Мифы о машинном обучение

212

Раньше машинное обучение было чем-то, что происходило у нас за кулисами. Крупные компании в массовом порядке вкладывали средства в создание интеллектуальных поисковых систем, которые отображали рекомендации в соответствии с вашими предыдущими кликами, и таким образом они размещали объявления, на которые наиболее вероятно, что потребитель щёлкнет. Но теперь машинное обучение привлекает все внимание и даже дебаты на национальном телевидении, где обсуждают эту невероятную технологию. Обсуждаются автомобили, удивительно умные приложения, переводы и все, что может или не может сделать машинное обучение. Будьте готовы, машинное обучение - одна из тех технологий, которые положительно повлияют на наше будущее. К сожалению, поскольку все говорят об этом, некоторая информация искажается, и теперь у нас есть несколько заблуждений и мифов вокруг машинного обучения. Вот список наиболее распространенных мифов.

1. Алгоритмы машинного обучения просто обнаруживают корреляции между различными событиями. Ну, это самый известный факт о машинном обучении в СМИ. Это как вирус гриппа, распространяющийся в новостях. Это не обязательно неверно, но большинство моделей обучения могут обнаружить более продуктивные формы информации и знаний, такие как новые алгоритмы, основанные на глубоких методах обучения, которые могут извлекать информацию из неструктурированных данных.

2. Машинное обучение не может обнаружить причинно-следственные связи между данными. В качестве одного из фактов один из самых популярных видов машинного обучения состоит в тестировании различных действий и наблюдении за их результатами и последствиями, что является сущностью причинно-следственных связей. Давайте возьмем пример. Сайт электронной коммерции может создавать различные способы отображения продуктов на своих страницах, но тогда он будет нацелен на те, которые увеличивают покупки. Каждый из нас, скорее всего, участвовал в этих экспериментах, даже не зная об этом.

3. Чем больше данных у вас есть, тем вероятнее, чтобы вы представляли шаблоны. Например, чем больше телефонных звонков, чем прослушивает NSA, тем важнее вероятность обнаружения невинных людей в качестве потенциальных террористов из-за использования правила обнаружения. Добыча большего количества атрибутов одного и того же объекта может действительно увеличить риск «галлюцинации», но специалисты по компьютерному обучению делают все возможное, чтобы сохранить опасность на самом низком уровне. Если мы по-разному интерпретируем ту же деятельность по добыче и будем искать больше объектов с одинаковым набором атрибутов, мы можем уменьшить риск, потому что правила будут иметь более сильную поддержку. Алгоритмы машинного обучения могут находить такие типы шаблонов, участвующих в нескольких объектах, что делает их еще более надежными. Если человек создает видео на большой железнодорожной станции, он не может быть подозрительным, ни человек, который покупает большой пакет аммиачной селитры, но если эти двое находятся рядом и имеют телефонные разговоры, тогда у полиции есть сильная мотив расследовать ситуацию.

Большинство мифов выше пессимистичны, они предполагают, что машинное обучение будет более ограниченным, чем в действительности. Но есть и некоторые оптимистические заблуждения в отношении технологии:

Машинное обучение скоро создаст сверхчеловеческий интеллект. Киноиндустрия использовала идею машинного обучения, взяв на себя человеческую расу. Эта технология растет экспоненциально, и в то время как мысль о машинах, принимающих участие в гонках в ближайшие несколько лет, маловероятна, что это только вопрос времени, когда технология развивается, и машины думают и растут сами по себе.

Более простые модели могут быть более точными. Простой является предпочтительным, потому что его легко понять и запомнить. Но иногда простая гипотеза, согласующаяся с данными, может быть менее надежной при составлении прогнозов, чем более сложная.

Это 5 мифов, связанных с машинным обучением, которые мы видели в последнее время. ML теперь более мощный, чем раньше, и мы должны признать, что это поможет нам принимать более разумные решения.

Если у вас есть вопросы по этой теме, не стесняйтесь комментировать ниже.

К списку публикаций