На выходных я наткнулся на видеозапись курса, который я вел почти год назад по когнитивным вычислениям. Вау время летит..
Цель этого вводного занятия состояла из трех частей: 1) дать определение когнитивным вычислениям (пытаясь отойти от модного слова), 2) представить концепции машинного обучения и машинного восприятия нетехнической аудитории и 3) выделить лучшие практики машинного обучения, которые мы научились, создавая приложения с партнерами Watson Ecosystem. И заверните все это в как можно больше демок.
Первое, к чему я пришел, это то, что было бы лучше разбить это на несколько сегментов по 7–10 минут. На ютубе сложно пройти часовой урок, и я думаю, что к концу потерял пар :)
Кроме того, хотя большая часть контента по-прежнему актуальна, я был удивлен тем, насколько сильно изменилась Watson Developer Cloud всего за последний год. Поэтому я хотел разместить некоторые обновления здесь:
Что такое когнитивная система?
На занятии мы определили когнитивную систему как такую, которая:
- делает наблюдения за миром
- делает выбор на основе этих наблюдений
- оценивается на основе этих выборов
- и учится на опыте
Ключ, который я сказал, заключается в том, чтобы подумать о том, что мы подразумеваем под «делать выбор на основе наблюдений». Если под «наблюдением» мы подразумеваем ввод и вывод системы, то в традиционных программных системах мы начинаем с ввода и определяем набор логики, который приводит к желаемому результату. Что делает когнитивные вычисления уникальными, так это то, что мы начинаем с набора входных данных и желаемых результатов, а когнитивная система «обучается» самой логике, чтобы делать выбор с новыми входными данными.
Я думаю, что это по-прежнему хорошая отправная точка для когнитивных систем, но она немного механична и не имеет ключевого понимания внедрения этих систем на практике.
Недавно я видел, как Дэвид Ферруччи выступал на встрече ИИ в Нью-Йорке. Доктор Ферруччи — всемирно известный эксперт по искусственному интеллекту, руководивший разработкой оригинальной системы Watson. С тех пор он покинул IBM. В своем выступлении он дал определение «интеллектуальным системам», и, хотя его определение было похоже на приведенное выше, он добавил дополнительный критерий: система должна быть объяснительной, что означает, что она способна объяснить, почему система сделала свой выбор. . И как мы об этом судим? Если человек готов взять на себя ответственность за выбор системы, тогда и только тогда она разумна.
Мне очень нравится это определение, потому что мы видели реализацию технологии Watson в реальном мире. Возьмем, к примеру, здравоохранение: если когнитивная система способна диагностировать и рекомендовать лечение с очень высокой точностью, она может стать фантастическим инструментом поддержки принятия клинических решений. Но рассмотрим случай, когда когнитивная система дает рекомендацию, которую группа врачей не ожидала. Без объяснения того, как они пришли к такому выводу, команда не могла обоснованно принять рекомендацию. Им необходимо увидеть логический путь через историю болезни пациента, результаты анализов, медицинскую литературу и т. д., который привел к заключению. Другими словами, глубокое обучение само по себе не является панацеей (без каламбура).
Поэтому, как объясняет доктор Ферруччи, чтобы система была действительно «когнитивной» или «разумной», она должна предоставлять доказательства, объясняющие, как она сделала свой выбор, и человек должен быть готов взять на себя ответственность за этот выбор, поскольку он интегрирует его в свою жизнь. окончательный приговор. Будущее — это то, в котором эксперты-люди работают вместе с когнитивными системами, и необходимо установить глубокое доверие, чтобы максимизировать коллективную эффективность. Что может быть лучше для установления доверия, чем объяснение вашего «мыслительного процесса».
Платформы приложений
Огромным изменением для Watson Developer Cloud за последний год стал анонс и выпуск сервисов Разговор и Обнаружение. На своем занятии я говорил о фреймворках как о наборах API-интерфейсов Watson (и других возможностей), организованных для реализации некоторых распространенных вариантов использования. Я выделил 4:
- Engagement — приложения, которые могут взаимодействовать с людьми на естественном языке.
- Discovery — приложения, которые извлекают сигнал из неструктурированных данных.
- Исследование — приложения, которые организуют неструктурированные данные.
- Решение — приложения, поддерживающие процесс принятия решений.
Хотя каждый из этих вариантов использования важен сам по себе, они определенно пересекаются. Продолжая собирать отзывы пользователей для расширения возможностей Watson, мы узнали 2 вещи:
- Мы можем ускорить разработку с помощью Watson, если сами организуем эти сервисы и предоставим пользовательский интерфейс для настройки.
- Эти 4 фреймворка можно упростить до 2, если мы предоставим правильные функции и дизайн продукта.
Результатом этой эволюции являются службы Conversation и Discovery. Беседа может быть больше, чем просто интерфейс взаимодействия в чате — с помощью естественного языка беседа поддерживает принятие решений (проводит меня через процесс покупки медицинской страховки) и исследование данных (показывает мне самые популярные регионы продаж для виджет x последний квартал). То же самое и с Discovery — за счет извлечения значимых сигналов с помощью Watson Natural Language Understanding и представления этих сигналов через интерфейс запроса или визуализацию приложения Discovery могут поддерживать принятие решений и исследование больших наборов данных. Что еще более интересно, со временем в службу Discovery будут добавлены расширенные средства аналитики для работы с этими сигналами и дополнительные возможности для неструктурированных типов данных, помимо текста (например, изображения, аудио- и видеофайлы).
Я привел пример приложения Engagement, которое было построено из классификатора естественного языка, извлечения сущностей Alchemy и диалога. Теперь разработчик может создать такое же приложение, используя только службу Conversation, которая управляет всеми этими и другими функциями.
Я надеюсь, что вы поэкспериментируете с Conversation и Discovery, и я с нетерпением жду возможности написать больше руководств по использованию этих сервисов.
Спасибо!
