Contenuto
- Applicazioni aziendali di apprendimento profondo
- I V di Big Data e Deep Learning
- Nessun bug, nessuno stress: la tua guida passo passo alla creazione di software che ti cambia la vita senza distruggere la tua vita
- Il dilemma della scatola nera
- Regolamento
Fonte: Agsandrew / Dreamstime.com
Porta via:
Il deep learning ha molto da offrire alle aziende, ma molti sono ancora riluttanti ad adottarlo. Qui diamo un'occhiata ad alcuni dei suoi maggiori punti di dolore.
L'apprendimento profondo è un sottocampo dell'apprendimento automatico, che (in generale) è una tecnologia che si ispira al cervello umano e alle sue funzioni. Introdotto per la prima volta negli anni '50, l'apprendimento automatico è cumulativamente informato da quella che è conosciuta come la rete neurale artificiale, una pletora di nodi di dati interconnessi che formano collettivamente la base dell'intelligenza artificiale. (Per le basi dell'apprendimento automatico, dai un'occhiata a Machine Learning 101.)
L'apprendimento automatico consente essenzialmente ai programmi per computer di cambiare se stessi quando richiesto da dati o programmazione esterni. Per sua natura, è in grado di farlo senza interazione umana. Condivide funzionalità simili con il data mining, ma con risultati estratti da elaborare dalle macchine piuttosto che dagli umani. È diviso in due categorie principali: apprendimento supervisionato e non supervisionato.
L'apprendimento automatico supervisionato comporta l'inferenza di operazioni predeterminate attraverso dati di addestramento etichettati. In altre parole, i risultati supervisionati sono noti in anticipo dal programmatore (umano), ma il sistema che deduce i risultati è addestrato per "apprenderli". L'apprendimento automatico senza supervisione, al contrario, trae inferenze da dati di input senza etichetta, spesso come mezzo per rilevare schemi sconosciuti.
Il deep learning è unico nella sua capacità di allenarsi attraverso algoritmi gerarchici, al contrario degli algoritmi lineari di machine learning. Le gerarchie di apprendimento profondo sono sempre più complesse e astratte man mano che si sviluppano (o "apprendono") e non si basano sulla logica supervisionata. In parole povere, il deep learning è una forma di machine learning altamente avanzata, accurata e automatizzata, all'avanguardia nella tecnologia dell'intelligenza artificiale.
Applicazioni aziendali di apprendimento profondo
L'apprendimento automatico è già comunemente usato in diversi settori. I social media, ad esempio, lo usano per curare i feed di contenuti nelle tempistiche degli utenti. Google Brain è stato fondato diversi anni fa con l'intento di produrre l'apprendimento profondo attraverso la gamma di servizi di Google man mano che la tecnologia si evolve.
Concentrandosi sull'analisi predittiva, il settore del marketing è particolarmente investito nell'innovazione del deep learning. E poiché l'accumulo di dati è ciò che guida la tecnologia, settori come le vendite e l'assistenza clienti (che già possiedono una vasta gamma di dati sui clienti ricchi e diversificati) sono posizionati in modo univoco per adottarli a livello del suolo.
L'adattamento precoce al deep learning potrebbe benissimo essere il fattore determinante chiave in quanto settori specifici traggono beneficio dalla tecnologia, specialmente nelle sue prime fasi. Ciononostante, alcuni punti critici specifici impediscono a molte aziende di tuffarsi negli investimenti in tecnologie di apprendimento profondo.
I V di Big Data e Deep Learning
Nel 2001, un analista di META Group (ora Gartner) di nome Doug Laney ha delineato quelle che i ricercatori percepivano come le tre principali sfide dei big data: volume, varietà e velocità. Oltre un decennio e mezzo dopo, il rapido aumento dei punti di accesso a Internet (dovuto in gran parte alla proliferazione di dispositivi mobili e all'aumento della tecnologia IoT) ha portato questi problemi in primo piano per le principali società tecnologiche e le piccole imprese e startup allo stesso modo. (Per saperne di più sulle tre v, vedi La sfida dei big data di oggi deriva dalla varietà, non dal volume o dalla velocità.)
Nessun bug, nessuno stress: la tua guida passo passo alla creazione di software che ti cambia la vita senza distruggere la tua vita
Non puoi migliorare le tue capacità di programmazione quando a nessuno importa della qualità del software.
Le statistiche recenti sull'utilizzo dei dati globali sono sconcertanti. Gli studi indicano che circa il 90 percento di tutti i dati del mondo è stato creato solo negli ultimi due anni. Nel 2016, secondo una stima, il traffico mobile mondiale è ammontato a circa sette exabyte al mese e si prevede che tale numero aumenterà di circa sette volte entro il prossimo decennio.
Oltre al volume, la varietà (la rapida diversità dei tipi di dati man mano che i nuovi media si evolvono e si espandono) e la velocità (la velocità con cui i media elettronici vengono inviati a data center e hub) sono anche fattori importanti nel modo in cui le aziende si stanno adattando al campo fiorente di apprendimento profondo. E per espandersi sul dispositivo mnemonico, negli ultimi anni sono state aggiunte all'elenco dei punti critici relativi ai big data diverse altre v-word, tra cui:
- Validità: misurazione dell'accuratezza dei dati di input nei sistemi di big data. Dati non validi che non vengono rilevati possono causare problemi significativi e reazioni a catena negli ambienti di apprendimento automatico.
- Vulnerabilità: i big data evocano naturalmente problemi di sicurezza, semplicemente in virtù della sua portata. E sebbene si riscontri un grande potenziale nei sistemi di sicurezza che sono abilitati dall'apprendimento automatico, questi sistemi nelle loro attuali incarnazioni sono noti per la loro mancanza di efficienza, in particolare a causa della loro tendenza a generare falsi allarmi.
- Valore: fornire il valore potenziale dei big data (nel mondo degli affari o altrove) può essere una sfida significativa per qualsiasi numero di motivi. Se uno qualsiasi degli altri punti dolenti in questo elenco non può essere affrontato in modo efficace, allora potrebbe effettivamente aggiungere un valore negativo a qualsiasi sistema o organizzazione, forse anche con effetto catastrofico.
Altri punti dolenti allitterativi che sono stati aggiunti all'elenco includono la variabilità, la veridicità, la volatilità e la visualizzazione - tutti presentando le proprie serie uniche di sfide ai sistemi di big data. E altri potrebbero ancora essere aggiunti mentre l'elenco esistente (probabilmente) si assottiglia nel tempo. Sebbene possa sembrare un po 'inventato per alcuni, l'elenco mnemonico "v" comprende gravi problemi che affrontano i big data che svolgono un ruolo importante nel futuro del deep learning.
Il dilemma della scatola nera
Una delle caratteristiche più interessanti dell'apprendimento profondo e dell'intelligenza artificiale è che entrambe sono destinate a risolvere problemi che gli umani non possono. Gli stessi fenomeni che dovrebbero consentire ciò, tuttavia, presentano anche un dilemma interessante, che si presenta sotto forma di quella che è conosciuta come la "scatola nera".
La rete neurale creata attraverso il processo di apprendimento profondo è così vasta e così complessa che le sue intricate funzioni sono essenzialmente imperscrutabili all'osservazione umana. I data scientist e gli ingegneri possono avere una conoscenza approfondita di ciò che accade nei sistemi di deep learning, ma il modo in cui arrivano alle loro decisioni di output il più delle volte non è completamente spiegato.
Anche se questo potrebbe non essere un problema significativo, ad esempio, per gli esperti di marketing o i venditori (a seconda di ciò che stanno commercializzando o vendendo), altri settori richiedono una certa quantità di convalida e ragionamento del processo per ottenere un uso dei risultati. Una società di servizi finanziari, ad esempio, potrebbe utilizzare il deep learning per stabilire un meccanismo di valutazione del credito altamente efficiente. Ma i punteggi di credito spesso devono presentare una sorta di spiegazione verbale o scritta, che sarebbe difficile da formare se l'equazione effettiva del punteggio di credito è totalmente opaca e inspiegabile.
Questo problema si estende anche a molti altri settori, in particolare nell'ambito della salute e della sicurezza. La medicina e i trasporti potrebbero entrambi, in modo concepibile, trarre grandi benefici dall'apprendimento profondo, ma anche affrontare un ostacolo significativo sotto forma di scatola nera. Qualunque risultato di output in quei campi, non importa quanto vantaggioso, potrebbe essere completamente scartato a causa della completa oscurità dei loro algoritmi sottostanti. Questo ci porta forse al punto doloroso più controverso di tutti loro ...
Regolamento
Nella primavera del 2016, l'Unione Europea ha approvato il Regolamento generale sulla protezione dei dati (GDPR), che (tra le altre cose) garantisce ai cittadini il "diritto a una spiegazione" per le decisioni automatizzate generate dai sistemi di apprendimento automatico che li "influenzano in modo significativo". Previsto per entrare in vigore nel 2018, il regolamento sta causando preoccupazione tra le aziende tecnologiche che sono investite nell'apprendimento profondo a causa della sua impenetrabile scatola nera, che in molti casi ostacolerebbe la spiegazione richiesta dal GDPR.
Il "processo decisionale individuale automatizzato" che il GDPR intende limitare è una caratteristica essenziale del deep learning. Ma le preoccupazioni su questa tecnologia sono inevitabili (e in gran parte valide) quando il potenziale di discriminazione è così alto e la trasparenza così bassa. Negli Stati Uniti, la Food and Drug Administration regola allo stesso modo i test e la commercializzazione dei farmaci richiedendo che tali processi rimangano verificabili. Ciò ha presentato ostacoli per l'industria farmaceutica, come è stato riferito nel caso della società biotecnologica Biogen, con sede nel Massachusetts, a cui è stato impedito di utilizzare metodi di apprendimento profondo non interpretabili a causa della regola della FDA.
Le implicazioni dell'apprendimento profondo (morale, pratico e oltre) sono senza precedenti e, francamente, abbastanza profonde. Una grande apprensione circonda la tecnologia a causa in gran parte di una combinazione del suo potenziale dirompente e della sua logica e funzionalità opache.Se le aziende possono dimostrare l'esistenza di un valore tangibile all'interno del deep learning che supera qualsiasi minaccia o pericolo immaginabile, allora potrebbero aiutarci a guidarci nella prossima fase critica dell'intelligenza artificiale.