Большинство людей, читающих эту статью, вероятно, знакомы с машинным обучением и соответствующими алгоритмами, используемыми для классификации или прогнозирования результатов на основе данных. Тем не менее, важно понимать, что машинное обучение не является решением всех проблем.
С какими проблемами мы сталкиваемся?
Этика
На кого падут обвинения, если механизм ИИ даст сбой? Наиболее часто обсуждаемый случай в сегодняшнее время – это самоуправляемые автомобили: как мы решаем, как транспортное средство должно реагировать в случае фатального столкновения?
Мы доверяем алгоритмам и данным больше, чем собственному суждению и логике.
Когда вы в последний раз ездили в отпуск и следовали инструкциям GPS, а не своим собственным суждениям о карте — ставите ли вы под сомнение оценку GPS? Люди буквально въезжали в озера, потому что слепо следовали инструкциям своего GPS.
Данные
Одно из самых видных ограничений - недостаток данных. Если ваша модель плохо обучится, это даст плохие результаты. Чем больше архитектура, тем больше данных требуется для получения жизнеспособных результатов.
Неправильное применение
Люди слепо используют машинное обучение, чтобы попытаться проанализировать системы, которые являются либо детерминированными, либо стохастическими по природе. В случае первого варианта, алгоритм может стать успешным, но он не будет знать, когда нарушает физические законы - поверхностное понимание основной физики. Мы просто дали некоторые входы и выходы в систему и сказали ей изучить отношения.
Интерпретируемость
Если вы не можете убедить своего клиента в том, что вы понимаете, как алгоритм пришел к решению, которое он принял, насколько вероятно, что он будет доверять вам и вашему опыту? Несмотря на очевидный успех, мы страдаем от недостаточной интерпретации своих методов.
Итог - нейронная сеть никогда не может сказать нам, как быть хорошим человеком, и, по крайней мере, пока, не понимает законы движения Ньютона или теорию относительности Эйнштейна.
Мы находимся в постоянном поиске грамотных специалистов машинного обучения с идеей или без. Наш фонд, Botan Investments, готов инвестировать в проекты, связанные с МЛ в области фото/видео/аудио контента. Если вы готовы пройти тестовое задание и стать частью компании, свяжитесь с нами, мы все подробно расскажем. Главное условие - вы живете в Санкт-Петербурге или готовы переехать к нам.