Машинное обучение никуда не денется, а данные решают все
Саммит Playfair AI
В прошлую пятницу в Лондоне собралось около 350 человек, чтобы обсудить состояние машинного обучения и ИИ в стартапах. Им управляет Натан Бенч, который также довольно регулярно издает информационный бюллетень по электронной почте о состоянии ИИ, на который я рекомендую подписаться.
Возможно, вы не слышали об этой конференции, потому что она проводится уже второй год, но я думаю, что с годами она станет больше. Его спонсировал Bloomberg, и хотя я не смог прилететь в этом году, один из моих коллег, Пол Мардлинг, смог присутствовать и поделился некоторыми мыслями:
- Констатируя очевидное, эта область горяча, многие венчурные капиталисты ищут инвестиционные возможности.
- В лондонском Сити присутствует множество финтех-стартапов.
- Кажется, это большая академическая битва между теми, кто придерживается чисто математического алгоритмического подхода, и теми, кто придерживается подходов нейронауки «позволяет воспроизвести человеческий мозг». Много комментариев о том, что люди — отличные машины для распознавания образов, но почти бесполезные для любых входных данных, имеющих более 7 или 8 независимых параметров.
- Кажется, разделился на лагерь, пытающийся быть «так же хорошо, как» люди против «лучше, чем»
- Необходимо предположить (и, возможно, добавить) шум во входных данных, чтобы смоделировать что-либо в реальном мире.
- Беспокоитесь о том, что академические круги тратят слишком много времени на работу с одними и теми же наборами данных, и это приводит к чрезмерному сосредоточению внимания на людях.
- С коммерческой стороны ощущение, что текущие доступные алгоритмы «достаточно хороши», в алгоритмах больше нет реальной внутренней ценности (они бесплатны)
- Входные данные по-прежнему являются самой большой проблемой, каждый будет получать больше данных, а не лучшие алгоритмы.
- Реальный разрыв с коммерческой стороны между теми, кто доволен алгоритмом «черного ящика», который им не нужно понимать, и теми, кто готов использовать более медленные/более дорогие алгоритмы, чтобы иметь возможность понять, почему тот или иной результат был дан
- Выбор алгоритмов и конфигурации по-прежнему является искусством, а не наукой, люди работают над инструментами, чтобы попробовать и помочь в этом.
- Мониторинг сбоев является реальной проблемой, например. если фильм не рекомендуется, откуда мы знаем, что пользователю он на самом деле не понравился бы?
- Этика будет важна, алгоритмы будут (уже имеют) большую силу, кто будет нести ответственность за их решения?
Самая страшная концепция дня: один из специалистов по нейро-МО утверждает, что они проанализировали нервные пути, участвующие в депрессии, и хотят провести испытания с видео, которое, как они утверждают, предназначено для обучения нервных путей избавлению от депрессии.
Вот ссылка на 9 слайдов, которые обсуждались на конференции:
Похоже, что в ближайшие недели они также выпустят несколько видеозаписей, которые я обновлю в этом посте, как только они станут доступны.
— Шон
