Мир быстро меняется, и мы уже не успеваем за ним.
Это почему ? Недавние достижения в области технологий, особенно в области искусственного интеллекта (включая область машинного обучения), позволили добиться значительных успехов в изменении баланса в пользу машин.
Под этим я подразумеваю, что машины теперь могут думать лучше нас, решать проблемы, с которыми нам трудно, и все это без необходимости становиться эмоциональным и отвлекаться. Это сверхсфокусированные карикатуры на нас самих, созданные для того, чтобы расшифровывать реальность не так, как мы должны были.
Но это не все. Сейчас мы вступаем в область незнания пределов возможностей этих машин, что неоднократно демонстрировалось учеными/исследователями в различных экспериментах. От простых проблем победы в компьютерных играх до сложных матчей GO алгоритмы машинного обучения превзошли людей во всех аспектах. Однако это еще не все. Теперь их можно создавать по желанию для решения мировых проблем. Реальные проблемы, такие как бедность, экономический дисбаланс, нехватка воды, со временем могут быть решены машинами.
У них нет предубеждений, они просто решают проблемы.
Если вы новичок в машинном обучении, я недавно прошел курс Эндрю Нг на Coursera. Проверьте это.
Это помогло мне понять, как было продумано и разработано машинное обучение, а также почему оно открывает возможности во всех сферах человеческого общества.
Итак, вернемся к основам. Машинное обучение — это концепция компьютерного алгоритма (по сути, созданного нами компьютерного мозга), который может обучаться, не требуя от него изучения чего-то конкретного. Таким образом, как только ему дали задание, ему не сказали, как выполнить задание. Он автоматически принимает входные данные и в зависимости от того, наблюдает ли за ним человек или нет, он может отображать выходные данные на основе своего понимания. Если задача не выполнена, он просто пытается снова, и снова, и снова, пока не добьется успеха. Достигнув успеха, он все еще постоянно пытается найти способы более эффективного решения проблемы. Таким образом, вы можете получить наиболее оптимальное решение проблемы, которое может быть контекстуализировано в виртуальном мире.
Существует два типа алгоритмов машинного обучения («Алго») в зависимости от степени участия человека в процессе решения задачи:
(1) Под наблюдением: при этом человек демонстрирует решение проблемы, которое было дано Алго, позволяя ему измерить его точность, а затем соответственно учиться каждый раз, когда он терпит неудачу, оптимизируя свой подход, чтобы все ближе и ближе приближаться к цели. требуемый результат.
ПРИМЕР. Возьмем аукцион дорогих товаров. В прошлом году было продано 100 штук на разные суммы. В прошлом году винтажные часы были проданы за 4,2 миллиона долларов. Я хочу узнать ориентировочную цену винтажных часов, которые продаются в этом году. Алгоритм просматривает прошлые данные о винтажных часах и находит корреляции между различными точками данных, такими как год производства, бренд, известность, прошлый владелец и т. д., и определяет цену. Таким образом, оценку можно будет измерить после проведения аукциона, и мы будем знать, насколько точен алгоритм, соответственно, предоставляя ему больше информации и позволяя оптимизировать свой подход на следующий год.
(2) Без присмотра: никаких предварительных инструкций не дается. Желаемые результаты не даны. Данные передаются в алгоритм, и между данными будут найдены корреляции. Он также найдет странные вещи. По сути, он возьмет огромную кучу данных, разделит их на основе своих собственных параметров и найдет взаимосвязи и закономерности между различными выбранными категориями.
ПРИМЕРЫ: Огромная куча данных о погоде, показывающая прошлую погоду для города Брэмптон, Канада, передается в Algo. Затем Алго выясняет, что температура постоянно повышалась в течение последних 50 лет, и говорит нам, что в обозримом будущем температура будет повышаться.
Algo получает данные фондового рынка и новости, которые были записаны в Интернете с 2000 года. Он начнет находить корреляции между новостями и фондовым рынком. Покупка/продажа акций, управляемая средствами массовой информации, по-прежнему является для людей способом заработать/потерять деньги в огромных количествах. Уже существует множество таких алгоритмов, которые совершают тысячи сделок в секунду, по сути, это машины для зарабатывания денег для большинства крупных банков мира.
Для чего можно использовать машинное обучение?
Существует неограниченное количество способов использования машинного обучения для влияния на реальный мир посредством анализа виртуальных массивов данных. Недавно я посмотрел видео ютубера Coffeezilla (он проделывает большую работу по разоблачению интернет-мошенников и привлечению их к ответственности за то, что они утверждают), объясняющее, как его канал был удален алгоритмом Youtube, который решил, что его видео противоречит правилам Youtube. . Это по существу лишило его средств к существованию и его основного источника существования. Обычно такое решение находится в руках работодателей, судей и правительства. Из этого базового примера вы можете понять, почему интеллектуалы сходят с ума от влияния, которое боты будут иметь в будущем.
В случае с Coffeezilla, к счастью, Алго ошибся, и его канал был восстановлен. Однако в будущем человеческий контроль может ослабнуть, и машины будут считаться правыми, вынося преступникам смертные приговоры и лишая их социальных кредитов (как это можно увидеть в Китае). Если подобные алгоритмы становятся все более и более мощными, влияя на наш образ жизни, будущее может стать еще более мрачным. Я считаю, что эти алгоритмы должны контролироваться другими алгоритмами («моральными ботами»), чтобы проверить их и убедиться, что они выполняют свою часть сделки. Как только алгоритмы делают что-то плохое или неоднократно принимают неверные решения, моральные роботы начинают действовать и «отмечают» их. После пометки владельцы Алго (надеюсь, люди) будут уведомлены о возможных проблемах и способах улучшения Алго. Алгоритм будет временно отозван для исправления. После удовлетворительных проверок на тренажерах будет разрешена передислокация.
"Систему сдержек и противовесов для алгоритмов необходимо разработать сейчас, пока не стало слишком поздно"
