Brak kategorii

10 mitów o sztucznej inteligencji

Z tego artykułu dowiesz się:

Sztuczna inteligencja staje się coraz bardziej popularnym tematem i to dlatego pojawia się również szeregów mitów, które bardzo przeszkadzają i zaburzają obraz rzeczywistości przez to, że wpadają w pewne skrajności. Dlatego dzisiaj przygotowałam dla Ciebie 10 mitów na temat sztucznej inteligencji i moimi przemyśleniami jak to jest rzeczywiście.

Przechodząc do tematu tego artykułu, zebrałem dla Ciebie 10 najczęstszych mitów na temat sztucznej inteligencji, które skutecznie obalę.

Mit 1 – sztuczna inteligencja istnieje

Jeśli słuchasz regularnie moich podcastów i/lub czytasz tego bloga, to wiesz, że staram się często mówić “tak zwana sztuczna inteligencja”. Dlaczego “tak zwana”? Obecnie są pewne osiągnięcia, które nazywane są sztuczną inteligencją, ale to jest coś innego niż prawdziwa sztuczna inteligencja.

Mimo tego że świat zmienia się szybciej, niż myślisz i coraz bardziej zauważalne są skala i głębokość tych zmian, to jednak tam pod spodem jest coś innego niż prawdziwa sztuczna inteligencja, prędzej zwykłe uczenie maszynowe.

Krąży popularny żart o tym, czym różni się sztuczna inteligencja od uczenia maszynowego. Odpowiedź: jeśli to jest zaprogramowane w PowerPoint to prawdopodobnie to jest sztuczna inteligencja, jeśli w Python (czyli język programowania) to prawdopodobnie to jest uczenie maszynowe.

Drugi podobny żart wyjaśnia, jak to działa. Dział marketingu mówi, że firma używa sztucznej inteligencji, zaś dział HR zatrudnia specjalistów od uczenia maszynowego,a to wszystko dzieje się jednej firmie :).

Co ciekawe, nie do końca wiadomo, czym sztuczna inteligencja faktycznie jest. Jak można zdefiniować, czym jest inteligencja? Sporo testów, które ma przetworzyć sztuczna inteligencja, aby potwierdzić swoje istnienie, jest zbyt sztucznych i można je łatwo oszukać wykorzystując naturalną inteligencję. Z drugiej strony część z tych testów jest zbyt trudna dla naturalnej inteligencji, czy to więc oznacza, że ludzie jej nie mają? Czy w ogóle mówiąc o inteligencji, możemy sobie pozwolić na binarną metrykę (masz/nie masz)? No właśnie.

Mimo tego tak się stało, że sam termin “sztuczna inteligencja” stał się standardem, dlatego również ja go używam, żeby nie wprowadzać nowego nazewnictwa. Warto jednak zdawać sobie sprawę, co się kryje pod “sztuczną inteligencją”.

Zwrócę jeszcze uwagę, że inteligencja i świadomość, to jest zupełnie coś innego. Mimo tego że modele stają się coraz bardziej inteligentne, to jednak nie zdają sobie sprawy, że to robią. Mówi się: “nie boję się, kiedy sztuczna inteligencja przejdzie Test Turinga. Boję się, kiedy będzie udawać, że nie przeszła” i to jest istotna różnica. Rozważanie nad tym, czym jest świadomość, wykracza poza ten artykuł, ale zastanów się nad tym na spokojnie. Skąd wiesz, że istniejesz?

Zhuangzi śni motyle

Ponad 2000 lat temu w Chinach żył mistrz Zhuangzi. Pewnego dnia siedział smutny i nad czymś intensywnie rozważał. Jego uczniowie zapytali go, co się stało. Odpowiedział, że tej nocy śniło mu się, że był motylem i to było pięknie. Na to padło pytanie: “ale co jest w tym złego?” Na co mistrz odpowiedział: “kiedy we śnie byłem motylem, to nie wiedziałem, że jestem Zhuangzi, następnie kiedy obudziłem się, to uświadomiłem sobie, że przecież jestem Zhuangzi, a nie motylem. Natomiast teraz mam dylemat, czy jestem Zhuangzi, któremu śniło się, że jest motylem, czy na odwrót?”

Jak często masz sen, który wygląda zdecydowanie bardziej realnie niż tak zwane prawdziwe życie?

Zostawię Cię z pytaniem filozoficznym: jak myślisz, czy tak zwana sztuczna inteligencja będzie mogła śnić?

Mit 2 – sztuczna inteligencja jest tylko dla dużych graczy

Uważa się, że sztuczna inteligencja to temat tylko i wyłącznie dla dużych graczy – GAFAM (pięć największych firm technologicznych: Google, Amazon, Facebook, Apple oraz Microsoft). Oczywiście, należy przyznać, że wymienione firmy naprawdę inwestują duże pieniądze, często miliardy na rozwój tak zwanej sztucznej inteligencji, ale również umożliwiają innym używać uczenia maszynowego w praktyce.

GAFAM

Google, Amazon czy Microsoft oferują szereg usług w chmurze, które bardzo ułatwiają wystartować w obszarze uczenia maszynowego bez większej wiedzy. Oczywiście, tutaj trzeba zdawać sobie sprawę, że nie ma bezpłatnego obiadu (no free lunch), dlatego te rozwiązania są zbyt uogólnione, żeby móc skalować się na ilość. Dlatego czasem naprawdę trzeba postarać się, żeby korzystać z tego w większym stopniu (więcej o tym w kolejnych punktach).

Wiele firm także tych mniejszych (zatrudniających mniej niż 50 pracowników) może w ten czy inny sposób używać uczenia maszynowego. To, co pokazuję na swoich kursach online, często skutkuje w tym, że w firmach pojawiają się jednoosobowe lub nawet większe zespoły, które zaczynają rozwiązywać pewne problemy wykorzystując uczenie maszynowe. Innymi słowy – da się to robić. Co prawda, trzeba podkreślić, że to wymaga odpowiednich osób. Na szczęście w Polsce jest dużo talentów, które szybko rozwijają się w tym zakresie i całkiem fajnie sobie radzą z wdrażaniem rozwiązań.

Warto też rozróżnić role, które poprzez analogię często tłumaczę jako kierowców oraz mechaników. Na świecie jest ponad 2 miliardy kierowców i tylko mały ułamek wie, jak dokładnie działa silnik, a co dopiero potrafią go usprawnić. Kierowcy nie potrzebują tej wiedzy. Ich zadaniem jest przedostać się z punktu A do punktu B. Mają inne problemy np.: jak ominąć korek, znaleźć optymalną drogę dojazdu, obsługiwać pojazd (tankowanie, ubezpieczenie itd.). Jeśli dzieje się coś złego z samochodem, to kierowca jedzie do mechanika. To właśnie oni znają się na tym, jak działa silnik, a pracując u producenta odpowiadają za usprawnianie maszyn i tworzenie coraz lepszych modeli.

Można powiedzieć, że duzi gracze inwestują w mechaników i inżynierów, czyli pracę badawczą. Przez to, że te silniki (rozwiązania) są dostępne dla ogółu, to każdy, kto ma prawo jazdy (odpowiednie umiejętności), może wykorzystywać te rozwiązania do swoich własnych celów.

Czasem można spotkać się ze skrajnym zdaniem, według którego każdy może być specjalistą uczenia maszynowego nawet małpa. Małpa za kierownicą jest złym pomysłem, prawda? Jak często spotykasz “małpy” prowadzące samochód? Jak już się zdarzy, to jak reagujesz?

Mit 3 – sztuczna inteligencja to gotowy przepis na sukces

Dość często myli się przyczynę ze skutkiem. Jest dużo firm, które na skutek zastosowania uczenia maszynowego usprawniło swój biznes, bo podejmują trafnijesze decyzje lub dostarczają lepsze usługi. To jednak wcale nie oznacza, że każda firma, który wdroży (w dowolny sposób) uczenie maszynowe będzie miała z tego korzyści.

Algorytmy należy traktować jako narzędzie. To narzędzie we właściwych rękach potrafi być skuteczne. Natomiast to nie jest tak, że mając narzędzie w rękach każdy zrobi dzięki temu cuda :).

Ważnym elementem we wdrażaniu rozwiązań sztucznej inteligencji jest skupienie się na tym, co jest ważne. Pomagam firmom wdrażać uczenie maszynowe i jedno z pierwszych pytań, które zadaję to: jakie wymierne korzyści to przyniesie? Wyobraźmy sobie, że udało się rozwiązać dany problem w idealny sposób i co dalej? Dość często okazuje się, że korzyści z tego będą małe lub nawet ujemne (bo trzeba zainwestować w to rozwiązanie). Dodatkowo warto pytać wprost, kto i w jaki sposób będzie korzystał z tego rozwiązania, bo wtedy zaczyna wychodzić szereg problemów integracyjnych (tzw. dług techniczny).

Krzysztof Kędzierski – Dług techniczny – narzędzie profesjonalisty

Bardzo ważnym jest, aby zaangażować eksperta domenowego. Tego mnie osobiście nauczyła praktyka: rezygnować z projektów, w których brakuje współpracy z ekspertem domenowym. Powinno się mieć przydzielonego eksperta na np. 4h w tygodniu do dyskusji i interpretacji wyników. W każdym trochę bardziej złożonym problemie jest to konieczne. Uwierz mi, sprawdziłem na własnej skórze :).

Sztuczna inteligencja to żadna magia, sama cudów nie sprawi. Tam pod spodem są liczby i pewne prawa matematyczno-statystyczne. Wrzucanie czegokolwiek i spodziewanie się, że jakoś będzie, jest złą strategią, która w 100% skończy się porażką.

Mit 4 – algorytmy są ważniejsze niż dane

Czym więcej danych tym lepiej. Przez dłuższy czas taki slogan gościł na wielu konferencjach i w licznych artykułach. Ludzie zaczęli zbierać dane w dużej ilości i wtedy pojawił się problem. Jak to zwykle bywa, czym bardziej bezmyślne działanie, tym ciężej jest spodziewać się, że wyprodukuje to jakąś wartość. Jeśli dane zbieramy tylko po to, żeby zmierzyć jak dużo ich mamy, to wystarczy włączyć losowy generator danych i szybko wygenerować terabajty – nie trzeba do tego sztucznej inteligencji.

Bill Gates kiedyś powiedział, że:

mierzenie efektywności programisty ilością napisanych linii kodu, to jak mierzenie efektywności projektów samolotów wg ich wagi.

Bardzo ważne jest pamiętać co jest przyczyną i co skutkiem.

W uczeniu maszynowym są dwie skrajności: przeuczenie się (ang. overfitting) oraz niedouczenie się (ang. underfitting). W przypadku gdy model jest niedouczony, to dokładanie więcej danych jest złym pomysłem, bo nie dostarczy to lepszych wniosków. Trzeba zmieniać algorytm na bardziej złożony lub poszukiwać lepszych cech zamiast mnożyć bezwartościowe dane.

Polecam artykuł Netflixa, gdzie poruszane jest pytanie: więcej danych czy bardziej zaawansowany model?

Zostawię Cię z przykładem, żeby jeszcze lepiej udało się wyczuć ten punkt. Jeśli prognozujesz konwersje, to znacznie lepiej będzie dostarczyć informacje o kliencie z CRM, zamiast informacji opisowych takich jak urządzenie, z którego korzysta lub rozmiar ekranu. Oczywiście informacja o urządzeniu też może się przydać, ale mając tylko taką daną (zbyt ogólną) ciężko zrobić dobrą prognozę, nawet jeśli używasz bardzo zaawansowanego modelu. To działa także w drugą stronę. Nawet bardzo prosty algorytm (np. regresja liniowa) może dawać czasem bardzo dobry wynik, jeśli ma bardzo dobre cechy.

Mit 5 – Mam lub nie mam danych

Pomagając firmom wdrażać uczenie maszynowe, które daje wartość, wypracowałem szereg pytań. Jedno z nich dotyczy danych: jakie są, w jakiej formie i w jaki sposób można się do nich dostać? Dość często odpowiedź jest taka, że dane są, ale na tym koniec. W szczególności to jest duży problem dla dużych firm, w których biurokracja jest na tak wysokim poziomie, że nawet jeśli te dane są, to nikt nie wie, gdzie, jak i po co.

Z drugiej strony mniejsze firmy sądzą, że z uwagi na swoją wielkość nie posiadają danych. Przecież tylko duzi gracze mogą mieć terabajty czy petabajty danych, bo posiadają miliardy użytkowników. Gdy klientów jest stu, to nie ma tu pola do działania. Okazuje się jednak, że danych może być bardzo dużo również w tym przypadku. Wystarczy tylko wiedzieć, jak je zbierać. Jeden klient może wygenerować bardzo dużo informacji i chodzi o coś więcej niż adres firmy, branża itd.

Warto przyznać, że brainstorming o tym, jak pozyskać dane może być trudniejszy i wymagać podejścia twórczego, czyli myślenia innego niż w określonych szablonach. Natomiast to jest jedna z największych przewag małych firm, że myślą inaczej, bardziej twórczo. Jako namacalny przykład podobnego myślenia (chociaż to było zastosowane w dużej firmie, ale wymyślone przez jednego człowieka, więc w tym przypadku rozmiar firmy jest mało istotny) polecam przeczytać artykuł “Schneider Electric i sztuczna inteligencja w sprzedaży” lub posłuchać 45 odcinka podcastu.

Zapamiętaj: dane są bardzo ważne, natomiast ważne są te, które są ważne :). Brzmi jak masło maślane, ale idea jest prosta: działaj z rozsądkiem. Zbieranie danych tylko po to, żeby powiedzieć, jak dużo ich masz, brzmi dziwnie. Są pewne metody, które umożliwiają Ci lepiej zrozumieć, jakich danych potrzebujesz, jakie już masz i jakich Ci brakuje. Wtedy znacznie łatwiej jest zacząć działać i zbierać właściwe dane po to, żeby osiągnąć właściwy cel.

Mit 6 – prototyp = rozwiązanie do wdrożenia

Istnieje bardzo dużo firm, które zrobiły swój pierwszy prototyp, który pokazał całkiem dobre wyniki. Natomiast znacznie mniej jest firm, które wdrożyły to produkcyjnie i czerpią z tego namacalne korzyści. Dlaczego? Jest duża odległość pomiędzy pomysłem, prototypem i wdrożeniem. Oczywiście warto tu powiedzieć, że prototypy są ważne – mało tego są konieczne, żeby szybko iterować pomysły i wykrywać te najciekawsze, ale warto sobie zdawać sprawę, że to dopiero początek.

Posłużę się kilkoma przykładami. Zrobić prototyp samochodu autonomicznego lub nawet coś mniejszego, np. rozpoznawanie znaków drogowych jest znacznie łatwiejszym zadaniem niż zbudowanie autonomicznego samochodu, który będzie bezpieczny w 100% (lub bardzo blisko tego). Na moim autorskim kursie online “praktyczne uczenie maszynowe od podstaw” na DataWorkshop pokazuję, jak można skutecznie rozpoznawać znaki drogowe (uczestnicy potrafią osiągnąć dokładność nawet 99%!).

Prognozowanie znaków drogowych

Natomiast warto zdawać sobie sprawę, że to dopiero początek, który pokazuje, że w idealnych warunkach znaki można rozpoznać. Natomiast w rzeczywistości warunki nie są idealne – np. znaki drogowe w nocy, podczas deszczu czy w trakcie intensywnych opadów śniegu. Temu też można zaradzić, ale to jest kolejny poziom zaawansowania. Czym bardziej chcesz zbudować zaawansowane rozwiązanie, tym więcej przypadków (często skrajnych) trzeba rozwiązać.

Christopher Wynne z Papa John’s powiedział, że przez 10 lat zbierali zdjęcia produkowanych pizz, których zebrali około 700 000. Informacje, które posiadali to zdjęcia, przepis oraz jakość wyrażana w skali od 1 do 10 według różnych parametrów. Dzięki temu udało się zbudować model, który ocenia jakość. Dlaczego tak długo? O to trzeba dopytać twórców, natomiast domyślam się, że to wynika z braku zrozumienia celu, takie klasyczne błądzenie.

Zapamiętaj: prototypy są ważne i wręcz konieczne, ale długa droga do sytuacji, kiedy model zostanie wdrożony na produkcję. To trzeba uwzględnić na różnych poziomach myślenia, również na poziomie budżetowania.

Mit 7 – sztuczna inteligencja = roboty

Najczęstsza opinie krążąca wokół tego tematu. Z definicją robotów teraz jest trudniej niż wcześniej. Dawniej robot, to było takie coś fizycznego, np. Terminator, czyli coś, co ma pewną materialną realizację. Teraz ten temat został poszerzony i software też może być robotem (RPA – ang. robotic process automation). To co zwykle jest nazywane robotem, to w pewnym sensie jest wykonawca (“ręce”) tego, co ktoś inny powie (zakoduje). Natomiast sztuczna inteligencja w tej analogii jest głową, która mimo tego że również jest softwarem, to skupia się na bardziej intelektualnych zadaniach niż sprawach operacyjnych.

Oczywiście te rzeczy można łączyć i właśnie to teraz się dzieje, czyli trend łączenia machine learning + robotic process automation. To ma dużą przyszłość, ale jeszcze trochę to potrwa, żeby całość odpowiednio dopracować.

Zapamiętaj, że mówiąc o robotach, zwykle mówi się o “rękach”, natomiast mówiąc o sztucznej inteligencji, raczej mówi się o “głowie”.

Mit 8 – Sztuczna inteligencja to kura znosząca złote jajka

Pewnie kojarzysz ten żart, że jak jest kura, która znosi złote jajka, to bardzo chcemy mieć tylną część kury, która te jajka znosi i pozbyć się przedniej części, która musi jeść (czyli generuje koszty). Wbrew pozorom wiele decydentów ma podobne myślenie wdrażając uczenie maszynowe. Narzekają: jak to jest możliwe, że kura chce również coś zjeść? Myślałem, że będzie tylko znosić złote jajka.

Klasyka gatunku: idziesz na konferencję, na której słyszysz, że uczenie maszynowe przynosi duże korzyści i zaczynasz to wdrażać w swojej organizacji. Potem nagle okazuje się, że są straty… Trzeba lepiej zrozumieć i uświadomić naturę wdrożenia projektów badawczo-rozwojowych (R&D), aby mogły one procentować.

O tym już wcześniej wspomniałem w punkcie trzecim, że uczenie maszynowe (lub tak zwana sztuczna inteligencja) to nie magia i to trzeba umieć odpowiednio skonfigurować, żeby zaczęło przynosić korzyści.

Nic się samo nie dzieje. Żeby kura mogła znieść złote jajko, to najpierw musi odpowiednio zjeść. Żeby uczenie maszynowe przyniosło korzyści, najpierw musi zostać odpowiednio wdrożone. W poprzednim artykule wspomniałem o Sberbanku oraz wywiadzie z jego prezesem Grefem, który przyznał, że na skutek błędów sztucznej inteligencji stracili miliardy rubli, ale dzięki temu nauczyli się ich unikać i podejmować trafniejsze decyzje. Najpierw pojawiły się straty, które następnie przyniosły wielokrotnie większe korzyści. Innym przykładem jest producent motocykli Harley-Davidson. Prezes firmy, Asaf Jacobi, chwalił się, że 40% sprzedaży w Nowym Jorku przypisane jest sztucznej inteligencji, ale osiągnięcie takiego wyniku zajęło pół roku.

Takich przykładów jest wiele. Zwykle dopiero po kilku, kilkunastu czy nawet kilkudziesięciu iteracjach model zaczyna przynosić wymierne korzyści. Stąd można zrobić prosty wniosek, że trzeba zorganizować środowisko, w którym można w sposób prosty i szybki zweryfikować hipotezę. Ważne jest, aby robić to na żywym organizmie, a nie udawać tylko i wyłącznie symulacje (chociaż same symulacje też mają sens, o tym podejściu więcej można przeczytać/posłuchać w 42 odcinku podcastu “Sztuczna inteligencja w itaxi”)

Mit 9 – Sztuczna inteligencja jest Twórcą

Coraz głośniej jest o tym, że sztuczna inteligencja tworzy kolejne obrazy, muzykę czy pisze całkiem ciekawe utwory. Czym jest twórczość? Zwróć uwagę, w jaki sposób działa tak zwany “style transfer”. O tym między innymi rozmawialiśmy z Łukaszem Kidzińskim w 11 odcinku Sztuczna inteligencja w Stanford. To, co produkuje model, robi ogromne wrażenie, ale czy to jest twórczość? To zależy od definicji. Czy twórczość to naśladowanie czy wymyślanie czegoś nowego? Modele bardziej skupiają się na naśladowaniu i dlatego jednak ciężko to nazwać twórczością, bo nie jest to wymyślaniem czegoś nowego.

Tutaj wejdę w dyskusję sam ze sobą :). Problem jest w tym, że osoby twórcze również potrzebują pewnej inspiracji. Należąc do tej grupy wiem, na ile ważne jest wpaść w odpowiedni rytm myślenia i zwykle  da się to w miarę łatwo osiągnąć. Steve Jobs lubił cytować Picasso, który twierdził, że dobrzy artyści kopiują, a wielcy kradną. Jest w tym dużo mądrości i faktycznie, chociażby sam Jobs bardzo zainspirował się już gotowymi wynalazkami np. myszką komputerową.

Z drugiej strony należy przyznać, że łączył kropki w bardzo twórczy sposób, na skutek czego pojawiło się coś nowego. Może wyglądać na to, że jestem wielkim fanem Steve’a Jobsa :). Chciałem jednak zwrócić uwagę, że jest istotna różnica pomiędzy tym, co się działo w Apple za czasów Jobsa a tym, co się dzieje teraz (lub wtedy gdy Jobs budował inny biznes, który swoją drogą mu się nie udał).

Zapamiętaj: człowiek, na swoje szczęście może łączyć kropki w taki sposób, żeby pojawiło się nowe, oryginalne, inne rozwiązanie. Czasem to rozwiązanie brzmi bardzo prosto, ale jest genialne. Ciężko spodziewać się (przynajmniej w najbliższym czasie), że sztuczna inteligencja będzie potrafiła myśleć w oryginalny sposób – poza pewnymi wyjątkami, które po większym zastanowieniu mają inną naturę.

Przykładem może być gra w Go: ruchy, które wykonywała AlphaGo były genialne, ale raczej mało twórcze, ponieważ dało się do nich dojść w sposób logiczny mając odpowiedni sprzęt. Czy każde genialne rozwiązanie da się wyjaśnić w sposób logiczny przy odpowiedniej mocy obliczeniowej? Zostawiam to pytanie do rozważania dla Ciebie.

Mit 10 – sztuczna inteligencja jest uczciwa

Nasz świat jest mało sprawiedliwy i to dlatego tak często bardzo potrzebujemy więcej uczciwości i to na każdym poziomie (w polityce, sądach, urzędach itd.). Jest taka teoria, według której sztuczna inteligencja potrafi być uczciwa i na skutek tego wreszcie nasz świat stanie się doskonały. W teorii brzmi pięknie. Mówi się:

w teorii nie ma różnicy pomiędzy teorią a praktyką, w praktyce jest.

Warto pamiętać, że algorytmy to tylko narzędzie, natomiast bardzo istotne są dane i to, w jaki sposób uczy się model. Jednak we wszystkich etapach (zaczynając od danych) występuje człowiek, na skutek czego pojawiają się pewne odchylenia (ang. bias).

Podam kilka przykładów. Jakiś czas temu było dość głośno na temat konkursu Beauty.AI. Okazało się, że w danych było bardzo mało osób z ciemną skórą, na skutek czego model nauczył się, że biały kolor koreluję z pięknością. Chociaż w tym przypadku, to co bardziej przykuło moją uwagę to to, w jaki sposób zbierali informacje o tym, kto jest piękny, a kto nie. Z mojego punktu widzenia najpiękniejszą kobietą na świecie jest moja żona. Możemy założyć, że każdy kto posiada partnerkę uważa, że jest ona najpiękniejsza. Jak pogodzić ten logiczny konflikt na poziomie maszyn?

Rozumienie na skutek czego model podejmuje takie czy inne decyzje jest ważne, lecz trudne.  Tak zwane uczenie głębokie (deep learning) lub inne zaawansowane algorytmy ciężko jest zrozumieć. Sam algorytm działania jest w miarę prosty, ale model już nie, ponieważ zawiera pod spodem miliony czy miliardy zależności. To jest podobnie jak to, że da się wyjaśnić ruch pojedynczej kropli wody z chmurki, tylko jak interpretować ruch miliardów takich kropelek i działania między innymi. Problem z interpetowalnością bierze się ze skali problemu, a nie ze zrozumienia jak działa pojedyncza jednostka.

W ciągu ostatnich kilku lat mocno skupiano się na rozwiązaniu tych trudności i lepszym prześwietlaniu modelu według tego, jak podejmuje decyzje. Warto przyznać, że są pewne postępy. Chodzi o narzędzie, które w sposób zrozumiały dla nas, próbuje wyjaśnić, dlaczego model podejmuje taką czy inną decyzje. Używa się do tego wizualizacji jako dobrego “protokołu komunikacyjnego” dla naszego mózgu.

Zapamiętaj, że model uczy się na danych. Jeśli w danych są pewne subiektywizmy to model “zrozumie”, że tak powinno być. Na moim kursie przerabiamy zadanie estymacji, czy dany człowiek zarobi więcej niż 50 tys dolarów w ciągu roku. Tam widać, że biali mężczyźni z lepszą edukacją radzą sobie najlepiej, a z kolei czarnoskóre kobiety ze słabą edukacją najgorzej. Czy jest to sprawiedliwe? No właśnie… Skoro mamy takie dane, to model uzna, że to prawo natury.


Podsumowanie

Mam nadzieję, że udało mi się obalić najczęstsze mity o sztucznej inteligencji i już lepiej rozumiesz, na co należy zwracać uwagę.

  • Mit 1 – sztuczna inteligencja istnieje
  • Mit 2 – sztuczna inteligencja jest tylko dla dużych graczy
  • Mit 3 – sztuczna inteligencja to gotowy przepis na sukces
  • Mit 4 – algorytmy są ważniejsze niż dane
  • Mit 5 – mam lub nie mam danych
  • Mit 6 – prototyp = rozwiązanie do wdrożenia
  • Mit 7 – sztuczna inteligencja = roboty
  • Mit 8 – sztuczna inteligencja to kura znosząca złote jajka
  • Mit 9 – sztuczna inteligencja jest twórcą
  • Mit 10 – sztuczna inteligencja jest uczciwa

Od 2013 roku zacząłem pracować z uczeniem maszynowym (od strony praktycznej). W 2015 założyłem inicjatywę DataWorkshop. Pomagać ludziom zaczać stosować uczenie maszynow w praktyce. W 2017 zacząłem nagrywać podcast BiznesMyśli. Jestem perfekcjonistą w sercu i pragmatykiem z nawyku. Lubię podróżować.

Dodaj komentarz

Twój adres e-mail nie zostanie opublikowany. Wymagane pola są oznaczone *