Чему мы можем поучиться у нейронных сетей и других алгоритмов, пока не поздно

Говорят, в будущем останется 3 вида работ и 3 класса людей:

1. Люди, которые «на ты» c AI (Искусственный Интеллект), умеют создавать полезных роботов, писать программы, создавать продукты, заниматься творчеством. В общем, делать те вещи, которые AI пока не может.

2. Роботы, сервисы на базе AI и прочих алгоритмов, которые отберут основную работу у людей.  Люди не в состоянии будут конкурировать с роботами по скорости, качеству и цене выполнения большинства видов работ. Этот тренд уже заметили и продавцы супермаркетов, и рабочие на заводах, и сотрудники ГИБДД.

3. Низкооплачиваемые профессии, куда еще долго не проникнут роботы. Например, работа горничной или сантехника. Люди готовы выполнять эти работы совсем дешево.  Тут же появляется огромный класс «ненужных людей», для которых не осталось никакой работы, потому что они почти везде проиграли роботам и алгоритмам. Удел 90% населения — игры и безусловный базовый доход. Вот почему на киберспорт возлагают такие надежды.

Прогноз с большой вероятностью сбудется на горизонте 10-30 лет, хотя конечно никто ничего не знает и все может пойти по другому сценарию.

В общем, у желающих еще есть немного времени подготовиться: изучить AI или начать прокачиваться в танчиках.

Вот несколько житейских аналогий, которые должны возбудить ваше любопытство к AI #10идейдня


1. Для обучения чему-угодно нужны крайности, полярные примеры. Детей учат в стиле “это хорошо, а это плохо”.  Так проще проводить границу и показывать разницу. То же самое и в нейронных сетях. Потом, повзрослев, ты понимаешь, что нет ни “хорошо”, ни “плохо” — это нужно было лишь для обучения в детстве. В этот момент ты переходишь к тонким оттенкам и нюансам.


2. В любом деле нужна насмотренность. Для качественного обучения нужно посмотреть очень много примеров, желательно очень разных. Для обучения нейронных сеток подают по 10 тыс. разных примеров и больше.

3. Жизненный опыт. Полезен и в то же время вреден. Человек может обучаться на 2-3х примерах, почему? Наш мозг использует свой предыдущий опыт (предыдущие 10 тыс. примеров и 20 лет жизни), которые  мы обобщаем по аналогии.

Но этот опыт может быть неуместным при резкой смене ситуации, технологии или понятий.  Сейчас все меняется каждые 10-20 лет. Не факт, что наши дети должны вообще чему-то учиться у нас и слушать нас. Этот опыт, может быть не так ценен, как их новый, которого у нас нет и уже не будет.

Мой дядя вырос и жил в СССР и считал, что покупать мандарины за 10 руб. а продавать за 50 руб. — преступление. Когда в 90-е наступил дикий капитализм, его прошлый опыт помешал ему в адаптации к новой ситуации. До сих пор мешает.

4. Если не знаешь как жить дальше, используй принцип «градиентного спуска». В математике так ищут локальный минимум или максимум. Ты просто оглядываешься по сторонам и задаешь себе вопрос: какой следующий шаг максимизирует мои возможности? Туда и идешь. В следующей точке снова задаешь себе этот вопрос. Вполне возможно, что так ты промахнешься мимо чего-то стоящего (глобального оптимума). Но в условиях неопределенности и тумана никакого другого алгоритма нет.

5. Признаки, классификация и кластеризация. В начале обучения нужно выделить признаки и как-то их разобрать по кучкам. Например, что у кошки есть глаза и лапы и они бывают разных форм и размеров, а у стартапа есть юнит-экономика и она может сходиться, или нет.  Но если ты ни разу не видел ни кошку, ни стартап — очень трудно понять, что это такое, ты даже слов таких не знаешь.

6.  Хорошо, если какой-то внешний учитель сделал классификацию признаков/понятий за тебя и все разложил по-полочкам. В этом случае обучение идет на порядок быстрее. Но что если внешнего учителя нет?  Нужно продолжать смотреть примеры и кейсы (возможно те самые 10 тыс.) и чувствовать себя идиотом, пока мозг не начнет выделять в них общие признаки и как-то классифицировать. Это основа самообучения.

7. Качественные размеченные данные — самый дорогой актив во всей этой истории на текущий момент. Компании легко выкладывают свои алгоритмы, но редко кто делится данными.

8. Ошибка — ключевой элемент обучения. Это разница между правильным ответом (планом, целью) и полученным результатом (фактом). Кто не ошибается, тот не учится.

9. У любого сигнала есть порог срабатывания, для отсечения шумов и случайностей. Для принятия важного решения должно прийти несколько сигналов из разных источников.  Чтобы человек купил продукт, он должен увидеть рекламу 5-10 раз (теория 7 касаний).

10. Обучение с подкреплением. Оптимальные алгоритмы выживания и минимизации рисков в разных ситуациях. Это отрабатывается в игровых симуляторах и затем переносится в реальную жизнь. Например, самопилотируемые автомобили сначала учатся ездить по «виртуальному городу», где ходят виртуальные пешеходы, которые все время пытаются попасть под колеса. Машина обучается вести себя правильно в разных ситуациях, а затем ее выпускают в город.

Рекомендую вот эту статью и книгу для первого погружения в тему.

Какие интересные и практичные статьи, курсы, книги можете порекомендовать по этой теме?

Если вы нашли ошибку, пожалуйста, выделите фрагмент текста и нажмите Ctrl+Enter.