Это мой третий пост из серии об искусственном интеллекте и больших данных. Недавно защитив докторскую диссертацию по этой теме, я планирую затронуть несколько спорных тем, связанных с ИИ и работой, которую я выполняю по внедрению этой технологии для компаний. Не волнуйтесь, никакие NDA не нарушаются, и никакие секреты компании не просачиваются через эти сообщения.
Эта статья посвящена неопределенности. Речь идет о признании и принятии страха перед лицом доминирования машинного обучения над технологическими компаниями.
Что мы знаем ‹Чего мы не знаем
пессимист говорит: «все ужасно, хуже не может быть», а оптимист говорит: «да, может». (Западное крыло S05E21)
Я оптимист по поводу пессимизма. Я должен быть. Большинство стартапов терпят неудачу. В Канаде у нас есть крылатая фраза для "обычных" компаний: малые и средние предприятия (МСП). На этих малых и средних предприятиях обычно работает менее 100 сотрудников. Lean stage gate и другие отказоустойчивые методики уже стали проблемой для этих малых и средних предприятий, пытающихся выжить. Уже было достаточно того, чего нужно было бояться, когда мы решались начать или развивать небольшой технологический бизнес. Например, получить доступ к начальному финансированию непросто. Добавление машинного обучения (ML) к этому миксу действительно нарушает планы многих компаний на ранней стадии, которым теперь необходимо знать об искусственном интеллекте в дополнение к стандартному рецепту выпечки торта для успеха (облако, SaaS, REST и т. Д.)
Не говоря уже о понимании того, как это работает, многие из этих малых и средних предприятий просто не понимают, для чего полезно машинное обучение, в то время как их заинтересованные стороны требуют знать, как они будут защищаться от надвигающейся армии машин искусственного интеллекта.
Притворяться, что у нас есть сила, помогает нам чувствовать себя в безопасности. Это слабительное. Но из-за нападения ИИ ситуация для малых и средних предприятий станет тяжелой. Давайте поговорим о том, с чем сталкиваются эти компании в двухлетнем временном горизонте.
Цунами достигает берега
Спрос на услуги машинного обучения намного превышает предложение, и большинство покупателей услуг машинного обучения плохо понимают, где лучше всего применять машинное обучение в организации. В ближайшие годы будет много созидательного разрушения и приобретений со стороны технологических гигантов для защиты своей олигополии. Мне нравится термин FANG, который используют рыночные аналитики, говоря о некоторых из этих гигантов (Facebook, Amazon, Netflix, Google). Если у вас типичная фирма из 100 человек, динамика не в вашу пользу. Трудно найти высококвалифицированных специалистов по обработке данных, поскольку их массово вытесняют либо стартапы, обещающие большой капитал, либо крупные гиганты, предлагающие тачки денег. Здесь вы сидите, застряв посередине, с несколькими хорошими вариантами для вашего малого и среднего бизнеса. Конечно, через 2 года ситуация стабилизируется. Другие специалисты по обработке данных и инженеры спешат восполнить этот пробел прямо сейчас и в какой-то момент подключатся к сети… Но как насчет сейчас?
Существует пагубный расчет жадности и страха даже для таких консультантов, как я, которые приходят в компании, чтобы восполнить этот пробел в ресурсах. Закон спроса и предложения означает, что сочетание низкого предложения и высокого спроса приводит к росту цен, поэтому консультанты также предпочитают работать с хорошо зарекомендовавшими себя компаниями или финансируемыми стартапами. Академия предлагает немного отсрочки для малого и среднего бизнеса. Компании напрямую обращаются в университеты, чтобы нанять талантливых специалистов, а работа с университетом над разработкой, не связанной с исследованиями, не сулит ничего хорошего для проекта. Университетские проекты могут длиться дольше, чем ожидалось, и не дают никаких гарантий успеха. Если проект провалится, деньги не вернут. Студенты приходят и уходят. Всякое случается.
Взяв точки зрения компаний и работников, давайте посмотрим на технологическую сторону вещей. Неопределенность поражает и мир математического машинного обучения. Возможно, вы не заметили чего-то странного в том, как машинное обучение кодирует неопределенность. Взгляните на следующее изображение из превосходного блога pyimagesearch Адриана Роузброка.
Здесь что-то не так. Что-то не так. Вы еще это видите? Если вы ученый или регулярно сталкиваетесь с неопределенностью, вы заметите, что прогнозы являются скалярными. Нет планок погрешностей. Поэтому прогнозы вроде Я вижу футбольный мяч с вероятностью 93% становятся абсурдными в применении к реальной жизни. Например, является ли прогноз Вероятность дождя 99% менее достоверным, если вы узнаете, что реальная вероятность дождя составляет Вероятность дождя 99 ± 25% или, может быть, это была Вероятность дождя 99 ± 1%? Однако это еще не все плохие новости. Ярин Галь и другие сделали несколько захватывающих работ по устранению этой проблемы в машинном обучении. Смотрите подробнее здесь.
Заключение
Неопределенность - это порядок дня. Это никуда не денется. Он здесь, чтобы остаться. Компании, люди и даже модели машинного обучения должны лучше оценивать, терпеть и планировать неопределенность, поскольку все мы привыкаем к повсеместному внедрению машинного обучения.
Удачи всем нам!
-Даниэль
[email protected] ← Передай привет.
Lemay.ai
1 (855) LEMAY-AI
Другие статьи, которые могут вам понравиться:
