Nilalaman
- Mga Aplikasyon sa Negosyo ng Malalim na Pag-aaral
- Ang V ng Malaking Data at Malalim na Pag-aaral
- Walang Mga bug, Walang Stress - Ang Iyong Hakbang sa Hakbang Patnubay sa Paglikha ng Software na Pagbabago ng Buhay nang Walang Pagsira sa Iyong Buhay
- Ang Dilaw na Black Box
- Regulasyon
Pinagmulan: Agsandrew / Dreamstime.com
Takeaway:
Ang malalim na pag-aaral ay maraming nag-aalok ng mga negosyo, ngunit marami pa rin ang nag-aalangan na kunin ito. Narito tinitingnan namin ang ilan sa mga pinakamalaking puntos ng sakit.
Ang malalim na pag-aaral ay isang subfield ng pag-aaral ng makina, na (sa pangkalahatan ay nagsasalita) ay ang teknolohiya na kinasihan ng utak ng tao at ang mga pag-andar nito. Una na ipinakilala noong 1950s, ang pag-aaral ng makina ay pinagsama-sama ng kung ano ang kilala bilang artipisyal na neural network, isang kalakal ng magkakaugnay na mga node ng data na kolektibong bumubuo ng batayan para sa artipisyal na katalinuhan. (Para sa mga pangunahing kaalaman ng pagkatuto ng makina, tingnan ang Pag-aaral ng Machine 101.)
Mahalaga ang pag-aaral ng machine ng mga programa sa computer na baguhin ang kanilang sarili kapag sinenyasan ng panlabas na data o programming. Sa pamamagitan ng kalikasan, nagawa nitong magawa ito nang walang pakikipag-ugnayan ng tao. Nagbabahagi ito ng magkatulad na pag-andar sa pagmimina ng data, ngunit sa mga resulta ng mina na maproseso ng mga makina kaysa sa mga tao. Nahahati ito sa dalawang pangunahing kategorya: pinangangasiwaan at hindi sinusuportahan na pag-aaral.
Ang pinangangasiwaang pag-aaral ng makina ay nagsasangkot ng pag-iintindi ng mga paunang natukoy na operasyon sa pamamagitan ng may label na data ng pagsasanay. Sa madaling salita, ang mga pinangangasiwaang resulta ay kilala nang maaga ng (human) programmer, ngunit ang system na inferring ang mga resulta ay sinanay upang "alamin" ang mga ito. Ang hindi natutunan na pag-aaral ng makina, sa pamamagitan ng kaibahan, ay kumukuha ng mga sanggunian mula sa hindi naipakita na data ng input, madalas bilang isang paraan upang makita ang hindi kilalang mga pattern.
Ang malalim na pag-aaral ay natatangi sa kakayahan nitong sanayin ang sarili sa pamamagitan ng hierarchical algorithm, kumpara sa mga linear algorithm ng pag-aaral ng makina. Ang mga malalim na hierarchies ng pag-aaral ay lalong kumplikado at abstract habang sila ay binuo (o "matuto") at hindi umaasa sa pinangangasiwaan na lohika. Ang simpleng pag-aaral, ang malalim na pag-aaral ay isang mataas na advanced, tumpak at awtomatikong anyo ng pag-aaral ng makina, at nasa unahan ng artipisyal na teknolohiyang paniktik.
Mga Aplikasyon sa Negosyo ng Malalim na Pag-aaral
Ang pag-aaral ng makina ay karaniwang ginagamit sa maraming iba't ibang mga industriya. Halimbawa, ang social media ay ginagamit ito upang mai-curate ang mga feed ng nilalaman sa mga oras ng gumagamit. Itinatag ang Google Brain ilang taon na ang nakalilipas na may hangarin na gumawa ng malalim na pag-aaral sa buong mga serbisyo ng Google habang umuusbong ang teknolohiya.
Sa pokus nito sa mahuhulaan na analytics, ang larangan ng marketing ay partikular na namuhunan sa malalim na pagbabago sa pag-aaral. At dahil ang akumulasyon ng data ay kung ano ang nagtutulak sa teknolohiya, ang mga industriya tulad ng mga benta at suporta sa customer (na nagtataglay ng isang kayamanan ng mayaman at magkakaibang data ng customer) ay natatanging nakaposisyon upang gamitin ito sa antas ng lupa.
Maagang pagbagay sa malalim na pag-aaral ay maaaring maging napakahusay na pangunahing kadahilanan sa pagtukoy kung gaano karaming mga tiyak na sektor ang makikinabang mula sa teknolohiya, lalo na sa pinakaunang mga phase. Gayunpaman, ang ilang mga tiyak na mga puntos ng sakit ay pinipigilan ang maraming mga negosyo mula sa paglalagay sa malalim na pamumuhunan sa teknolohiya ng pagkatuto.
Ang V ng Malaking Data at Malalim na Pag-aaral
Noong 2001, isang analyst para sa META Group (Gartner ngayon) sa pamamagitan ng pangalan ng Doug Laney na nagbalangkas kung ano ang napansin ng mga mananaliksik na tatlong pangunahing hamon ng malaking data: dami, iba't-ibang at bilis. Sa loob ng isang dekada at kalahati mamaya, ang mabilis na pagtaas ng mga puntos ng pag-access sa internet (dahil sa kalakhan sa paglaganap ng mga mobile device at pagtaas ng teknolohiya ng IoT) ay nagdala ng mga isyung ito sa unahan para sa mga pangunahing kumpanya ng tech pati na rin ang mas maliit na mga negosyo at mga startup magkamukha. (Upang malaman ang higit pa tungkol sa tatlong v's, tingnan ang Malaking Data Hamon ng Storm Mula Sa Iba't ibang, Hindi Dami o bilis.)
Walang Mga bug, Walang Stress - Ang Iyong Hakbang sa Hakbang Patnubay sa Paglikha ng Software na Pagbabago ng Buhay nang Walang Pagsira sa Iyong Buhay
Hindi mo mapagbuti ang iyong mga kasanayan sa pagprograma kapag walang nagmamalasakit sa kalidad ng software.
Ang mga kamakailang istatistika sa paggamit ng data sa mundo ay nakakapagod. Ipinapahiwatig ng mga pag-aaral na halos 90 porsyento ng lahat ng data ng mundo ay nilikha lamang sa loob ng nakaraang ilang taon. Ang buong daigdig na trapiko sa mobile ay humigit-kumulang sa pitong exabytes bawat buwan sa paglipas ng 2016, ayon sa isang pagtatantya, at ang bilang na ito ay inaasahan na tumaas ng halos pitong beses sa loob ng susunod na kalahating dekada.
Sa kabila ng dami, iba't-ibang (ang mabilis na pagtaas ng pagkakaiba-iba sa mga uri ng data habang ang bagong media ay nagbabago at nagpapalawak) at bilis (ang bilis kung saan ipinapadala ang elektronikong media sa mga sentro ng data at mga hub) ay din ang pangunahing mga kadahilanan kung paano ang mga negosyo ay umaangkop sa larangan ng burgeoning ng malalim na pag-aaral. At upang mapalawak ang aparato sa mnemonic, maraming iba pang mga v-salita ang naidagdag sa listahan ng mga malalaking puntos ng sakit ng data sa mga nakaraang taon, kasama ang:
- Katunayan: Ang pagsukat ng kawastuhan ng data ng pag-input sa mga malalaking sistema ng data. Ang hindi wastong data na hindi natukoy ay maaaring magdulot ng mga makabuluhang problema pati na rin ang mga reaksyon ng kadena sa mga kapaligiran sa pag-aaral ng makina.
- Pagkamali-mali: Ang malaking data ay natural na nag-aalis sa mga alalahanin sa seguridad, sa pamamagitan lamang ng kabutihan ng sukat nito. At bagaman may malaking potensyal na nakikita sa mga sistema ng seguridad na pinapagana ng pag-aaral ng makina, ang mga system sa kanilang kasalukuyang pagkakatawang-tao ay nabanggit para sa kanilang kakulangan ng kahusayan, lalo na dahil sa kanilang pagkahilig na makabuo ng mga maling alarma.
- Halaga: Ang pagsulong ng potensyal na halaga ng malaking data (sa negosyo o sa ibang lugar) ay maaaring maging isang malaking hamon sa anumang bilang ng mga kadahilanan. Kung ang alinman sa iba pang mga puntos sa sakit sa lista na ito ay hindi maaaring mabisang direksiyon, kung gayon sa katunayan sila ay maaaring magdagdag ng negatibong halaga sa anumang sistema o samahan, marahil kahit na may masamang epekto.
Ang iba pang mga alliterative pain point na naidagdag sa listahan ay may kasamang pagkakaiba-iba, kawastuhan, pagkasumpungin at paggunita - lahat ng pagtatanghal ng kanilang sariling natatanging mga hanay ng mga hamon sa malalaking sistema ng data. At higit pa maaaring maidagdag bilang umiiral na listahan (marahil) mga taper sa paglipas ng panahon. Habang ito ay tila medyo naiiba sa ilan, ang listahan ng mnemonic "v" ay sumasaklaw sa mga seryosong isyu na nakakaharap sa malaking data na may mahalagang papel sa hinaharap ng malalim na pag-aaral.
Ang Dilaw na Black Box
Isa sa mga kaakit-akit na tampok ng malalim na pag-aaral at artipisyal na katalinuhan ay ang parehong inilaan upang malutas ang mga problema na hindi makakaya ng tao. Ang parehong mga phenomena na dapat payagan na, gayunpaman, ay nagtatanghal din ng isang kawili-wiling dilema, na nagmumula sa anyo ng kung ano ang kilala bilang "itim na kahon."
Ang neural network na nilikha sa pamamagitan ng proseso ng malalim na pag-aaral ay napakalawak at napakasalimuot na ang masalimuot na mga pag-andar nito ay mahalagang hindi maipaliwanag sa pagmamasid ng tao. Ang mga datos ng siyentipiko at inhinyero ay maaaring magkaroon ng isang masusing pag-unawa sa kung ano ang napupunta sa mga malalim na sistema ng pag-aaral, ngunit kung paano sila nakarating sa kanilang mga desisyon ng output nang mas madalas kaysa sa hindi ganap na hindi maipaliwanag.
Bagaman hindi ito maaaring maging isang makabuluhang isyu para sa, sabihin, ang mga namimili o tindera (depende sa kung ano ang kanilang ipinagbebenta o ibinebenta), ang iba pang mga industriya ay nangangailangan ng isang tiyak na halaga ng pagpapatunay ng proseso at pangangatuwiran upang makakuha ng anumang paggamit ng mga resulta. Halimbawa, ang isang kumpanya ng serbisyo sa pananalapi, ay maaaring gumamit ng malalim na pag-aaral upang maitaguyod ang isang mahusay na mekanismo sa pagmamarka ng kredito. Ngunit ang mga marka ng kredito ay madalas na dapat dumating kasama ang ilang uri ng pandiwang o nakasulat na paliwanag, na magiging mahirap na mabuo kung ang aktwal na equation ng pagmamarka ng kredito ay ganap na hindi nakakaintriga at hindi maipaliwanag.
Ang problemang ito ay umaabot din sa maraming iba pang mga sektor, lalo na sa mga lugar ng kalusugan at kaligtasan. Ang gamot at transportasyon ay maaaring kapwa makikinabang sa mga pangunahing paraan mula sa malalim na pag-aaral, ngunit nahaharap din sa isang makabuluhang balakid sa anyo ng itim na kahon. Ang anumang mga resulta ng output sa mga patlang na ito, kahit gaano kapaki-pakinabang, ay maaaring ganap na maitapon sa account ng kumpletong kalikutan ng kanilang pinagbabatayan. Dinadala namin ito sa marahil ang pinaka-kontrobersyal na punto ng sakit sa kanilang lahat ...
Regulasyon
Noong tagsibol ng 2016, ipinasa ng European Union ang General Data Protection Regulation (GDPR), na (bukod sa iba pang mga bagay) ay nagbibigay ng mga mamamayan ng "karapatan sa isang paliwanag" para sa mga awtomatikong desisyon na nalikha ng mga sistema ng pag-aaral ng machine na "makabuluhang nakakaapekto" sa kanila. Naka-iskedyul na magkakabisa sa 2018, ang regulasyon ay nagdudulot ng pag-aalala sa mga tech na kumpanya na namuhunan sa malalim na pag-aaral sa account ng hindi maiiwasang itim na kahon, na kung saan ay sa maraming mga kaso na pumipigil sa paliwanag na ipinag-uutos ng GDPR.
Ang "awtomatikong indibidwal na paggawa ng desisyon" na nilalayon ng GDPR na higpitan ay isang mahalagang katangian ng malalim na pag-aaral. Ngunit ang mga alalahanin sa teknolohiyang ito ay hindi maiiwasan (at higit sa lahat may bisa) kapag ang potensyal para sa diskriminasyon ay napakataas at ang transparency ay napakababa. Sa Estados Unidos, ang Pamamahala ng Pagkain at Gamot ay katulad na kinokontrol ang pagsubok at marketing ng mga gamot sa pamamagitan ng pag-uutos sa mga prosesong ito upang manatiling maririnig. Inilahad nito ang mga hadlang para sa industriya ng parmasyutiko, tulad ng naiulat na kaso para sa Massotusetts na nakabase sa biotechnology na kumpanya na Biogen, na napigilan mula sa paggamit ng hindi maipaliwanag na mga pamamaraan ng malalim na pagkatuto dahil sa panuntunan ng FDA.
Ang mga implikasyon ng malalim na pag-aaral (moral, praktikal at lampas) ay walang uliran at, lantaran, lubos na malalim. Ang isang napakahusay na pag-ikot ay pumapalibot sa teknolohiya dahil sa malaking bahagi sa isang kumbinasyon ng mga nakakagambalang potensyal nito at ang nakamamatay na lohika at pag-andar.Kung ang mga negosyo ay maaaring patunayan ang pagkakaroon ng nasasalat na halaga sa loob ng malalim na pag-aaral na lumampas sa anumang maiisip na mga banta o peligro, kung gayon maaari silang tulungan humantong sa amin sa susunod na kritikal na yugto ng artipisyal na katalinuhan.