เนื้อหา
- การประยุกต์ทางธุรกิจของการเรียนรู้เชิงลึก
- V's of Big Data และ Deep Learning
- ไม่มีข้อบกพร่องไม่มีความเครียด - คู่มือแบบเป็นขั้นตอนเพื่อสร้างซอฟต์แวร์ที่เปลี่ยนแปลงชีวิตโดยไม่ทำลายชีวิตของคุณ
- ภาวะที่กลืนไม่เข้าคายไม่ออกกล่องดำ
- ระเบียบข้อบังคับ
ที่มา: Agsandrew / Dreamstime.com
Takeaway:
การเรียนรู้เชิงลึกมีหลายสิ่งหลายอย่างที่จะนำเสนอธุรกิจ แต่หลายคนก็ยังลังเลที่จะยอมรับมัน ที่นี่เราดูจุดปวดที่ใหญ่ที่สุด
การเรียนรู้เชิงลึกเป็นสาขาย่อยของการเรียนรู้ของเครื่องจักรซึ่งโดยทั่วไปแล้วเป็นเทคโนโลยีที่ได้รับแรงบันดาลใจจากสมองมนุษย์และหน้าที่ของมัน เปิดตัวครั้งแรกในปี 1950 การเรียนรู้ของเครื่องได้รับการบอกกล่าวจากสิ่งที่รู้จักกันในชื่อเครือข่ายประสาทเทียมซึ่งเป็นโหนดข้อมูลที่เชื่อมต่อกันมากมายซึ่งรวมกันเป็นพื้นฐานสำหรับปัญญาประดิษฐ์ (สำหรับพื้นฐานของการเรียนรู้ของเครื่องตรวจสอบการเรียนรู้ของเครื่อง 101)
การเรียนรู้ของเครื่องเป็นหลักทำให้โปรแกรมคอมพิวเตอร์สามารถเปลี่ยนแปลงตัวเองเมื่อได้รับแจ้งจากข้อมูลภายนอกหรือการเขียนโปรแกรม โดยธรรมชาติแล้วมันสามารถทำสิ่งนี้ได้โดยไม่ต้องมีปฏิสัมพันธ์กับมนุษย์ มันมีฟังก์ชั่นที่คล้ายกันกับการขุดข้อมูล แต่มีผลการขุดที่ต้องดำเนินการโดยเครื่องมากกว่ามนุษย์ มันแบ่งออกเป็นสองประเภทหลัก: การเรียนรู้แบบมีผู้สอนและไม่มีการดูแล
การเรียนรู้ของเครื่องจักรภายใต้การดูแลเกี่ยวข้องกับการอนุมานการปฏิบัติการที่กำหนดไว้ล่วงหน้าผ่านข้อมูลการฝึกอบรมที่มีข้อความกำกับ กล่าวอีกอย่างหนึ่งว่าผู้เขียนโปรแกรม (คน) ทราบผลการควบคุมได้ล่วงหน้า แต่ระบบอนุมานผลลัพธ์นั้นได้รับการฝึกฝนให้“ เรียนรู้” พวกเขา ตรงกันข้ามการเรียนรู้ของเครื่องที่ไม่ได้รับการตรวจสอบจะดึงการอนุมานจากข้อมูลอินพุตที่ไม่มีป้ายกำกับซึ่งมักจะเป็นวิธีการตรวจจับรูปแบบที่ไม่รู้จัก
การเรียนรู้เชิงลึกนั้นมีความโดดเด่นในความสามารถในการฝึกฝนตัวเองผ่านอัลกอริธึมเชิงลำดับชั้นเมื่อเทียบกับอัลกอริธึมเชิงเส้นของการเรียนรู้ของเครื่อง ลำดับชั้นการเรียนรู้อย่างลึกซึ้งนั้นซับซ้อนและเป็นนามธรรมมากขึ้นเมื่อพวกเขาพัฒนา (หรือ“ เรียนรู้”) และไม่ต้องพึ่งพาตรรกะภายใต้การดูแล การเรียนรู้อย่างลึกซึ้งนั้นเป็นรูปแบบขั้นสูงที่ถูกต้องและอัตโนมัติของการเรียนรู้ของเครื่องจักรและอยู่ในระดับแนวหน้าของเทคโนโลยีปัญญาประดิษฐ์
การประยุกต์ทางธุรกิจของการเรียนรู้เชิงลึก
การเรียนรู้ของเครื่องจักรนั้นได้รับการใช้กันอย่างแพร่หลายในหลายอุตสาหกรรม ตัวอย่างเช่นโซเชียลมีเดียใช้เพื่อจัดการฟีดเนื้อหาในไทม์ไลน์ของผู้ใช้ Google Brain ก่อตั้งขึ้นเมื่อหลายปีก่อนโดยมีจุดประสงค์เพื่อให้เกิดการเรียนรู้อย่างลึกซึ้งในบริการต่างๆของ Google เมื่อเทคโนโลยีมีวิวัฒนาการ
ด้วยการมุ่งเน้นไปที่การวิเคราะห์เชิงพยากรณ์สาขาการตลาดได้ลงทุนเป็นพิเศษในนวัตกรรมการเรียนรู้ลึก และเนื่องจากการสะสมข้อมูลเป็นสิ่งที่ขับเคลื่อนเทคโนโลยีอุตสาหกรรมเช่นการขายและการสนับสนุนลูกค้า (ซึ่งมีข้อมูลลูกค้าที่หลากหลายและหลากหลาย) อยู่ในตำแหน่งที่ไม่ซ้ำกันเพื่อนำมาใช้ในระดับพื้นดิน
การปรับตัวให้เข้ากับการเรียนรู้อย่างลึกซึ้งในระยะแรกอาจเป็นปัจจัยสำคัญในการพิจารณาว่าภาคส่วนใดที่ได้รับประโยชน์จากเทคโนโลยีโดยเฉพาะอย่างยิ่งในช่วงแรก ๆ อย่างไรก็ตามจุดปวดเฉพาะบางจุดทำให้ธุรกิจจำนวนมากไม่ต้องรีบไปลงทุนเทคโนโลยีการเรียนรู้ลึก
V's of Big Data และ Deep Learning
ในปี 2544 นักวิเคราะห์ของ META Group (ปัจจุบันคือ Gartner) โดยชื่อของ Doug Laney ได้อธิบายสิ่งที่นักวิจัยมองว่าเป็นความท้าทายหลักสามประการของข้อมูลขนาดใหญ่: ปริมาณความหลากหลายและความเร็ว กว่าทศวรรษและครึ่งต่อมาการเพิ่มขึ้นอย่างรวดเร็วของจุดการเข้าถึงอินเทอร์เน็ต (เนื่องจากการเพิ่มขึ้นอย่างมากของอุปกรณ์มือถือและการเพิ่มขึ้นของเทคโนโลยี IoT) ได้นำปัญหาเหล่านี้ไปยังแนวหน้าสำหรับ บริษัท เทคโนโลยีรายใหญ่เช่นเดียวกับธุรกิจขนาดเล็ก และ startups เหมือนกัน (หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับสาม v โปรดดูการท้าทายข้อมูลขนาดใหญ่ในวันนี้เกิดจากความหลากหลายไม่ใช่ปริมาณหรือความเร็ว)
ไม่มีข้อบกพร่องไม่มีความเครียด - คู่มือแบบเป็นขั้นตอนเพื่อสร้างซอฟต์แวร์ที่เปลี่ยนแปลงชีวิตโดยไม่ทำลายชีวิตของคุณ
คุณไม่สามารถพัฒนาทักษะการเขียนโปรแกรมของคุณเมื่อไม่มีใครใส่ใจคุณภาพของซอฟต์แวร์
สถิติล่าสุดเกี่ยวกับการใช้ข้อมูลทั่วโลกกำลังส่าย การศึกษาระบุว่าประมาณ 90 เปอร์เซ็นต์ของข้อมูลทั้งหมดของโลกถูกสร้างขึ้นภายในไม่กี่ปีที่ผ่านมา ปริมาณข้อมูลมือถือทั่วโลกมีจำนวนประมาณเจ็ด exabytes ต่อเดือนในปี 2559 ตามการประมาณการหนึ่งครั้งและคาดว่าจำนวนดังกล่าวจะเพิ่มขึ้นประมาณเจ็ดเท่าภายในทศวรรษครึ่งหน้า
นอกเหนือจากปริมาณความหลากหลาย (ความหลากหลายที่เพิ่มขึ้นอย่างรวดเร็วในประเภทของข้อมูลเป็นสื่อใหม่วิวัฒนาการและขยาย) และความเร็ว (ความเร็วที่สื่ออิเล็กทรอนิกส์ถูกส่งไปยังศูนย์ข้อมูลและฮับ) เป็นปัจจัยสำคัญที่ทำให้ธุรกิจปรับตัวเข้ากับสนามที่กำลังเติบโต ของการเรียนรู้อย่างลึกซึ้ง และเพื่อขยายอุปกรณ์ช่วยในการจำคำศัพท์ v อื่น ๆ ได้ถูกเพิ่มเข้าไปในรายการจุดปวดข้อมูลขนาดใหญ่ในปีที่ผ่านมารวมถึง:
- ความถูกต้อง: การวัดความถูกต้องของข้อมูลอินพุตในระบบข้อมูลขนาดใหญ่ ข้อมูลที่ไม่ถูกต้องที่ไปตรวจไม่พบอาจทำให้เกิดปัญหาที่สำคัญเช่นเดียวกับปฏิกิริยาลูกโซ่ในสภาพแวดล้อมการเรียนรู้ของเครื่อง
- ช่องโหว่: ข้อมูลขนาดใหญ่จะก่อให้เกิดความกังวลด้านความปลอดภัยตามธรรมชาติโดยอาศัยขนาดของมัน และถึงแม้ว่าจะมีศักยภาพที่ดีในระบบรักษาความปลอดภัยที่เปิดใช้งานโดยการเรียนรู้ของเครื่อง แต่ระบบเหล่านั้นในสาขาปัจจุบันของพวกเขาถูกบันทึกไว้เนื่องจากขาดประสิทธิภาพโดยเฉพาะอย่างยิ่งเนื่องจากแนวโน้มที่จะสร้างสัญญาณเตือนที่ผิดพลาด
- ค่า: การพิสูจน์คุณค่าที่เป็นไปได้ของข้อมูลขนาดใหญ่ (ในธุรกิจหรือที่อื่น ๆ ) อาจเป็นความท้าทายที่สำคัญด้วยเหตุผลหลายประการ หากจุดปวดอื่น ๆ ในรายการนี้ไม่สามารถแก้ไขได้อย่างมีประสิทธิภาพจริง ๆ แล้วพวกเขาสามารถเพิ่มค่าลบให้กับระบบหรือองค์กรใด ๆ บางทีอาจมีผลร้าย
จุดปวดพยัญชนะอื่น ๆ ที่ได้รับการเพิ่มในรายการรวมถึงความแปรปรวน, ความจริง, ความผันผวนและการสร้างภาพ - ทั้งหมดนำเสนอชุดที่เป็นเอกลักษณ์ของตัวเองของความท้าทายในระบบข้อมูลขนาดใหญ่ และอาจมีการเพิ่มอีกเป็นรายการที่มีอยู่ (อาจ) แท่งออกเมื่อเวลาผ่านไป แม้ว่ามันอาจจะดูขัดแย้งกับบางอย่าง แต่รายการ mnemonic“ v” นั้นรวมถึงปัญหาร้ายแรงที่ต้องเผชิญกับข้อมูลขนาดใหญ่ที่มีบทบาทสำคัญในอนาคตของการเรียนรู้ลึก
ภาวะที่กลืนไม่เข้าคายไม่ออกกล่องดำ
หนึ่งในคุณสมบัติที่น่าสนใจที่สุดของการเรียนรู้อย่างลึกล้ำและปัญญาประดิษฐ์ก็คือทั้งสองอย่างมีวัตถุประสงค์เพื่อแก้ปัญหาที่มนุษย์ไม่สามารถทำได้ อย่างไรก็ตามปรากฏการณ์เดียวกันกับที่ควรจะอนุญาตให้นำเสนอขึ้นเขียงที่น่าสนใจซึ่งมาในรูปแบบของสิ่งที่เรียกว่า "กล่องดำ"
โครงข่ายประสาทเทียมที่สร้างขึ้นผ่านกระบวนการเรียนรู้อย่างลึกล้ำนั้นใหญ่หลวงและซับซ้อนจนหน้าที่ที่ซับซ้อนของมันนั้นไม่สามารถพิสูจน์ได้จากการสังเกตของมนุษย์ นักวิทยาศาสตร์และวิศวกรด้านข้อมูลอาจมีความเข้าใจอย่างถ่องแท้ว่าอะไรคือสิ่งที่เกิดขึ้นในระบบการเรียนรู้อย่างลึกล้ำ
แม้ว่าสิ่งนี้อาจไม่ใช่ประเด็นสำคัญสำหรับการพูดนักการตลาดหรือพนักงานขาย (ขึ้นอยู่กับสิ่งที่พวกเขาทำการตลาดหรือขาย) อุตสาหกรรมอื่น ๆ จำเป็นต้องมีการตรวจสอบความถูกต้องของกระบวนการและการให้เหตุผลเพื่อให้ได้ประโยชน์จากผลลัพธ์ ตัวอย่างเช่น บริษัท ที่ให้บริการด้านการเงินอาจใช้การเรียนรู้อย่างลึกซึ้งเพื่อสร้างกลไกการให้คะแนนเครดิตที่มีประสิทธิภาพสูง แต่คะแนนเครดิตมักจะต้องมาพร้อมกับคำอธิบายบางส่วนด้วยวาจาหรือเป็นลายลักษณ์อักษรซึ่งจะยากที่จะสร้างหากสมการให้คะแนนเครดิตที่แท้จริงนั้นทึบแสงและไม่สามารถอธิบายได้ทั้งหมด
ปัญหานี้ขยายไปถึงภาคอื่น ๆ อีกมากมายเช่นกันโดยเฉพาะอย่างยิ่งในขอบเขตของสุขภาพและความปลอดภัย การแพทย์และการขนส่งทั้งสองอาจได้รับประโยชน์ในรูปแบบที่สำคัญจากการเรียนรู้ลึก แต่ยังต้องเผชิญกับอุปสรรคสำคัญในรูปแบบของกล่องดำ ผลลัพธ์ใด ๆ ในฟิลด์เหล่านั้นไม่ว่าจะมีประโยชน์เพียงใดก็ตามสามารถทิ้งไปโดยสิ้นเชิงเนื่องจากความไม่ชัดเจนของอัลกอริธึมพื้นฐานทั้งหมด นี่นำเราไปสู่จุดเจ็บปวดที่สุดที่ขัดแย้งกันของพวกเขาทั้งหมด ...
ระเบียบข้อบังคับ
ในฤดูใบไม้ผลิของปี 2559 สหภาพยุโรปผ่านกฎเกณฑ์การคุ้มครองข้อมูลทั่วไป (GDPR) ซึ่ง (เหนือสิ่งอื่นใด) ให้ประชาชน“ สิทธิในการอธิบาย” สำหรับการตัดสินใจอัตโนมัติที่สร้างขึ้นโดยระบบการเรียนรู้ของเครื่อง กำหนดให้มีผลบังคับใช้ในปี 2561 กฎระเบียบดังกล่าวก่อให้เกิดความกังวลในหมู่ บริษัท เทคโนโลยีที่ลงทุนในการเรียนรู้อย่างลึกซึ้งเนื่องจากกล่องดำที่ไม่สามารถทะลุผ่านซึ่งในหลาย ๆ กรณีอาจขัดขวางคำอธิบายของ GDPR
"การตัดสินใจของแต่ละบุคคลโดยอัตโนมัติ" ที่ GDPR ตั้งใจที่จะ จำกัด เป็นคุณลักษณะที่สำคัญของการเรียนรู้อย่างลึกซึ้ง แต่ความกังวลเกี่ยวกับเทคโนโลยีนี้เป็นสิ่งที่หลีกเลี่ยงไม่ได้ (และถูกต้องเป็นส่วนใหญ่) เมื่อมีโอกาสเลือกปฏิบัติสูงและโปร่งใสต่ำ ในสหรัฐอเมริกาสำนักงานคณะกรรมการอาหารและยาควบคุมการทดสอบและการตลาดของยาในทำนองเดียวกันโดยกำหนดให้กระบวนการเหล่านั้นสามารถตรวจสอบได้ สิ่งนี้ได้นำเสนออุปสรรคสำหรับอุตสาหกรรมยาดังที่เคยมีรายงานในกรณีของ บริษัท Biogen ที่ใช้เทคโนโลยีชีวภาพในรัฐแมสซาชูเซตส์ซึ่งป้องกันไม่ให้ใช้วิธีการเรียนรู้ที่ไม่สามารถตีความได้เนื่องจากกฎขององค์การอาหารและยา
ความหมายของการเรียนรู้ลึก (คุณธรรมการปฏิบัติและอื่น ๆ ) นั้นไม่เคยเกิดขึ้นมาก่อนและค่อนข้างลึกซึ้ง ความเข้าใจอย่างถ่องแท้รอบเทคโนโลยีเนื่องจากส่วนใหญ่เป็นการรวมกันของศักยภาพก่อกวนและตรรกะทึบแสงและฟังก์ชันการทำงานหากธุรกิจสามารถพิสูจน์การมีอยู่ของคุณค่าที่จับต้องได้ในการเรียนรู้อย่างลึกล้ำที่เกินกว่าภัยคุกคามหรืออันตรายที่อาจเกิดขึ้นได้พวกเขาก็สามารถช่วยนำทางเราผ่านขั้นตอนสำคัญต่อไปของปัญญาประดิษฐ์