Заранее извиняюсь за то, что был контра-персоной и лопнул пузырь. Откройте любой новостной портал или социальную сеть, и вы найдете множество сообщений о том, какое будущее у генеративного ИИ и как внезапно произойдет экспоненциальный рост производительности. ChatGPT подходит для вашей работы, и рабочие места, которые обычно трудно автоматизировать (например, консультанты по вопросам управления, юристы), также не избавлены от достижений в области машинного обучения (ML) и глубокого обучения (DL).

Хотя в вышеизложенном может быть доля правды, ML имеет некоторые серьезные проблемы и может не быть ответом на все ваши бизнес-проблемы. Кроме того, ML может автоматизировать некоторые части работы, но не заменит работу целиком.

Объяснимость Проблема: 1

Мне нравится это старое, но прямое определение машинного обучения: «область исследования, которая дает компьютерам возможность учиться без явного программирования». Традиционно в программировании программного обеспечения вы пишете подробные пошаговые инструкции о том, что делать с входными данными для получения выходных данных. Машина будет следовать этому каждый раз и производить вывод. Следовательно, в традиционном программировании вы могли точно указать, почему был получен конкретный результат. В ML вы обучаете машину, используя данные, и она уточняет свою модель и производит постобучение. Вы не знаете, что именно делает модель, чтобы получить ответ. Вот это проблема, большая!

Если вы являетесь бизнес-лидером в строго регулируемой отрасли (например, FSI, Pharma, Healthcare), вы хотите знать, почему модель говорит то, что говорит. Например, почему конкретная транзакция была классифицирована как мошенническая, почему было сказано, что этот человек может подвергаться риску определенного заболевания? Ответ должен быть за пределами того, что сказала машина…

Проблема предвзятости:

В зависимости от обучающих данных, используемых для моделей машинного обучения, может возникнуть предвзятость. Допустим, есть общедоступная платформа, на которой люди распространяют теории заговора, и модель обучается на этом наборе данных, а затем в получаемых результатах могут возникать предвзятость и дискриминация.

Я буду писать о том, когда ML может быть подходящим, в частности, когда использовать, какой тип ML, и как он может изменить дизайн рабочих мест, но не заменить их полностью в последующих сообщениях!