Contenido
- Aplicaciones comerciales de aprendizaje profundo
- Los V de Big Data y Deep Learning
- Sin errores, sin estrés: su guía paso a paso para crear software que cambie su vida sin destruir su vida
- El dilema de la caja negra
- Regulación
Fuente: Agsandrew / Dreamstime.com
Para llevar:
El aprendizaje profundo tiene mucho que ofrecer a las empresas, pero muchos aún dudan en adoptarlo. Aquí nos fijamos en algunos de sus mayores puntos débiles.
El aprendizaje profundo es un subcampo del aprendizaje automático, que (en términos generales) es una tecnología inspirada en el cerebro humano y sus funciones. Introducido por primera vez en la década de 1950, el aprendizaje automático se informa acumulativamente por lo que se conoce como la red neuronal artificial, una gran cantidad de nodos de datos interconectados que colectivamente forman la base de la inteligencia artificial. (Para conocer los conceptos básicos del aprendizaje automático, consulte Machine Learning 101.)
El aprendizaje automático esencialmente permite que los programas de computadora cambien a sí mismos cuando se lo solicitan datos externos o programación. Por naturaleza, es capaz de lograr esto sin la interacción humana. Comparte una funcionalidad similar con la minería de datos, pero con resultados minados para ser procesados por máquinas en lugar de humanos. Se divide en dos categorías principales: aprendizaje supervisado y no supervisado.
El aprendizaje automático supervisado implica la inferencia de operaciones predeterminadas a través de datos de entrenamiento etiquetados. En otras palabras, el programador (humano) conoce de antemano los resultados supervisados, pero el sistema que infiere los resultados está capacitado para "aprenderlos". El aprendizaje automático no supervisado, por el contrario, extrae inferencias de datos de entrada sin etiquetar, a menudo como un medio para detectar patrones desconocidos.
El aprendizaje profundo es único en su capacidad de entrenarse a través de algoritmos jerárquicos, a diferencia de los algoritmos lineales de aprendizaje automático. Las jerarquías de aprendizaje profundo son cada vez más complejas y abstractas a medida que se desarrollan (o "aprenden") y no dependen de la lógica supervisada. En pocas palabras, el aprendizaje profundo es una forma de aprendizaje automático altamente avanzada, precisa y automatizada, y está a la vanguardia de la tecnología de inteligencia artificial.
Aplicaciones comerciales de aprendizaje profundo
El aprendizaje automático ya se usa comúnmente en varias industrias diferentes. Las redes sociales, por ejemplo, lo usan para seleccionar fuentes de contenido en las líneas de tiempo de los usuarios. Google Brain se fundó hace varios años con la intención de generar un aprendizaje profundo en toda la gama de servicios de Google a medida que la tecnología evoluciona.
Con su enfoque en el análisis predictivo, el campo del marketing se invierte particularmente en la innovación de aprendizaje profundo. Y dado que la acumulación de datos es lo que impulsa la tecnología, las industrias como las ventas y el soporte al cliente (que ya poseen una gran cantidad de datos de clientes ricos y diversos) están en una posición única para adoptarla en el nivel del suelo.
La adaptación temprana al aprendizaje profundo bien podría ser el factor determinante clave en la cantidad de sectores específicos que se benefician de la tecnología, especialmente en sus primeras fases. Sin embargo, algunos puntos problemáticos específicos impiden que muchas empresas se tomen en la inversión en tecnología de aprendizaje profundo.
Los V de Big Data y Deep Learning
En 2001, un analista de META Group (ahora Gartner) con el nombre de Doug Laney describió lo que los investigadores percibieron como los tres desafíos principales de los grandes datos: volumen, variedad y velocidad. Más de una década y media después, el rápido aumento en los puntos de acceso a Internet (debido en gran parte a la proliferación de dispositivos móviles y al auge de la tecnología IoT) ha puesto estos problemas en primer plano para las principales empresas tecnológicas y las pequeñas empresas. y startups por igual. (Para obtener más información sobre las tres v, consulte El desafío del Big Data de hoy proviene de la variedad, no del volumen o la velocidad).
Sin errores, sin estrés: su guía paso a paso para crear software que cambie su vida sin destruir su vida
No puede mejorar sus habilidades de programación cuando a nadie le importa la calidad del software.
Las estadísticas recientes sobre el uso de datos globales son asombrosas. Los estudios indican que aproximadamente el 90 por ciento de todos los datos del mundo solo se crearon en los últimos años. El tráfico móvil mundial ascendió a aproximadamente siete exabytes por mes durante 2016, según una estimación, y se espera que ese número aumente unas siete veces en la próxima media década.
Más allá del volumen, la variedad (la diversidad cada vez mayor en tipos de datos a medida que los nuevos medios evolucionan y se expanden) y la velocidad (la velocidad a la que se envían los medios electrónicos a los centros y centros de datos) también son factores importantes en la forma en que las empresas se están adaptando al floreciente campo. de aprendizaje profundo. Y para ampliar el dispositivo mnemotécnico, se han agregado varias otras palabras en V a la lista de puntos críticos de Big Data en los últimos años, que incluyen:
- Validez: La medición de la precisión de los datos de entrada en sistemas de big data. Los datos no válidos que no se detectan pueden causar problemas importantes y reacciones en cadena en entornos de aprendizaje automático.
- Vulnerabilidad: Big data naturalmente evoca preocupaciones de seguridad, simplemente en virtud de su escala. Y aunque existe un gran potencial en los sistemas de seguridad habilitados por el aprendizaje automático, esos sistemas en sus encarnaciones actuales se caracterizan por su falta de eficiencia, particularmente debido a su tendencia a generar falsas alarmas.
- Valor: probar el valor potencial de Big Data (en el negocio o en cualquier otro lugar) puede ser un desafío importante por varias razones. Si alguno de los otros puntos débiles de esta lista no puede abordarse de manera efectiva, entonces de hecho podrían agregar valor negativo a cualquier sistema u organización, tal vez incluso con un efecto catastrófico.
Otros puntos de dolor aliterativos que se han agregado a la lista incluyen variabilidad, veracidad, volatilidad y visualización, todos presentando sus propios conjuntos únicos de desafíos para los sistemas de big data. Y aún podría agregarse más a medida que la lista existente (probablemente) disminuya con el tiempo. Si bien puede parecer un poco artificial para algunos, la lista mnemónica "v" abarca problemas serios que enfrentan los grandes datos que juegan un papel importante en el futuro del aprendizaje profundo.
El dilema de la caja negra
Una de las características más atractivas del aprendizaje profundo y la inteligencia artificial es que ambas están destinadas a resolver problemas que los humanos no pueden. Sin embargo, el mismo fenómeno que se supone que permite eso también presenta un dilema interesante, que se presenta en forma de lo que se conoce como la "caja negra".
La red neuronal creada a través del proceso de aprendizaje profundo es tan vasta y tan compleja que sus intrincadas funciones son esencialmente inescrutables para la observación humana. Los científicos e ingenieros de datos pueden tener una comprensión profunda de lo que entra en los sistemas de aprendizaje profundo, pero la forma en que llegan a sus decisiones de salida con mayor frecuencia no se explica por completo.
Si bien esto podría no ser un problema importante para, por ejemplo, los vendedores o vendedores (dependiendo de lo que estén comercializando o vendiendo), otras industrias requieren una cierta cantidad de validación y razonamiento del proceso para obtener algún uso de los resultados. Una compañía de servicios financieros, por ejemplo, podría utilizar el aprendizaje profundo para establecer un mecanismo de calificación crediticia altamente eficiente. Pero los puntajes de crédito a menudo deben venir con algún tipo de explicación verbal o escrita, que sería difícil de formar si la ecuación de puntaje de crédito real es totalmente opaca e inexplicable.
Este problema se extiende también a muchos otros sectores, especialmente dentro de los ámbitos de la salud y la seguridad. La medicina y el transporte podrían beneficiarse en gran medida del aprendizaje profundo, pero también enfrentan un obstáculo significativo en forma de caja negra. Cualquier resultado de salida en esos campos, no importa cuán beneficioso, podría descartarse por completo debido a la completa oscuridad de sus algoritmos subyacentes. Esto nos lleva al punto de dolor quizás más controvertido de todos ...
Regulación
En la primavera de 2016, la Unión Europea aprobó el Reglamento General de Protección de Datos (GDPR), que (entre otras cosas) otorga a los ciudadanos el "derecho a una explicación" para las decisiones automatizadas generadas por los sistemas de aprendizaje automático que "los afectan significativamente". Programado para entrar en vigencia en 2018, la regulación está causando preocupación entre las compañías tecnológicas que invierten en aprendizaje profundo debido a su impenetrable caja negra, que en muchos casos obstruiría la explicación exigida por el GDPR.
La "toma de decisiones individual automatizada" que el GDPR pretende restringir es una característica esencial del aprendizaje profundo. Pero las preocupaciones sobre esta tecnología son inevitables (y en gran medida válidas) cuando el potencial de discriminación es tan alto y la transparencia tan baja. En los Estados Unidos, la Administración de Alimentos y Medicamentos regula de manera similar las pruebas y la comercialización de medicamentos al exigir que esos procesos sigan siendo auditables. Esto ha presentado obstáculos para la industria farmacéutica, como ha sido el caso de la empresa de biotecnología con sede en Massachusetts Biogen, que no pudo utilizar métodos de aprendizaje profundo no interpretables debido a la norma de la FDA.
Las implicaciones del aprendizaje profundo (moral, práctico y más allá) no tienen precedentes y, francamente, son bastante profundas. Una gran cantidad de aprensión rodea la tecnología debido en gran parte a una combinación de su potencial disruptivo y su lógica y funcionalidad opacas.Si las empresas pueden demostrar la existencia de un valor tangible dentro del aprendizaje profundo que excede cualquier amenaza o peligro concebible, entonces podrían ayudarnos a llevarnos a través de la próxima fase crítica de la inteligencia artificial.