Sisältö
- Syvän oppimisen yrityssovellukset
- Suuret tiedot ja syvä oppiminen
- Ei vikoja, ei stressiä - vaiheittaiset ohjeet elämää muuttavien ohjelmistojen luomiseen tuhoamatta elämääsi
- Musta laatikko -ongelma
- Säätö
Lähde: Agsandrew / Dreamstime.com
Ottaa mukaan:
Syvällä oppimisella on paljon tarjottavaa yrityksille, mutta monet ovat edelleen epäröiviä omaksua sen. Tässä tarkastellaan joitain sen suurimmista kipupisteistä.
Syväoppiminen on koneoppimisen osakenttä, joka (yleisesti ottaen) on ihmisen aivojen ja sen toimintojen innoittamaa tekniikkaa. Ensimmäisen kerran 1950-luvulla käyttöön otetulle koneoppimiselle kertyy kumulatiivisesti niin kutsuttu keinotekoinen hermoverkko, lukuisat toisiinsa yhteydessä olevat datasolmut, jotka yhdessä muodostavat keinotekoisen älyn perustan. (Koneoppimisen perusteet ovat koneoppimisessa 101.)
Koneoppiminen antaa tietokoneohjelmille pääsääntöisesti mahdollisuuden muuttaa itseään, kun ulkoinen tieto tai ohjelmointi sitä kehottaa. Luonteeltaan se pystyy toteuttamaan tämän ilman ihmisen vuorovaikutusta. Se jakaa samanlaisen toiminnallisuuden datan louhinnan kanssa, mutta louhittujen tulosten kanssa, jotka prosessoidaan koneiden eikä ihmisten sijasta. Se on jaettu kahteen pääryhmään: ohjattu ja ohjaamaton oppiminen.
Ohjattuun koneoppimiseen sisältyy ennalta määrättyjen toimien päättäminen leimatun harjoitustiedon kautta. Toisin sanoen (ihmisen) ohjelmoija tietää etukäteen valvotut tulokset, mutta tuloksia päätelevä järjestelmä koulutetaan “oppimaan” ne. Valvomaton koneoppiminen sitä vastoin tekee päätelmiä leimaamattomasta syöttötiedosta, usein keinona tunnistaa tuntemattomia malleja.
Syväoppiminen on ainutlaatuista sen kyvyssä kouluttaa itseään hierarkkisten algoritmien avulla, toisin kuin koneoppimisen lineaarisilla algoritmeilla. Syvän oppimisen hierarkiat ovat yhä monimutkaisempia ja abstrakteja, kun ne kehittyvät (tai “oppivat”) eivätkä luota ohjattuun logiikkaan. Yksinkertaisesti sanottuna syväoppiminen on erittäin edistynyttä, tarkkaa ja automatisoitua koneoppimismuotoa, ja se on keinotekoisen älytekniikan eturintamassa.
Syvän oppimisen yrityssovellukset
Koneoppimista käytetään jo yleisesti useilla eri aloilla. Esimerkiksi sosiaalinen media käyttää sitä sisällön syötteiden kuoraamiseen käyttäjän aikajanaissa. Google Brain perustettiin useita vuosia sitten tarkoituksenaan tuottaa syvä oppimista Googlen palveluvalikoiman tekniikan kehittyessä.
Ennustavaan analytiikkaan keskittyen markkinoinnin ala on erityisesti panostettu syvän oppimisen innovaatioihin. Ja koska tiedonkeruu ohjaa tekniikkaa, teollisuudenalat, kuten myynti ja asiakastuki (joilla on jo runsaasti rikas ja monipuolinen asiakastieto), ovat ainutlaatuisessa asemassa ottaakseen sen käyttöön maatasolla.
Varhainen sopeutuminen syvälliseen oppimiseen voisi hyvinkin olla avaintekijä siinä, kuinka paljon tietyt alat hyötyvät tekniikasta, etenkin sen varhaisimmissa vaiheissa. Siitä huolimatta, että muutama erityinen kipupiste estää monia yrityksiä ottamasta syvää oppimista teknologiainvestointeihin.
Suuret tiedot ja syvä oppiminen
Vuonna 2001 META-ryhmän (nykyään Gartner) analyytikko nimeltä Doug Laney hahmotteli tutkijoiden mielestä suurten tietojen kolmea päähaastetta: määrää, monimuotoisuutta ja nopeutta. Yli puolitoista vuosikymmentä myöhemmin Internet-käyttöpisteiden nopea lisääntyminen (johtuen pääasiassa mobiililaitteiden leviämisestä ja Internet-tekniikan noususta) on tuonut nämä kysymykset eturintamaan suurten teknologiayritysten ja pienempien yritysten keskuudessa ja startupit. (Lisätietoja kolmesta v: stä on artikkelissa Nykypäivän Big Data Challenge Stems from Variety, Not Volume tai Velocity.)
Ei vikoja, ei stressiä - vaiheittaiset ohjeet elämää muuttavien ohjelmistojen luomiseen tuhoamatta elämääsi
Et voi parantaa ohjelmointitaitojasi, kun kukaan ei välitä ohjelmiston laadusta.
Viimeaikaiset tilastotiedot maailmanlaajuisesta tietojen käytöstä ovat huikeita. Tutkimusten mukaan noin 90 prosenttia koko maailman tiedoista on luotu vasta parin viime vuoden aikana. Yhden arvioinnin mukaan maailmanlaajuinen matkapuhelinliikenne oli noin seitsemän eksabyyttiä kuukaudessa, ja luvun odotetaan kasvavan noin seitsemän kertaa seuraavan puoli-vuosikymmenen aikana.
Tilavuuden lisäksi monimuotoisuus (tietotyyppien nopeasti kasvava monimuotoisuus uusien medioiden kehittyessä ja laajentuessa) ja nopeus (nopeus, jolla elektroniset tiedotusvälineet lähetetään tietokeskuksiin ja keskittimiin) ovat myös tärkeitä tekijöitä, kuinka yritykset mukautuvat kasvavaan kenttään syvällisestä oppimisesta. Ja laajentaakseen muistionaalista laitetta, useiden muiden v-sanojen on lisätty viime vuosien suurten datakipupisteiden luetteloon, mukaan lukien:
- Voimassaolo: Tulotietojen tarkkuuden mittaus isoissa tietojärjestelmissä. Virheellinen tieto, joka jää havaitsematta, voi aiheuttaa merkittäviä ongelmia sekä ketjureaktioita koneoppimisympäristöissä.
- Haavoittuvuus: Suuret tiedot herättävät tietysti tietoturvaongelmia yksinkertaisesti mittakaavansa vuoksi. Ja vaikka koneoppimisen mahdollistamissa turvajärjestelmissä on paljon potentiaalia, näiden järjestelmien nykyisissä inkarnaatioissa todetaan niiden tehottomuuden puutteesta johtuen etenkin niiden taipumuksesta tuottaa vääriä hälytyksiä.
- Arvo: Suurtietojen potentiaalisen arvon todistaminen (liiketoiminnassa tai muualla) voi olla merkittävä haaste monista syistä. Jos jotain muista tämän luettelon kipupisteistä ei voida hoitaa tehokkaasti, ne tosiasiassa voisivat lisätä negatiivista arvoa mihin tahansa järjestelmään tai organisaatioon, ehkä jopa katastrofaalisin vaikutuksin.
Muita luetteloon lisättyjä alliteratiivisia kipupisteitä ovat vaihtelevuus, todenmukaisuus, volatiliteetti ja visualisointi - kaikki esittävät omat ainutlaatuiset haastejoukot suurille tietojärjestelmille. Ja lisää voidaan vielä lisätä, koska olemassa oleva luettelo (todennäköisesti) kaventuu ajan myötä. Vaikka se voi tuntua hiukan houkuttelevalta joillekin, muistionaalinen ”v” -luettelo sisältää vakavia aiheita, joissa kohtaavat suuria tietoja, joilla on tärkeä rooli syvän oppimisen tulevaisuudessa.
Musta laatikko -ongelma
Yksi syvän oppimisen ja tekoälyn houkuttelevimmista ominaisuuksista on, että molemmat on tarkoitettu ratkaisemaan ongelmat, joita ihmiset eivät voi. Samat ilmiöt, joiden on tarkoitus sallia, esittävät kuitenkin myös mielenkiintoisen dilemman, joka esiintyy ns. Mustan laatikon muodossa.
Syvän oppimisprosessin kautta luotu hermoverkko on niin laaja ja niin monimutkainen, että sen monimutkaiset toiminnot ovat pääosin tutkittavissa ihmisen havainnoinnista. Tietotieteilijöillä ja insinööreillä voi olla perinpohjainen käsitys syvän oppimisen järjestelmiin liittyvistä asioista, mutta se, miten he päätyvät lähtöpäätöksiinsä useammin kuin ei, on täysin selittämätöntä.
Vaikka tämä ei ehkä ole merkittävä kysymys esimerkiksi markkinoijille tai myyjille (riippuen siitä, mitä markkinoidaan tai myydään), muut teollisuudenalat vaativat tietyn määrän prosessien validointia ja perusteluja, jotta tuloksista saadaan hyötyä kaikista. Esimerkiksi rahoituspalveluyritys voi käyttää syvällistä oppimista luodakseen erittäin tehokkaan luoton pisteytysmekanismin. Mutta luottotuloksissa on usein oltava jonkinlainen suullinen tai kirjallinen selitys, jota olisi vaikea muodostaa, jos varsinainen luottoluokitusyhtälö on täysin läpinäkymätön ja selittämätön.
Tämä ongelma ulottuu myös monille muille aloille, etenkin terveyden ja turvallisuuden alalla. Lääketiede ja kuljetus voisivat kuvitella olevan merkittäviä hyötyjä syvällisestä oppimisesta, mutta heillä on myös huomattava este mustan laatikon muodossa. Mahdolliset tuotokset näille kentille, riippumatta siitä kuinka hyödyllisiä, voidaan kokonaan hylätä niiden taustalla olevien algoritmien täydellisen epäselvyyden vuoksi. Tämä vie meidät ehkä kiistanalaisimpaan kipupisteeseen heistä kaikista…
Säätö
Euroopan unioni hyväksyi keväällä 2016 yleisen tietosuoja-asetuksen (GDPR), joka antaa (muun muassa) kansalaisille ”oikeuden selitykseen” automatisoituihin päätöksiin, jotka tehdään koneoppimisjärjestelmissä, jotka vaikuttavat heihin merkittävästi. Asetuksen on tarkoitus tulla voimaan vuonna 2018, ja se on huolestuttava teknologiayritysten keskuudessa, jotka ovat investoineet syvälliseen oppimiseen sen läpäisemättömän mustan laatikon takia, mikä monissa tapauksissa estäisi GDPR: n määräämiä selityksiä.
”Automaattinen yksilöllinen päätöksenteko”, jota GDPR aikoo rajoittaa, on olennainen osa syvää oppimista. Mutta huolta tästä tekniikasta on väistämätöntä (ja suurelta osin pätevää), kun syrjintämahdollisuudet ovat niin suuret ja läpinäkyvyys niin alhaiset. Yhdysvalloissa elintarvike- ja lääkevirasto säätelee samalla tavalla lääkkeiden testaamista ja markkinointia edellyttämällä, että nämä prosessit pysyvät tarkastettavissa. Tämä on asettanut esteitä lääketeollisuudelle, kuten on ilmoitettu tapahtuneen Massachusettsissa toimivassa bioteknologiayrityksessä Biogenissä, jota on FDA-säännön vuoksi estetty käyttämästä tulkitsemattomia syväoppimismenetelmiä.
Syvän oppimisen (moraalisen, käytännön ja muun) vaikutukset ovat ennennäkemättömiä ja rehellisesti sanottuna melko syvällisiä. Teknologiaa ympäröi paljon pelkoa, mikä johtuu suurelta osin sen häiritsevän potentiaalin sekä läpinäkymättömän logiikan ja toiminnallisuuden yhdistelmästä.Jos yritykset pystyvät todistamaan syvällisessä oppimisessa sellaisen konkreettisen arvon olemassaolon, joka ylittää kaikki mahdolliset uhat tai vaarat, ne voivat auttaa johtamaan meidät seuraavaan tekoälyn kriittiseen vaiheeseen.