Пять приятных моментов от VentureBeat Transform

Я только что вернулся с конференции Venture Beat Transform 2019 здесь, в Сан-Франциско, и должен сказать, что впервые за много лет я начинаю чувствовать, что индустрия наконец-то начинает получать это.

О чем я конкретно говорю? Что ж, я традиционно всегда прав насчет вещей, и на этот раз я был невероятно прав в отношении проблем, с которыми рынок мог столкнуться при внедрении машинного обучения. Просто ознакомьтесь с этими отличными сообщениями в блоге;

  1. Машинное обучение иногда ошибочно - ВСЕ как с этим справиться
  2. Как забавный субреддит помогает объяснить машинное обучение
  3. Интеграция ИИ? Вот 3 проблемы, с которыми вы можете столкнуться .
  4. Чем не является машинное обучение

Мне действительно казалось, что все на этой конференции прочитали эти сообщения и рассказали аудитории обо всем, что узнали. Этого, конечно, не произошло.

Помогите людям принимать более правильные решения

Впервые за тысячи лет я посетил конференцию по искусственному интеллекту, на которой люди на сцене говорили о том, что нужно немедленно внедрить машинное обучение. Итак, наконец, я думаю, что рынок в целом действительно начинает понимать, в чем ценность и почему машинное обучение может быть такой удивительной технологией.

Сразу же на конференции меня поразила компания, рассказывающая о том, что все, что они делают, это помогает людям принимать более правильные решения. Никакой ерунды насчет 100% полной автоматизации или замены человеческого познания моделями, которые лучше нас… просто беседа у камина о простом решении на основе машинного обучения, которое позволяет людям принимать более обоснованные решения.

Это ИТО то, что уникально предназначено для машинного обучения. Он может обрабатывать миллиарды бит данных и выявлять только то, что важно, он может предсказать, когда и где возникнут проблемы, которые человек может затем рассмотреть, и он может позволить нам сосредоточиться на том, для чего люди имеют уникальную возможность. . Вскоре после этого технический директор Microsoft заявил, что «сосредоточенность очень важна». Да, это мой добрый сэр, да, это так.

Встраивание человека

Это по-прежнему тот случай, когда специалисты по обработке данных безраздельно правят как наши проводники и лидеры с помощью этой несколько новой технологии. Я уверен, что все мы хотели бы быть экспертами, но самый ценный аспект машинного обучения сегодня - это то, насколько хорошо вы можете решить проблему с помощью наборов данных. У Gap, Facebook и Uber были презентации о том, как они успешно интегрировали машинное обучение в свои стеки, и, что никого не удивило, были некоторые общие черты.

Самым интересным общим знаменателем успешного развертывания ИИ на этих предприятиях было встраивание специалистов по данным в разные команды в организации. Эти храбрые мужчины и женщины большую часть времени слушали. «Какие проблемы были у людей?» - спрашивали они себя. Только посидев со своими коллегами и поняв проблемы, они могут порекомендовать решение на основе машинного обучения. Так они добились масштабирования с помощью ИИ в организации. Крупный поставщик облачных услуг (вероятно, AWS) сказал кому-то в Facebook, что их внутреннее использование ИИ шире, чем совместное использование всеми их клиентами, использующими их сервисы ИИ.

Это очень важно. Прежде чем пытаться внедрить технологию, необходимо всегда учитывать проблему. «Давай сделаем что-нибудь с ИИ» не сработает. Это все равно, что сказать «давай займемся электричеством» или «Интернетом».

Неточность и неопределенность

Моей любимой частью конференции была панель в треке компьютерного зрения о сценарии использования Royal Caribbean Cruises для подсчета людей в ресторане. Если бы когда-либо было только две вещи, если сложить их вместе, которые привели бы меня в ярость, это были бы очереди и рестораны. Ожидание еды из-за толпы - моя версия ада.

Направление меня в другой ресторан, потому что один из них переполнен, определенно помешает мне организовать мятеж на борту круиза по Королевскому Карибскому морю. Что ж ... именно это они и сделали, но они сделали это с помощью компьютерного зрения!

Их цель состояла в том, чтобы использовать канал с камеры видеонаблюдения в ресторане для подсчета присутствующих людей и передать эту информацию в приложение, которое перенаправит клиента. Но столкнулись с проблемой. Обучение модели компьютерного зрения для подсчета людей с камеры видеонаблюдения «рыбий глаз» - худший кошмар для каждого инженера по машинному обучению.

Я поднял руку и спросил, почему они просто не использовали другую камеру, установленную в лучшем месте, и ответ меня удивил. Новые камеры должны иметь морской сертификат и устанавливаться, пока корабль находится в сухом доке, что намного дороже, чем просто обучение YOLO на каком-то ужасном видео с рыбьим глазом.

Изучение счетчика посетителей с помощью видеокамеры «рыбий глаз» не дало модели, которая могла бы быть очень точной в отношении количества людей в ресторане. К счастью, они поняли, что нет никакого смысла говорить о разнице между 100–115 людьми. Все, что им действительно нужно было знать, - это количество людей, чтобы определить, насколько заполнено пространство. Поэтому они не беспокоились о том, чтобы вернуть совершенно точное число.

ОТЛИЧНО! Именно так реализовать машинное обучение.

Режим отказа

Хилари Мейсон, генеральный директор по машинному обучению в Cloudera, перечислила несколько режимов сбоя, в которые может попасть предприятие при внедрении ИИ. Вверху этого списка находятся нереалистичные ожидания. Ах, старые добрые нереалистичные ожидания, о которых я вспоминаю каждый раз, когда смотрю в зеркало или пишу сообщение в блоге. Но это также было то, с чем я профессионально боролся в индустрии искусственного интеллекта уже много лет.

Во время той же беседы у камина на сцене было упомянуто, что шумиха вокруг машинного обучения в СМИ проблематична, потому что не сосредотачивается на том, полезно ли что-то или нет. Я проделал невероятную работу, написав об этом еще в начале 2018 года, потому что даже тогда тенденция несоответствия ожиданий была в самом разгаре. Итак, снова было прекрасным облегчением видеть, как другие повторяют то, что я считаю фундаментальным препятствием для успешного внедрения ИИ в больших масштабах.

Вот пример того, как это происходит, и, что более важно, как вы можете с этим справиться.

Когда преобразование речи в текст впервые стало доступно в виде службы API, я наблюдал, как продавцы обращаются к вещательным компаниям и продают ее в качестве альтернативы тому, как люди создают скрытые субтитры. Когда заказчик действительно запускал свой контент через эти системы, результаты были точны только на 80%… если им повезло. В качестве альтернативы скрытым субтитрам преобразование речи в текст не удалось.

Когда я увидел это, я схватил отделы продаж, привел их в комнату и продемонстрировал, как преобразование речи в текст генерирует множество доступных для поиска терминов (например, люди, места и вещи), которые представляют большую ценность для менеджеров контента и архивов. . Затем группы продаж вышли и начали говорить о решении проблем с возможностью поиска, и именно тогда мы начали добиваться успеха.

Нам не следует бегать в поисках проблем, которые можно решить с помощью машинного обучения, нам нужно начать с проблемы и посмотреть, как машинное обучение может повысить ценность.

Кому принадлежит будущее?

Хилари Мейсон также напоминает нам, что разработчики привыкли взаимодействовать с детерминированными системами. Если я ввожу в калькулятор 2 + 2, всегда должно получиться 4. Но в машинном обучении, когда вы впервые вводите 2 + 2 в систему, ответ может быть неправильным. Разработчикам необходимо начать привыкать к системам, которые обучаются, системам, которые возвращают вероятности с планками ошибок.

Широкое использование машинного обучения разработчиками приведет к более широкому распространению этой технологии на рынке, но настоящее волшебство произойдет, когда она пробьется через мир разработчиков и достигнет уровня продукта. Только менеджеры по продукту понимают бизнес и рынок и теоретически могут построить мост между технологией и корпоративными покупателями. Они знают, что действительно нужно клиенту, а не разработчики, специалисты по обработке данных, продавцы или кто-либо еще.

Однако хитрость с машинным обучением заключается в том, чтобы преодолеть технический барьер для входа. Инструменты, позволяющие разработчикам и менеджерам по продуктам разрабатывать, внедрять и масштабировать полезное машинное обучение, все чаще появляются на рынке. По мере того, как эти возможности насыщают умы нужных людей, занимающих нужные должности, мы увидим массовое внедрение ИИ, которое нам всем обещали.