австралию в 2014 году, рекламируя свой Watson for Oncology - который делает нечто подобное - они очень осторожно подчеркивали, что их продукт не заменит онкологов, а скорее станет тихим голосом в ухе онколога. предлагая наилучший совет для достижения наилучших возможных результатов.
Иногда это работает лучше, чем кто-либо предсказывал: Watson for Oncology недавно диагностировал рак, ставший в тупик каждого онколога в Японии - потому что у него было гораздо больше знаний, на которые можно было опираться, десятки тысяч историй пациентов, намного больше, чем любой практикующий когда-либо мог бы увидеть. .
Трудно представить себе, что через десять лет в любой крупной организации не будет нескольких систем машинного обучения, которые помогут этой организации выжить и процветать.
Здесь все становится очень интересным и разрушительным. Машинное обучение - это не улица с односторонним движением. Он не будет принадлежать только организациям. Эти системы будут у частных лиц.
Почти двадцать лет назад Ферби стала самой популярной игрушкой в мире. Дети любили Ферби, потому что казалось, что он учится и растет, когда они с ним играют. В 1998 году это был немногим больше, чем умный театр.
Сегодня мы регулярно общаемся с Apple Siri, Amazon Alexa и Google Assistant. Все эти разговоры питают гигантские системы машинного обучения, которые помогают этим системам лучше понимать то, что мы им говорим.
В течение следующих нескольких лет мы увидим, что обучение станет более конкретным и более ориентированным на наши собственные индивидуальные потребности.
В конце концов, если Premonition может использовать машинное обучение для повышения эффективности автопарка, а Maxwell MRI может использовать машинное обучение для повышения точности диагноза, почему бы нам не использовать машинное обучение, чтобы улучшить качество наших жизней или наша способность зарабатывать на жизнь?
Мы собираемся использовать машинное обучение, чтобы помочь нам воспользоваться открывающимися возможностями.
Это очень быстро приводит к некоторым интересным тропам, потому что мир, в который мы идем, имеет множество систем машинного обучения в организациях, которые скоро начнут взаимодействовать с множеством систем машинного обучения, используемых отдельными людьми. Все эти системы начнут учиться друг у друга.
Когда Premonition и ваша личная система машинного обучения решат, как сотрудничать, чтобы вы могли достичь своих целей, это будет совсем другой мир. Этот мир становится очень умным, очень быстро.
Такой переход, который мы только что прошли с World Wide Web - где мы стали очень умными, очень быстрыми, потому что мы все делимся тем, что знаем, - вот-вот произойдет снова, но на этот раз с машинным обучением.
Это будут мы и то, что мы знаем, и машины, и то, что они знают, - все будут разговаривать друг с другом во всех мыслимых направлениях, которые имеют смысл.
Мы будем руководствоваться этим миром с помощью всего этого интеллекта - некоторые из них наши, некоторые из них, некоторые из машин. Сегодня это звучит для нас очень странно, но я считаю, что это только потому, что это очень новая идея, и мы не имеем полного представления о том, как выглядит этот мир.
Но вы можете вообразить его как действительно хорошего друга или доверенного лица, который постоянно подкармливает вас небольшими лакомствами, которые всегда помогают вам извлечь максимум из любой ситуации.
Через некоторое время с чем-то подобным нам было бы трудно представить, как мы вообще сможем жить без этого.
Примерно так же мы относимся к своим смартфонам всего через десять лет после выпуска iPhone.
Такое постоянное улучшение возможностей - вот настоящая революция. Это изменение, которое меняет все. И это то, к чему организациям нужно готовиться и к чему стремиться.
Мы уже добились честного пути. У нас уже есть эта огромная структура для обмена и обучения, хотя мы в основном используем ее для отслеживания нашей социальной жизни. Но совместное использование имеет большее значение, чем Facebook, а факты имеют больше применений, чем Википедия.
Нам нужно научиться делиться, и мы должны сделать это сегодня, потому что это ключ, который открывает все остальное. Если у вас возникли проблемы с этим самостоятельно, поработайте с другими компаниями, специализирующимися на цифровой трансформации. В основе цифровой трансформации лежит умение делиться.
Подумайте, как работать с клиентами, которые постоянно становятся умнее и способнее, которые так же стремятся делиться, учиться и использовать инструменты обмена и обучения.
Оставайтесь на одном месте слишком долго, и вы обнаружите, что ваши клиенты устремились впереди вас - в объятия другого бизнеса.
И примите тот факт, что это более разумное будущее сопряжено с некоторой неопределенностью.
Мы только недавно узнали, что мы можем получить системы машинного обучения, которые отлично справляются с определенными задачами - постановкой диагнозов, планированием поставок и т. Д. - но не могут сказать нам, почему они приняли такое решение. .
Это похоже на то, как если бы эти системы машинного обучения стали настолько «человечными», что работают на интуитивном уровне. Мы правы, что немного подозрительно оберегаем это, но было бы глупо отвергать это только на этом основании. В некотором смысле более умный мир для нас слишком умен. Многие вещи будут «просто работать», но пройдет некоторое время, прежде чем мы поймем, почему они работают.
Это немного жутко, почти волшебно. Итак, позвольте мне завершить историю, которая подводит итог всему этому:
На недавней выставке Consumer Electronics Show я увидел Audi, которая была оснащена очень мощной системой машинного обучения - она умещалась на печатной плате примерно такого же размера, как iPad.
Затем этот автомобиль был запрограммирован на обучение у человека-водителя, который вел машину 48 часов в течение недели. По истечении этих 48 часов машина научилась водить машину.
Ехал ли он идеально? Возможно нет. Но он определенно был достаточно стабильным, чтобы Audi не стеснялась водить людей на автомобиле, который научился водить сама.
Этот автомобиль был стратегически расположен прямо напротив входа на выставку, что являлось указателем в будущее, которое Audi обещает обеспечить менее чем через четыре года.
Вот насколько хорошо мы учимся и насколько хорошо мы создаем вещи, которые учатся. И мы только начинаем.
