Du kan blive AI-mester, før du ved af det. Her er hvordan.

Jay Daniel Wright

Ved første rødme virker Scot Barton måske ikke som en AI-pioner. Han bygger ikke selvkørende biler eller lærer computere at tæske mennesker ved computerspil. Men inden for sin rolle i Farmers Insurance baner han et spor for teknologien.

Barton leder et team, der analyserer data for at besvare spørgsmål om kundeadfærd og udformningen af ​​forskellige politikker. Hans gruppe bruger nu alle mulige banebrydende maskinlæringsteknikker, fra dybe neurale netværk til beslutningstræer. Men Barton hyrede ikke en hær af AI-troldmænd for at gøre dette muligt. Hans team bruger en platform kaldet DataRobot , som automatiserer en masse vanskeligt arbejde involveret i at anvende sådanne teknikker.

Forsikringsselskabets arbejde med DataRobot antyder, hvordan kunstig intelligens kan blive nødt til at udvikle sig i de næste par år, hvis det skal realisere sit enorme potentiale. Ud over spektakulære demonstrationer som DeepMinds spilsoftware AlphaGo, har AI magten til at revolutionere hele industrier og gøre alle mulige virksomheder mere effektive og produktive. Dette kan igen hjælpe med at forynge økonomien ved at øge den samlede produktivitet. Men for at dette kan ske, skal teknologien blive meget nemmere at bruge.

Relateret historie

Relateret historie Vesten bør ikke frygte Kinas kunstige intelligens-revolution. Den skal kopiere den.

Problemet er, at mange af de trin, der er involveret i at bruge eksisterende AI-teknikker, i øjeblikket kræver betydelig ekspertise. Og det er ikke så enkelt som at bygge en mere brugervenlig grænseflade oven i tingene, fordi ingeniører ofte skal anvende dømmekraft og knowhow, når de laver og justerer deres kode.

Men AI-forskere og -virksomheder forsøger nu at løse dette ved i det væsentlige at vende teknologien mod sig selv ved at bruge maskinlæring til at automatisere de vanskeligere aspekter af at udvikle AI-algoritmer. Nogle eksperter bygger endda det, der svarer til AI-drevne operativsystemer designet til at gøre applikationer af teknologien lige så tilgængelige som Microsoft Excel er i dag.

DataRobot er et skridt i den retning. Du tilfører rådata, og platformen renser og omformaterer dem automatisk. Så kører den snesevis af forskellige algoritmer på én gang mod den og rangerer deres ydeevne. Barton prøvede først at bruge platformen ved at indtaste en masse forsikringsdata for at se, om den kunne forudsige en specifik dollarværdi. Sammenlignet med en standard, håndbygget statistisk tilgang havde den valgte model en 20 procent lavere fejlrate. Ud af æsken, med et tryk på en knap; det er ret imponerende, siger han.

AI Skills Gap

Virkeligheden med at anvende AI blev blotlagt i en rapport udgivet af konsulentvirksomheden McKinsey i juni i år. Denne rapport konkluderer, at kunstig intelligens, især maskinlæring, kan revidere store industrier, herunder fremstilling, finans og sundhedspleje, hvilket potentielt kan tilføje op til $126 milliarder til den amerikanske økonomi i 2025. Men rapporten har en stor advarsel: en kritisk talentmangel .

Der er bestemt et stort skub for at uddanne så mange mennesker som muligt til at bruge AI (se Andrew Ng's Next Trick: Training a Million AI Experts). Men det vil tage tid, og ikke alle kan blive AI-mestere. Den bedste måde at maksimere virkningen af ​​enhver teknologi er at gøre den så tilgængelig som muligt. Først da begynder AI at krybe ind på almindelige kontorer og arbejdspladser. DataRobot bliver allerede brugt i nogle af disse indstillinger.

Jay Daniel Wright

Sent en eftermiddag er DataRobots kontor i Bostons finansdistrikt øde, bortset fra en håndfuld ingeniører, der fræser rundt om en stor skærm. Virksomhedens løsning virker bestemt imponerende, når Jonathan Dahlberg, en af ​​konsulenterne, giver mig en demo. Han indlæser et offentligt datasæt af låneansøgninger og betalinger, og så får han systemet til at udvikle en masse modeller for at se, om der er nogle mønstre i, hvorfor folk misligholder.

På få sekunder dukker snesevis af konkurrerende algoritmer op på skærmen; øverst er en relativt usexet men meget brugt gradient-boosting-teknik kaldet XGBoost . Dette viser hurtigt, at ansøgernes indkomst er særlig vigtig, men det er også grunden til, at de giver for at ønske et lån. Det viser sig, at folk, der nævner at starte en virksomhed i deres ansøgning, er et særligt dårligt bud.

DataRobot kan matche ekspertisen eller færdigheden hos en rigtig god dataforsker, siger Dahlberg, men det kan tilbyde et bredere perspektiv. En person kan stole for meget på en bestemt teknik, og DataRobot kunne automatisk afsløre en grundlæggende bedre tilgang. Det er også stadig muligt for en bruger manuelt at ændre den underliggende algoritme ved hjælp af programmeringssprogene Python eller R. Uden en nærmere undersøgelse er det svært at vide, hvor godt systemet automatiserer nogle af de vanskeligere aspekter af datavidenskab, såsom datarensning og funktioner teknik, men det ser ud til at tage sig af overraskende meget.

Virksomhedens administrerende direktør, Jeremy Achin, blev inspireret til at starte en virksomhed efter at have set Det sociale netværk , som han lidt fåret indrømmer, da vi mødes til kaffe i nærheden af ​​MIT. Men han fik ideen til DataRobot, mens han deltog i datavidenskabskonkurrencer på crowdsourcing-platformen Kaggle, som blev opkøbt af Google tidligere i år. Kaggle tilbyder præmier for den algoritme, der klarer sig bedst til at lave en specifik forudsigelse fra et stort datasæt. Denne opgave involverer typisk udvikling af en maskinlæringsalgoritme, der lever af data. Som en af ​​de bedste tidlige Kaggle-deltagere indså Achin, at han allerede automatiserede mange af de involverede trin i hver konkurrence. Jeg troede, at hvis vi indsamlede nok datasæt, nok problemer og kørte nok eksperimenter, kunne vi lave maskinlæring på maskinlæring. Det var den oprindelige idé, siger han.

Idéen gav tydelig genklang hos investorerne. DataRobot, der startede i 2012, har rejst mere end 100 millioner dollars, inklusive 54 millioner dollars i marts, omkring samme tid som Kaggle blev opkøbt. Virksomheden siger, at den allerede har mere end 100 kunder. Achin siger, at konceptet er meget mindre populært hos mange dataforskere, som enten føler, at deres færdigheder ikke kan automatiseres, eller som bekymrer sig om, at de bliver det. Men han mener, at de fleste virksomheder ikke vil have andre muligheder, hvis de vil gøre brug af kunstig intelligens. Jeg er ligeglad med, hvor mange der ændrer deres titel til ’data scientist’ på LinkedIn, siger han. Du kommer ikke til at flytte nålen.

Selvlærende systemer

Manglen på datavidenskabsfolk inspirerer mange andre til at arbejde med at automatisere maskinlæring. Et stigende antal forskningsartikler dukker op om at bruge dets teknikker til at automatisere flere og flere aspekter af AI.

En af verdens største aktører inden for kunstig intelligens, Google, retter også sin opmærksomhed mod ideen. Google har investeret enorme summer i at udvikle kraftfulde AI-algoritmer og implementere dem på tværs af sine tjenester. Men virksomheden er også opsat på at tilføje mere kunstig intelligens til sine cloud-tjenester. Og at gå ud over simple værktøjer til billed- eller tekstklassificering vil betyde automatisering af mere af arbejdet involveret i træning af maskinlæringsmodeller.

Jay Daniel Wright

Målet er at gøre denne teknologi mere tilgængelig, siger John Giannandrea, en skotsk computeringeniør, der leder Googles AI-indsats. Så enhver kunne sige 'Byg mig en prædiktiv model', og den går i gang og gør det.

Tidligere i år annoncerede virksomheden nogle betydelige fremskridt hen imod dette mål, idet de demonstrerede en eksperimentel måde at automatisere processen med at tune dybt-lærende neurale netværk (se AI-software lærer at lave AI-software). Disse er måske de mest kraftfulde maskinlæringsalgoritmer, der findes, og de har forbedret det nyeste inden for billed- og stemmegenkendelse markant. Men de er også notorisk svære at konstruere. Giannandrea siger, at dette arbejde nu producerer nogle meget lovende resultater, som i nogle tilfælde matcher ydeevnen af ​​systemer, der er udviklet i hånden. Og han forventer, at Google frigiver flere resultater i de kommende måneder.

Andre har endnu større design. Erik Xing , en professor ved Carnegie Mellon University, for eksempel, udvikler, hvad der svarer til et operativsystem bygget af forskellige maskinlæringskomponenter. Dette OS bruger virtualisering og maskinlæring til at abstrahere meget af kompleksiteten i design og træning af AI. Den har endda en grafisk brugergrænseflade, der kan bruges til at træne en maskinlæringsmodel på et bestemt datasæt.

Xing blev uddannet i Kina og studerede på UC Berkeley sammen med Andrew Ng, nu en velkendt figur i AI-verdenen. Han er meget høflig og overraskende afslappet med at ville genopfinde den måde, folk bruger computere på. Xing forestiller sig, at hans AI OS bliver lige så let at bruge som noget som Microsofts regnearkspakke, Excel. Dette er et kerneproblem i hele AI, siger han. Adgangsbarrieren er bare for høj.

Xing har skabt et firma, Petuum , for at udvikle OS, og det har allerede skabt en række værktøjer, der har til formål at bringe maskinlæring til medicin. Læger vil have en grænseflade og lægejournaler, billeder - hver kræver en anden maskinlæringstilgang, siger han. Petuum er også klar til at frigive sin platform.

Petuums OS og andre værktøjer til automatisering af kunstig intelligens vil stå over for nogle unikke udfordringer. Der er allerede bekymringer om maskinlæringsalgoritmer, der utilsigtet absorberer skævheder fra træningsdata, og nogle modeller er simpelthen for uigennemsigtige til at undersøge nøje (se The Dark Secret at the Heart of AI). Hvis AI bliver meget nemmere at bruge, er det muligt, at disse problemer kan blive mere udbredte og mere forankrede.

For at gøre machine learning rigtig godt, skal du have en ph.d. og omkring fem års erfaring, siger Rig Caruana , en seniorforsker hos Microsoft, som har beskæftiget sig med datavidenskab i omkring 20 år. Der er mange faldgruber. Udløber din algoritme efter seks måneder, og kan den fortolkes?

Caruana mener, at det burde være muligt at automatisere nogle af de trin, en dataforsker skal tage for at beskytte sig mod sådanne problemer - noget der ligner en pilots tjekliste før flyvningen. Men han advarer mod at stole for meget på systemer, der lover at automatisere alt. Jeg ved det, siger han, for jeg har stukket min tå undervejs.

skjule