Как сотрудничество между людьми и системами машинного обучения приведет к созданию следующего поколения отличных продуктов
Если вы не читали Facebook M - Тест против Тьюринга Арика Сосмана, посмотрите его - он отлично разбирается в некоторых методах, используемых Facebook, поскольку они разработать M, их ответ на Siri от Apple и Cortana от Microsoft:
Большое открытие Сосмана? M - это не совсем цифровое волшебство - по крайней мере, не полностью. Вместо того, чтобы напрямую связывать пользователей с цифровым помощником на основе машинного обучения (ML), Facebook использует людей-посредников, которые выступают в качестве переводчиков между его пользователями и его движком искусственного интеллекта (AI) на основе машинного обучения . Этот подход отличается от других распространенных технологий персональных помощников, таких как Siri, где пользователи напрямую взаимодействуют с программным обеспечением, которое анализирует содержание запросов и формулирует ответы - и все это без какого-либо вмешательства человека. (Обратите внимание, что здесь цитируется термин искусственный интеллект, поскольку рассматриваемый ИИ является всего лишь искусственным интеллектом в той мере, в какой об этом заявляет отдел маркетинга Facebook. Следует понимать, что все другие ссылки на ИИ в этой статье имеют такое же предостережение.)
Зная это, легко понять, что M в какой-то степени технологически уступает или менее чист, чем конкурирующие продукты искусственного интеллекта. В конце концов, большая часть трудностей, связанных с созданием ИИ, способного пройти тест Тьюринга, зависит от синтаксического анализа контекстных подсказок, помогающих устранить двусмысленность намерений запрашивающего. Поскольку Facebook перекладывает эти нетривиальные задачи на людей-операторов, справедливо подвергнуть сомнению способность их движка выполнять такие определения автоматически.
Но, как ранее в этом месяце продемонстрировал директор Facebook по исследованиям искусственного интеллекта Янн ЛеКун, их движок уже способен правильно отвечать на очень внушительную группу вопросов по заданной теме, и все это без какого-либо вмешательства человека:
Обратите внимание, что существует важное различие между технологией, продемонстрированной LeCun, и технологией, лежащей в основе современных цифровых помощников, таких как Siri и Cortana. В то время как последняя пара фокусируется на ответах на относительно узкий круг вопросов (например, «погода сегодня?» и «погода завтра?») по более широкому, но четко определенному кругу тем (например, погода, а также условия движения и ресторан локаций). Инструмент LeCun фокусируется на одной теме - изображении, но при этом способен ответить на то, что кажется несвязанным набором вопросов по этой теме.
С инженерной точки зрения разница между сложностями, связанными с созданием этих двух разрозненных инструментов, огромна. Если ваш набор вопросов, на которые можно ответить, предопределен, как в случае с Siri и Cortana, то формирование ответа возможно, если вы можете определить тему вопроса (сложная задача), а затем следовать заранее определенным путям кода, чтобы сгенерировать ответ (менее сложная задача).
Однако, если ваша цель - разработать технологию, которая может ответить на любой вопрос по данной теме - то есть, если вы не знаете, какие вопросы вам могут задать заранее, - тогда ваша задача становится намного сложнее. Вы больше не сопоставляете данный запрос с заранее определенным набором возможных вопросов - вместо этого вы должны раскрыть врожденную природу самого запроса. Это чрезвычайно трудная цель, и именно она делает демонстрацию ЛеКуна такой захватывающей. Но это также вызывает вопросы о стратегии Facebook в отношении M. Зачем им прилагать все усилия для создания такой сложной системы, когда Apple и Microsoft доказали, что их гораздо более простые методики, как правило, предлагают пользователям довольно удовлетворительные ответы?
Если бы мне пришлось угадывать, я бы сказал, что это из-за квалификаторов «склонен» и «скорее». Facebook знает, что у Siri и Cortana уже есть сектор рынка цифровых помощников, который «большую часть времени работает нормально». Они также прекрасно понимают, что потребители, попробовавшие сладкие предложения этого первого поколения действительно функциональных цифровых помощников, теперь жаждут настоящих вещей - машин, которые будут выполнять контекстуально сложные запросы, такие как «Отправить моему старшему брату подарочную карту в любой книжный магазин. пользуется популярностью в своем районе, и убедитесь, что он прибывает как раз к его дню рождения », - отвечая простым:« Конечно ».
Facebook имеет все возможности для выполнения этого запроса. В моем случае они знают, что у меня есть два брата, они знают, кто из них старше, они знают, что он живет в SoMA, они знают, какие книжные магазины популярны в его районе, и они знают, когда у него день рождения. Единственное, чего у них пока нет, - это сам запрос.
Для этого Facebook необходимо убедить меня, что любой вопрос, который я задам, приведет к удовлетворительному ответу. Использование M не похоже на то, чтобы носить Google Glass - если я отношусь к своему компьютеру как к человеку, задавая ему человеческий вопрос, а взамен он обращается со мной как с компьютером, противодействуя тому, что равносильно коду ошибки, я внезапно чувствую… стыд. Трудно объяснить, почему, но мы, люди, чувствуем себя уязвимыми, когда нас просят сопереживать технологиям. Мы боимся, что нас обманут, заставят поверить в то, что магия, обещанная технологиями, реальна. Из-за этого знакомое «я не совсем понял» грозит стать поцелуем смерти для поколения цифровых помощников, которые обещают ответить на все.
Вот дилемма Facebook. Чтобы вытеснить Siri в качестве окончательного цифрового помощника, M не может ограничивать своих пользователей заранее определенным списком вопросов - он должен обещать попытаться ответить на что угодно. Но это невозможно, по крайней мере, сейчас; Несмотря на то, что команда LeCun продолжает обобщать свои алгоритмы обучения для все более широких тем, пройдут годы, прежде чем они смогут разработать систему, которая сможет отвечать на действительно произвольные вопросы к удовлетворению их пользователей. Каким-то образом Facebook должен перенести нас через сверхъестественную долину, пока они учат M проходить тест Тьюринга. Это объясняет, почему Facebook решил собрать флот людей-посредников - они существуют, чтобы преодолеть разрыв между алгоритмом, который может отвечать на некоторые запросы, и алгоритмом, который может отвечать на все. Люди гарантируют, что пользователи M никогда не услышат фразу "Я не совсем понял". Хотя M может не пройти Тьюринга еще много лет, Facebook, несомненно, будет делать вид, что проходит.
Считайте, что сегодня ML - это бизнес-инструмент, а не продукт.
Стратегия ML в Facebook - то есть полагаться на методы машинного обучения для автоматизации изнутри, при этом люди действуют как буфер и проверка работоспособности - чрезвычайно умна. Однако прелесть этого метода в том, что он применим к удивительно разнообразному кругу бизнес-задач.
В untapt мы использовали эту стратегию, чтобы помочь нам автоматизировать найм специалистов. Наше проблемное пространство является исключительно сложным, в первую очередь потому, что действующие лица работают в очень тесной манере - как поиск отличной работы, так и поиск отличного сотрудника в настоящее время требует большого вмешательства человека. Каждый разработчик программного обеспечения хорошо знаком с технологическим рекрутером, и у большинства из них есть своя история с рекрутером: набор расплывчатых или общих сообщений в LinkedIn InMails, обещающих невозможные зарплаты за кажущиеся случайными вакансии, предложения на идеальные должности, которые не материализуются или никогда не реализуются. существуют в первую очередь… Один инженер был вынужден создать bouncethisemail.com из-за разочарования в рекрутере, который не уважал просьбы прекратить рассылку электронной почты.
На первый взгляд, рекрутер кажется простой мишенью для срыва. Шаг первый: создайте машину, которая берет резюме и описания должностей, читает их, ищет сходства и возвращает возможные совпадения. Шаг второй: Соберите деньги у работодателей, бегите в банк.
Если бы это было так просто.
На самом деле подобрать инженеров на технологические должности - очень деликатная задача. Существует множество причин, по которым кажущаяся идеальной связь может позже развалиться: лучшие предложения, изменения в сердце, корпоративный бюджет или изменение политики, неудачные проверки биографических данных и очень противоречивое культурное соответствие - все это трудные, но реальные причины, по которым кандидат или компания могут отказаться от договоренности. Кроме того, некоторые из этих элементов когда-либо серьезно представлены в резюме кандидата, и менеджеры по найму часто неохотно сообщают о таких вещах, как диапазон заработной платы, потому что считают их важными инструментами переговоров. Даже плохие специалисты по подбору персонала могут справиться с большинством этих крайних случаев с относительной изяществом - наивные алгоритмы, не так уж и много.
Вот наш маленький грязный секрет: у untapt небольшая команда по подбору персонала. Ее зовут Дженнифер Карберри; она пользуется услугами jenbot в Slack. Задача Джен - выявлять крайние случаи, обрабатывать их вручную, а затем работать с нашими данными и командами инженеров, чтобы выявлять закономерности и разрабатывать автоматические замены для ее наиболее трудоемких задач. Она также работает рука об руку с механизмом сопоставления untapt на основе машинного обучения, и ее ежедневное взаимодействие с системой позволяет ей хорошо разбираться в сильных и слабых сторонах инструмента. Благодаря ее постоянной обратной связи мы можем быстро настраивать наши алгоритмы и постепенно выпускать небольшие блоки автоматов для нашей пользовательской базы, тем самым освобождая ее от монотонных задач и позволяя ей проводить больше личного времени с кандидатами.
Мы небольшая компания: в то время как Facebook, вероятно, имеет сотни, если не тысячи, людей-операторов, управляющих M, нам нужен только один jenbot. Тем не менее, имея всего одного человека, за последний год untapt обработал около 7000 заявлений о приеме на работу. Вам будет сложно найти традиционного рекрутера, который справился бы с тем же самым.
В конце концов, нам может потребоваться удвоить численность кадрового персонала. Пройдет много времени, прежде чем мы разработаем полностью автоматизированный продукт, который мы будем комфортно предлагать нашим пользователям, хотя мы уверены, что в конце концов добьемся этого. Однако сегодня мы рады воспользоваться преимуществами сотрудничества между людьми и алгоритмами. Это снизило накладные расходы, повысило удовлетворенность пользователей и дало нам возможность масштабироваться быстрее, чем мы могли себе представить. Что наиболее важно, это помогло нам направить большую часть нашей энергии на нашу основную цель бизнеса: найти инженеров, которые идеально подходят для их работы.
Джейк Зеррер - дизайнер и разработчик в untapt. Большое спасибо Джону Крону за его советы редактора, а также Дженнифер Карберри и остальной неадаптированной команде за их любовь и отзывы. Вы все потрясающие 😊
