Потому что они разные

Существует множество способов превзойти производительность людей практически в любой задаче. Электромагнитный механизм, приводящий в движение машины, во много раз быстрее биохимических механизмов нашего мозга. Поэтому машины могут быть и уже работают быстрее нас во многих работах. Они также могут быть более точными и менее предвзятыми. Наш разум, в отличие от машин, кажется, приспособлен очень хорошо справляться с редкими ситуациями. Нам надоедает повторяющаяся работа, в отличие от машин. Мы работаем лучше всего, когда нет предыдущего опыта, который мы могли бы сравнить с данной ситуацией. В этих случаях мы можем использовать хорошие эвристики, даже если они могут быть необъективными. Мы можем выжить с таким поведением, и это было единственное, что имело значение в нашей долгой жизни в саванне, поэтому мы стали к этому приучены.

Некоторые утверждают, что эти человеческие способности могут и будут в конечном итоге смоделированы машинами. АльфаГо выиграла конкуренцию у людей-игроков в ГО не только потому, что лучше исполняла и комбинировала уже известные стратегии, как, например, машины формулировали выигрышную стратегию в шахматах, но и изобретала новые. Он играл творчески, или, по крайней мере, так казалось. Поэтому мы начали опасаться, что рано или поздно все работы будут выполняться машинами. Я утверждаю, что нам не нужно бояться, но мы должны адаптироваться.

Мы не знаем, как будет работать часто предсказываемый сверхразум машины. Несомненно, что он будет работать и вести себя совсем иначе, чем любой человек. Должно; иначе не будет такого супера. Однако точные подробности пока неизвестны. Мы можем больше представить себе, в каких областях он будет превосходить нас, но меньше о том, где у него будут слабые места. Почти наверняка у него будут недостатки, если не по замыслу, из-за неизбежных ошибок. Кроме того, данные, которые могут использовать машины, имеют множество врожденных предубеждений. Следовательно, он, вероятно, будет плохо справляться с ситуациями, которые выходят за рамки доступных данных. Способность машин исправлять эти ошибки будет сильно отличаться от нашей, потому что наши тела и умы отличаются от их.

Мы уже знаем, что объединение различных моделей машинного обучения приводит к более высокой производительности по сравнению с любой отдельной моделью — если вы когда-либо изучали модели-победители, время от времени публикуемые в обсуждениях Kaggle, вы бы поняли, что они почти всегда основаны на ансамбле. метод.
Целью ансамблевых методов является объединение прогнозов нескольких базовых моделей, построенных с использованием заданного алгоритма обучения, для повышения производительности по сравнению с одним оценщиком. В среднем комбинированная оценка обычно лучше, чем любая из отдельных, из-за меньшей дисперсии. Этот результат предполагает, что вы можете объединить несколько слабых моделей для создания мощного ансамбля. По сути, это теория мудрости толпы.

Один из самых успешных классических алгоритмов классификации машинного обучения, метод случайного леса, использует технику усреднения для объединения большого количества очень простых деревьев решений. Его производительность трудно превзойти даже современными нейронными сетями глубокого обучения в определенных областях, особенно если у вас нет больших наборов данных. Нейронная сеть — это ансамблевый метод, хотя и на одну ступень ниже по абстракции, где мы объединяем очень простые нейроны — которые сами по себе являются ужасными оценщиками — в большую взаимосвязанную сеть для получения необоснованно эффективных результатов.

Если мы на мгновение предположим, что человеческий интеллект производит иное статистическое распределение предсказаний, чем сверхразум, то, основываясь на нашем опыте с ансамблевыми методами, будет справедливо предположить, что объединенный результат машинного и человеческого вывода будет лучше, чем каждый из них по отдельности. Это может не иметь большого значения в тех случаях, когда машинная точность уже на порядок лучше, чем человеческая. Но стоит рассмотреть эту комбинацию для задач, где точность примерно одного уровня, даже если машина работает лучше независимо. Особенно, если ставки высоки, а последствия долгосрочны.

Таким образом, будущее у людей, которые могут сотрудничать с машинами, чтобы делать важные прогнозы и принимать решения. Одной из наших целей должно быть создание технологии, которая сделает взаимодействие человека и машины очень естественным. Было бы очень глупо выбрасывать несколько миллиардов лет эволюционного развития, связанного с принятием решений.