Чушь неизбежна, когда обстоятельства требуют, чтобы кто-то сказал, не зная, о чем он говорит. Таким образом, производство чуши стимулируется всякий раз, когда обязанности или возможности человека говорить на какую-то тему превышают его знания.
Гарри Франкфурт, О чуши.
Признание: несколько раз я был засранцем искусственного интеллекта.
Я сказал это. Этот пост не должен оскорблять всяких лжецов AI. Ажиотаж в отношении ИИ всегда превышает возможности, и тех из нас, кто продает / занимается сбором средств / развертыванием ИИ, можно подтолкнуть к чуши собачьей чуши из соображений целесообразности.
Не волнуйтесь, дело не только в нас. Каждый инвестор, который спрашивает «Какова ваша стратегия ИИ?» и делает вид, будто его волнует ваш ответ… - тоже чушь собачья.
Иногда обнаружить чушь нелегко в таких эзотерических областях, как ИИ. Вот несколько советов.
Вот простой способ обнаружить искусственного интеллекта или кого-то еще.
Настоящие эксперты упростят для вас сложность. Чуши пытаются запутать вас громкими словами. Спрашивая себя… «Этот человек меня сбивает с толку?» … Это самый простой способ распознать фигню.
Доктор Роберто Тротта может объяснить космологию, используя словарный запас третьего класса. Происхождение Вселенной сложнее любой технологии искусственного интеллекта.
Многие софтверные компании продвигают свои «возможности искусственного интеллекта». Некоторые из этих утверждений законны, другие - полная чушь.
Сначала спросите определение ИИ
Некоторые компании используют ИИ как общий термин для очистки данных и статистических методов, которые инженеры-программисты использовали на протяжении десятилетий.
Согласно этому определению ... вы также работаете в компании, занимающейся искусственным интеллектом. Поздравляю.
Поскольку ИИ - такой неоднозначный термин, это не совсем неверно - просто не интересно.
Вы упомянули решение AI. Вы занимаетесь машинным обучением?
Этот простой вопрос должен устранить любую путаницу. Все практические (то есть не исследовательские) технологии искусственного интеллекта используют машинное обучение.
Затем спросите о данных
Решения ИИ для бизнес-задач используют контролируемое обучение, метод машинного обучения алгоритмов обучения с помеченными примерами данных.
Примерно 5 000 обучающих примеров необходимы, чтобы начать приносить результаты, и 10 миллионов необходимы для достижения результатов на человеческом уровне (источник).
Ваш самый первый вопрос должен быть об этих тренировочных данных.
Какие данные вы используете для обучения алгоритмов?
Создание помеченных данных может быть очень дорогостоящим. Большинству стартапов недостаточно, и они полагаются на открытые источники, такие как ImageNet. Такие компании, как Baidu и Google с неограниченным объемом данных, имеют большое преимущество перед стартапами.
Как вы думаете, почему ваши результаты отразятся на нашей окружающей среде?
Ваши данные, вероятно, уникальны, сложны и беспорядочно. Продуктовые компании могут попытаться использовать такие методы, как трансферное обучение, чтобы адаптировать свои результаты к вашей среде. Это будет работать? Хороший вопрос.
Хорошо, вы утверждаете, что результат X%. Как вы пришли к этому числу?
Любой может добиться отличных результатов, научив алгоритмы машинного обучения действительно хорошо работать только с одним набором данных (это называется переобучением данных). Конечно, в производстве такая система с треском выйдет из строя.
Любой, у кого есть законное решение, может объяснить, как он предотвращает ошибки переобучения.
Наконец поинтересуйтесь алгоритмами
Алгоритмы привлекают много внимания, потому что они могут раскрыть научные открытия. Некоторые из них (например, генеративные состязательные сети) могут даже привести к неконтролируемым методам обучения, для которых требуется меньше обучающих данных (да, я чушу фигню ... извините). В таком случае большая часть этой публикации будет устаревшей.
Но на данный момент выбор между традиционными алгоритмами машинного обучения и широко разрекламированным подходом к глубокому обучению зависит от проблемы.
Какие алгоритмы машинного обучения вы используете? Почему?
Stripe предоставляет прекрасное оправдание для обучения своей схемы обнаружения мошенничества с использованием алгоритмов случайных лесов. Любой законный сможет дать подобное объяснение.
Публиковали ли вы какие-либо исследования о своих результатах?
Многие (хотя и не все) ведущие команды ИИ продолжают публиковать свои результаты и будут рады поделиться с вами результатами своих исследований.
Вы получаете четкие ответы на эти вопросы? Вы уходите из разговора, не чувствуя себя растерянным?
Вы, вероятно, не разговариваете с болваном. Следующим шагом является запуск пилотного проекта с вашими данными и проверка жизнеспособности решения в вашей среде.
Подпишитесь на мои обновления или просто напишите мне по адресу [email protected], если хотите рассказать о своем бизнесе.
