По крайней мере, с года… «2000»….
Раньше веб-разработка была крутой или, возможно, из-за эффекта позитива, как я предпочитаю это помнить. Каждый день я с самодовольной улыбкой входил в душный, уютный офис в своих повседневных шортах и рубашке. Я сидел верхом на двух больших мониторах и подключался к матрице.
Люди были озадачены тем, что я сделал и как это сработало, 15 лет спустя я могу признаться себе, что получал большое удовольствие от этой мистификации и удивления от моих коллег. Даже малейшая саморефлексия показывает, что наука о данных / ИИ - эквивалентная работа по тем же причинам сегодня, кажется, мне нравится внимание. Единственная разница сейчас - это мой опыт, за это время я приобрел некоторые передаваемые навыки, и я хотел бы ими поделиться.
Хорошо знайте свои ограничения или полностью игнорируйте их… «2003»…
Во времена гофрированных ковров и фанерных перегородок моя младшая работа по веб-разработке началась с пинга из Microsoft Office 2000. После 10-секундного грохота рабочего стола электронное письмо появлялось пиксель за пикселем, оставляя для скачивания огромные 10 Мб. привязанность по его следам. После загрузки я просматривал 4-страничный Times New Roman, сильно маркированный список требований к решениям, смутно складывая в голове дни преданной работы, умножая количество дней на 4 и отправляя «цитату». обратно к моему менеджеру.
Впоследствии меня попросили присоединиться к 2-часовой встрече PowerPoint под руководством бравады, ударов в грудь, с сухим кондиционером, где меня неизменно спрашивали в течение последних 15 минут, каковы были ограничения «сервера» и «кода», « для обеспечения учета технических ограничений ».
Хотя я ценил - некоторые могут сказать, ради чего жил - признание того, что моя работа так или иначе имеет значение для других, не имеет значения. Искусственное рассмотрение моих «технических потребностей» без понимания моих «технических потребностей» просто означало ограничение решения, которое они хотели, даже не помогая облегчить мою работу.
Я был молод, неопытен и тих, поэтому ничего не сказал. Меня постоянно скармливали плохими требованиями и вежливо давали дрянные отзывы.
Сегодня люди создают решения с использованием машинного обучения.
Разве прототипы экранов не являются просто новым способом передачи требований?
Они не понимают машинное обучение, но на словах говорят о том, что «учитывают его требования». «Рассматривая требования», которых вы не понимаете, вы фактически ограничиваете решение так, как вам никогда не приходилось, вы проектируете что-то, что могло бы быть лучше.
Если вы не понимаете этих соображений, лучше вообще не рассматривать их, а разработать идеальное решение и позволить техническим экспертам взять на себя ограничения. Или напишите код машинного обучения самостоятельно, честно говоря, это не так уж и сложно.
Созданные экраны на самом деле - никоим образом не описывают ни один из лежащих в основе искусственного интеллекта / машинного обучения. Лучшие дизайны экранов скрывают искусственный интеллект и техническую сложность. Может нам нужен визуальный способ проектирования алгоритмов? Я склонен думать, что да.
Больше данных не означает более впечатляющий алгоритм… «2006»…
Перенесемся в важные и образовательные годы в моей жизни: я получил степень бакалавра информационных систем, чтобы подумать, что тогда только 1 из моих модулей был веб-ориентированным, 1 модуль - это безумие.
Попутно я сделал несколько ужасных модных решений, прежде чем наполовину пьяный наткнулся на работу в Германии, где PHP был классным языком на тот момент. К этому моменту обстановка изменилась, меня теперь окружали босые, небрежно одетые немцы, пьющие пиво в обеденное время.
У меня было то, что я считал большим опытом. Я начал расспрашивать и спрашивать, кто давал мне эти длинные списки бессвязных требований и почему я должен был слушать, как другие люди говорят мне, что делать, бить их в грудь в течение 2 часов - какие знания у них были, а у меня нет?
Быстрый поиск в Google спроси Дживса (шучу, я не такой уж и старый) показал первые истоки дисциплины взаимодействия с пользователем. Внезапно у меня появилось несколько передовых практик и объективных теорий, на основе которых можно было принимать решения о веб-решениях, которые не основывались на информации, полученной от группы людей со скрытыми мотивами, пристально глядящих на один пупок. Я мог взять информацию из нескольких источников и начать формировать сбалансированное мнение о том, каким должен быть результат решения. Но мое решение не принесло денег, хотя пользователи сказали, что оно им понравилось.
Я был свидетелем того же, что происходило с машинным обучением и искусственным интеллектом. Тот факт, что у вашего алгоритма есть исторические данные, не означает, что он принимает правильные решения. Машинному обучению необходимо знать, каким данным придавать какой вес. Мало того, он не знает того, чего не знает. Я не знал, что не учел, что то, что люди говорят и делают, - разные вещи. Я придавал UX слишком большое значение, а бизнесу - недостаточно.
Если вы не скажете иначе, машинные алгоритмы будут делать то же самое, алгоритмы не имеют жизненного опыта, они не были обусловлены социальными нормами. Они настолько наивны и неопытны, насколько вы им позволяете.
Не нужно далеко ходить, чтобы найти примеры этого. Самый известный из них - расистский алгоритм распознавания изображений.
Http://www.bbc.com/news/technology-33347866
Не говоря уже о том, что много раз вы начинаете вводить поисковый запрос в Google…
Некоторые могут предположить, что этот поиск Google действительно показывает, что Google опытен - я оставлю это в разделе комментариев.
Самые старые пути - лучшие… «2011»…
После просветительской работы в Германии я неохотно вернулся в Великобританию и начал работать разработчиком в агентстве в Лондоне. Мне все еще приходилось носить костюм, но теперь, по крайней мере, мне не нужно было носить галстук, хотя я всегда делал это при пересмотре зарплаты.
У меня больше не было стресса, связанного с почтовым клиентом, у нас была веб-почта, онлайн-документы были недалеко, и мы начали использовать стикеры на более «творческих» встречах. Я действительно думал, что живу в будущем, на пороге больших технологических вещей.
Все казалось новым, мы разрабатывали новые модели, инструменты, методы слева направо и по центру. Я провел много времени в PowerPoint, перемещая стрелки и фигуры с различными модными словечками, очень немногие из них застряли или получили какую-либо известность. Я многому научился, но не думаю, что это принесло большую пользу компании, в которой я работал. Я просто повторял старые новости в новой форме.
Некоторые из них остались неизменными, в том числе воронка покупок и метрики AAARR, которые также стали популярными. В то время я не понимал, что эта модель на самом деле была выпущена в 1898 году. Я начал остро осознавать, что многие из лучших моделей существовали годами.
Если вы еще не осознали формат этого поста ... этот вывод также может быть очень тесно связан с машинным обучением. Многие из самых распространенных алгоритмов машинного обучения имеют возраст не менее 20 лет. Хотя многие из их происхождения спорны, приведенная ниже таблица по-прежнему иллюстрирует то, что они были задуманы еще до того, как мы узнали о больших данных и высокомасштабируемых распределенных вычислениях.
Спорный вопрос о происхождении таблицы алгоритмов
Это понимание может быть получено разными способами. Вы можете предположить, что это означает, что мы еще не нашли наилучших способов работы с большими данными, но вы могли бы сказать, что это означает, что у нас есть действительно прочная основа для работы. Это еще раз иллюстрирует мою точку зрения о том, что в основе машинного обучения нет ничего нового, наши технологические возможности, основанные на тех же основных принципах, возможно, были развиты, но это все.
Шумиха вокруг новых забавных и крутых технологий неизбежна, я не хочу, чтобы это прекращалось, мне нравится энтузиазм и воображение, которые они могут дать людям. Но люди в отрасли, от которых полагаются консультировать по таким вопросам, не должны увлекаться и должны опираться на реальность.
Будущее может расходиться с прошлым, хотя на самом деле оно должно информировать его из настоящего.
Перенесемся вперед… «2017»…
Я не могу придумать никаких хороших аналогий, которые соответствовали бы моему повествованию на следующие 5 лет, поэтому я быстро перехожу к настоящему моменту. Я работаю в пространстве, где я помогаю сочетать научное с творческим, машину с человеческим, количественное с качественным, онтологию с феноменологией, математику с искусством.
Несмотря на то, что мой опыт склоняется в сторону машин, данных и алгоритмов, я всегда вижу, что проблема заключается в людях. Если мы правильно расставляем людей, все остальное становится на свои места. Мой прошлый опыт, кажется, тоже указывает на это.
Восприятие людьми того, что такое данные и для чего их можно использовать, оказывает большое влияние на решения, которые мы можем спроектировать и построить. Как я уже упоминал в предыдущем посте, называя данные - новая нефть, если мы не понимаем природу и силу данных или признаем то, чего не знаем, мы не можем наилучшим образом использовать то, что находится в перед нами. Мы, люди, должны дать ИИ и машинному обучению то, что им нужно, и с максимальной ясностью сказать, чего мы от них ждем. Эта ясность приходит только с пониманием и честностью в отношении собственных способностей.
Самая важная часть машинного обучения - это не машина, а люди.
