Визуализация машинного обучения: как очеловечить интеллект?
Это захватывающие времена для профессионалов в области науки о данных. В связи с быстрым развитием аналитики, в частности машинного обучения, глубокого обучения и искусственного интеллекта, исследователи и практики во всем мире начали адаптировать эти технологии для глубоких приложений, влияющих на человека.
Эпоха продвинутой аналитики
Социальные разговоры изобилуют разговорами, в которых переключилась передача от беспилотных автомобилей к летающим средствам, от умных машин к роботам, которые уже спокойно сотрудничают в наших домах, и от чат-ботов к разговорным ИИ, который становится вездесущим, контекстуальным и неотличимым от человеческого ответа.
Многие гордятся тем фактом, что мы, человечество, сумели создать интеллект в реальном времени, который не эволюционировал естественным путем. Благодаря достижениям в разных дисциплинах мы наконец-то решили несколько проблем в моделировании человеческого интеллекта и начинаем превосходить его в некоторых областях.
Великий раздел аналитики: спасение или колдовство?
Интересно, что именно здесь общественное мнение во всем мире также начинает четко разделяться. На другом конце этого спектра есть люди, которые ставят под сомнение само существование и предназначение ИИ, ведя глубокие дебаты не только о надежности продвинутой аналитики, но и о самой ее полезности.
На каком-то уровне большинство потребителей охватывает чувство страха. Существует жуткая неуверенность в оптимистическом подходе к областям потенциального применения, и возникают вопросы о его осуществимости, масштабе и влиянии.
Существует связь между достижениями в области технологий и чувством примитивного страха, который возникает у людей в ответ на это. - Дон Делилло
Быстрое развитие технологий всегда сопровождалось эскалацией страха на протяжении последних десятилетий. Хотя раньше технология была сложной, она была совершенно рациональной. С глубоким обучением и искусственным интеллектом мы больше не можем утверждать это, поскольку теперь они превосходят сферу человеческой логики и понимания.
Проблема потребления аналитики
Отсутствие базовой осведомленности - самая большая проблема, с которой сегодня сталкивается аналитическая дисциплина, и это стоит выше, чем этические дилеммы, связанные с ее принятием. По мере того, как пользователи все больше теряют контроль над пониманием новой технологии, шумы вокруг ее предполагаемой полезности и вопросы принятия становятся все громче.
В то время как широкомасштабное внедрение расширенной аналитики конечными потребителями все еще происходит постепенно, это уже очевидная и настоящая проблема для предприятий. Несмотря на свои миллионы долларов вложения в науку о данных для сбора разумной информации, компании сталкиваются с огромным сопротивлением изнутри.
Самая большая проблема в корпоративных проектах связана не с проектированием или точностью модели, а с внедрением аналитических приложений на местах и выполнением рекомендаций, предоставляемых этими интеллектуальными моделями. Более того, когда они в конечном итоге становятся нелогичными для отраслевой эвристики и интуиции.
Модели с высокой точностью и низкой приемкой
За годы внедрения расширенной аналитики мы столкнулись со слишком большим количеством случаев, когда выдающиеся сложные модели (черный ящик) с исключительной точностью достигают цели взаимодействия, но не соответствуют человеческим стандартам.
Хотя модели черного ящика, такие как нейронные сети, приводят к значительному скачку точности, это часто происходит за счет потери объяснимости и человеческого понимания. Сравните это с легкостью объяснения модели дерева решений с помощью интуитивно понятных условий «если-то-еще» и простых пороговых значений.
Однако в проектах улучшение бизнес-преимуществ, которое стало возможным благодаря сложным моделям черного ящика, слишком заманчиво, чтобы их игнорировать. Как практикующие специалисты по науке о данных, мы обязаны преодолеть этот разрыв, обеспечить использование идей машинного обучения и мягко подтолкнуть к предписывающим действиям.
Если вы не можете объяснить это просто, значит, вы недостаточно хорошо это понимаете. - Альберт Эйнштейн
Визуальная среда для машинного обучения
Хотя диаграммы более эффективны в передаче информации и могут оказаться намного лучше, чем таблица чисел, визуальная структура может быть особенно эффективной для гуманизации интеллекта машинного обучения.
Давайте посмотрим на 4 ключевых элемента этой визуальной структуры, которые могут облегчить понимание и помочь в демистификации моделей расширенной аналитики.
1. Информационный дизайн:
Визуальное изложение данных - это самый передовой подход к представлению не только таблицы чисел, но, что важно, статистических результатов и интерпретации результатов алгоритма для выработки предписывающих действий.
Стандартизированный подход к информационному дизайну с ориентированным на пользователя подходом и путем разработки правильного рабочего процесса навигации, соответствующих представлений и соответствующего визуального дизайна - это правильное место для начала этого пути.
2. Адаптивная абстракция:
Самый эффективный способ получить представление о системе - это перемещаться по уровням абстракции. Специалисты по обработке данных и дизайнеры инстинктивно перемещаются вверх и вниз по разным уровням, чтобы собрать идеи и предложить решение для пользователей.
Крайне важно предоставить пользователям некоторую гибкость, чтобы они могли видеть вид с высоты птичьего полета (абстрактные резюме), переваривать подробности на уровне земли и динамически перемещаться по ним, адаптируясь к контексту и опыту пользователя.
лестница абстракции Брета Виктора - полезный справочник, в котором он демонстрирует решение проблемы путем абстрагирования по времени, алгоритму и данным. Применение этого контекстуального, предметно-ориентированного способа может демистифицировать аналитическое решение, пролив свет на лежащий в основе подход к проектированию.
3. Распутывание модели.
Не менее важно в процессе адаптации пользователей предоставить им возможность заглянуть во внутреннее устройство модели, хотя и не ошеломляюще. Хотя человечество по-прежнему сбивает с толку то, как алгоритмы, подобные нейронным сетям, изучают или сопоставляют данные с желаемым результатом, исследования в этой области быстро развиваются.
Есть несколько ранних попыток распаковать внутреннюю последовательность шагов в глубоком обучении, особенно в таких областях, как классификация и распознавание изображений. Защищая пользователя от токсичного статистического жаргона, если мы сможем распаковать модель и обеспечить простую отслеживаемость результатов, это может иметь большое значение для того, чтобы люди оценили красоту эти модели черного ящика.
4. Взаимодействие с пользователем:
Взаимодействие с пользователем может быть тем мощным связующим звеном, которое объединяет воедино различные элементы этого фреймворка. Он обеспечивает визуальный интерфейс повествования, который способствует осмысленному переходу пользователя на разные уровни абстракции, чтобы понять значимость и работу модели машинного обучения.
Сделав все взаимодействия с пользователем последовательными, понятными, обучаемыми и предсказуемыми, весь опыт можно превратить из вызывающего сомнения в нечто значимое и внушающее трепет.
Резюме
В то время как науки о данных и искусственный интеллект переживают захватывающие и волнующие достижения, важно не упускать из виду ожидания и опыт пользователей. Это очень важно, поскольку значительный сегмент целевых пользователей ИИ быстро отчуждается из-за растущего разобщения и недоверия.
Чтобы восполнить этот пробел, не требуется особого воображения. Многие инструменты, необходимые для создания доверия пользователей и содействия взаимопониманию, уже доступны в нашем наборе инструментов, а исследования в этой области быстро решают все остальное.
Что необходимо, так это признание этого разрыва и сознательные усилия по его устранению путем адаптации вышеупомянутой визуальной структуры вместе с составляющими 4 ключевыми аспектами при реализации решений машинного обучения.
Вы увлечены наукой о данных? Не стесняйтесь добавлять меня в LinkedIn или Twitter.
