Когда большинство людей думают о машинном обучении или ИИ, они негативно относятся к этому термину. Они думают либо о роботах, отнимающих работу у людей, либо о Скайнете или HAL 9000, зловещих существах-стражах, готовых захватить мир. На самом деле мы каждый день используем машинное обучение с нашими телефонами и их умными помощниками Siri и Cortana или умными автомобилями, которые анализируют окружение. Даже когда мы просматриваем веб-страницы, мы сталкиваемся с рекламой, основанной на наших покупательских привычках. Машинное обучение окружает нас повсюду и является движущей силой искусственного интеллекта. Но чтобы полностью понять влияние машинного обучения на общество, нам нужно заглянуть в прошлое, настоящее и будущее.

Что такое машинное обучение?

Машинное обучение — это научное исследование алгоритмов и статистических моделей, которые компьютерные системы используют для выполнения определенной задачи, не полагаясь на конкретные инструкции, а вместо этого опираясь на шаблоны и выводы. Термин машинное обучение был впервые введен Артуром Сэмюэлем в 1959 году, когда он работал в IBM. Его конечной целью было создание искусственного интеллекта (ИИ), и машинное обучение стало частью его стремления. После его открытия между теориями произошел раскол, и только в 1990-х годах машинное обучение действительно начало развиваться. Этот период был известен как Зима ИИ. Эта область сменила акцент с достижения ИИ на решение проблем более практического характера, заимствуя модели из статистики и теории вероятностей. Машинное обучение также сильно выиграло от изобретения всемирной паутины, поскольку оно получило доступ к огромному количеству данных.

Различные типы машинного обучения

Чтобы машинное обучение работало, требуется много данных для прогнозирования будущих результатов или для обучения машины выполнению задач. Хотя машинное обучение началось с большого количества неизменных статических данных, оно перешло к моделям обучения, которые обрабатывают данные в режиме реального времени.

Существует четыре основных подхода к машинному обучению:

  1. Обучение с учителем: обучающие данные для получения определенного результата
  2. Неконтролируемое обучение: обучающие данные без четкого вывода
  3. Полууправляемое обучение: обучающие данные с небольшим количеством желаемых результатов
  4. Обучение с подкреплением: вознаграждение искусственного агента в зависимости от того, что он делает.

Кто использует машинное обучение?

Вы, вероятно, даже не замечаете машинного обучения, которое происходит в вашей повседневной жизни. Этот спам-фильтр в вашем почтовом ящике? Это машинное обучение. Машинное обучение также уже есть в большинстве наших домов в виде умных динамиков, умных розеток и умных термостатов. Только в США 47,3 миллиона взрослых имеют доступ к умным колонкам. Однако машинное обучение оказывает большое влияние на некоторые отрасли нашего мира.

финансовый

Машинное обучение может очень легко оптимизировать внутренние процессы в финансовом секторе из-за большого объема данных, которые собирает этот сектор. Банки и финансовые учреждения используют машинное обучение для обнаружения мошенничества с помощью интеллектуального анализа данных (неконтролируемый тип обучения, используемый для обнаружения шаблонов данных). В недавнем отчете указано, что в ближайшие 15 лет роботы смогут выполнять 75% рабочих мест в сфере финансовых услуг с помощью машинного обучения.

Правительство

В недавней статье Делойта говорится: Правительства собирают огромное количество данных обо всем, от здравоохранения, жилья и образования до внутренней и национальной безопасности — как напрямую, так и через некоммерческие организации, которые они поддерживают. Правительства также производят данные, такие как данные переписи населения, информацию о рабочей силе, информацию о финансовых рынках, данные о погоде и данные глобальной системы позиционирования (GPS). С помощью этих данных государственные учреждения в таких областях, как коммунальные услуги, военные и инфраструктура, используют машинное обучение для повышения эффективности, выявления мошенничества и экономии денег. Некоторые инфраструктурные агентства используют эти данные для прогнозирования образования выбоин на городских улицах, а военные используют машинное обучение для прогнозирования механических поломок танков.

Здоровье

Носимые устройства и датчики делают машинное обучение быстрорастущей тенденцией в отрасли здравоохранения. Эти устройства помогают медицинским работникам выявлять любые тенденции, которые могут помочь в диагностике пациента, что приводит к лучшим вариантам лечения. Благодаря большим базам данных изображений в радиологии машинное обучение может быстро оценивать изображения, на обработку которых у медицинских экспертов ушло бы больше времени. Например, с помощью машинного обучения Google научила компьютеры выявлять рак у пациентов с точностью 89%. Стэнфорд использует алгоритм глубокого обучения для прогнозирования рака кожи и когда пациенты умрут, чтобы улучшить уход за больными в хосписах.

Транспорт

Мало того, что машинное обучение используется для автономных транспортных средств, оно также оказывает огромное влияние на то, как доставляются ваши посылки. Машинное обучение анализирует GPS водителей, куда доставляется посылка, когда клиент получает посылку, их скорость и погоду, чтобы найти наиболее эффективный маршрут для водителя доставки.

Критика машинного обучения

При всех выдающихся достижениях машинного обучения должна быть некоторая критика приложения. Согласно Др. Аллена из Университета Райса, машинное обучение создает кризис в науке. Аргумент Райс заключается в том, что все большее количество научных исследований использует машинное обучение на уже собранных данных. Она утверждает, что решения, которые предлагают эти ученые, неверны, потому что они применимы только к этому набору данных, а не к реальному миру. Доктор Аллен утверждает: В настоящее время в науке общепризнано наличие кризиса воспроизводимости. Я рискну утверждать, что огромная часть этого действительно связана с использованием методов машинного обучения в науке. Она называет это кризисом воспроизводимости.

Доктор Райс — не единственный критик машинного обучения. Гэри Маркус, профессор психологии Нью-Йоркского университета, имеет длинный список претензий к глубокому обучению. Они включают в себя сильную зависимость от больших наборов данных, его восприимчивость к машинным предубеждениям и его неспособность обрабатывать абстрактные рассуждения. Маркус заявил, что его самый большой страх заключается в том, что ИИ будет классифицирован как локальный минимум, слишком много внимания уделяющий детальному исследованию определенного класса доступных, но ограниченных моделей. ИИ — это еще одна зима ИИ».

Каков следующий шаг в машинном обучении?

Чем больше данных мы создаем и чем больше мы изучаем машинное обучение и его влияние на технологии, становится ясно, что существуют также этические обязанности, которые мы должны соблюдать как общество. Сейчас лишь несколько технологических компаний полностью инвестируют в машинное обучение и сбор данных. Что произойдет, если эта технология станет монополией? Будет ли эта технология доступна только состоятельным людям? Что, если критики машинного обучения правы и наступит еще одна зима ИИ? Будет трудно предсказать, что знает будущее.