Довольно часто инженерам вдалбливали, что они могут создать безупречную модель искусственного интеллекта (AI) — эдакий чистый лист, который они выпускают на свободу, где оно сможет самообучиться. Они думают так: «Если я помещу безупречную математическую формулу на правильную инфраструктуру, я получу идеальная модель». Обучите алгоритм и не мешайте ему работать. Дело сделано! Не так ли?
К сожалению не так.
Здесь будет рассказано, что нужно сделать вместо этого.
Обучить, протестировать, оценить, повторить
Обучение коммерчески применяемого ИИ — это не одноразовое упражнение. Оно требует регулярной проверки, чтобы понять, работает ли ИИ как следует. В противном случае вы рискуете столкнуться с тенденциозностью ИИ в будущем. За примером далеко ходить не надо. Вспомнить хотя бы ИИ, прогнозирующий рецидивы преступлений, который оказался необъективным в отношении чернокожих людей. А позорное фиаско Tay от Microsoft? Многообещающий эксперимент с чатботом, который довольно быстро закончился провалом? Эти и другие бесчисленные примеры подчеркивают необходимость непрерывной человеческой проверки ИИ, чтобы тот не сошел с заданной траектории.
Помимо предотвращения тенденциозности, оценка человеком помогает ИИ не отставать от изменяющегося знания. Взять хотя бы язык. Значение слов меняется постоянно. Родители подростков, могут лично засвидетельствовать факт стремительно сменяющих друг друга жаргонных словечек, означающих одно и то же явление. Если единственное образование, которое мы предоставляем чатботам, это начальные наборы данных, на которых мы их обучаем, как они будут соответствовать меняющимся способам общения с ними? Подобно человеческому разуму, единственный способ адаптировать искусственный интеллект к растущему объему знаний, — постоянно его натаскивать.
Цепочка ценности ИИ
По мере обучения ИИ становятся умнее. И как только ИИ достигнет своей первоначальной цели, он может продолжить учиться и расти.
Представьте, что вы продаете одежду и обувь онлайн, и создали механизм рекомендаций. В первоначальном состоянии ИИ является формой визуального поиска. Когда клиент ищет на вашем сайте женские коричневые ботинки, он получает результаты по запросу из вашего каталога. Как только ваш ИИ освоит визуальный поиск, его следующей целью может стать ассоциация. Вместо того, чтобы просто выдавать результаты по запросу коричневых ботинок, он начинает перебирать изображения моделей, одетых в платья, которые хорошо сочетаются с ботинками. Как только ассоциации будут освоены, ИИ переходит к еще более персонализированному подбору товаров. Он знает, что вы инженер-программист, который живет в Сиэтле и совершает покупки в марте, поэтому он начинает персонализировать рекомендации, основанные на дресс-коде, который соответствует случаю и климату, который зачастую влажный.
Этот переход: поиск — ассоциация — персонализация, это цепочка ценности ИИ в действии. За кадром находятся люди, ответственные за этот цикл, оценивающие работоспособность ИИ и повторно натаскивающие его с помощью новых наборов данных. Продвижение ИИ вверх по цепочке ценности возможно только с помощью человеческого интеллекта.
Правильный человек в правильном цикле
Итак, в цикле тренировок находится человек. Что теперь? Пришло время определить правильных людей со специальными знаниями, которые нужны вашему бизнесу. Вернемся к нашему примеру. Если целевой клиент — молодая американка, то в конце концов значение имеет именно ее мнение — то, что она воспринимает как модное, что она хочет носить. Вы хотите, чтобы такие люди, как она, оставляли свои комментарии, помогая сделать ваш механизм рекомендаций максимально релевантным для ваших клиентов. То же самое относится к «экспертным» ИИ, которым необходимо интегрировать новейшие человеческие знания в таких областях, как бухгалтерский учет, образование, юриспруденция и медицина.
Но и на этом процесс не заканчивается. У вас есть правильные люди, и теперь вам нужно подумать о правильных циклах. Помните, что исходный набор данных обучения — это только первый цикл. Цикл оценки, в котором вы определяете, правильно ли работал ли ваш ИИ, также является критическим узлом для аккумулирования специальных знаний, которые ваши клиенты вносят в таблицу. Успех цикла оценки напрямую зависит от человеческого интеллекта. То есть тренер сам должен быть не глупым человеком.
Как про человека говорят, что закончив колледж, он не закончил обучение, так и разработка ИИ не заканчивается его обучением. Обучение — это всего лишь первый шаг.
