Συνεχης ενημερωση

    Σάββατο, 26-Μαϊ-2018 14:24

    Η IBM εξηγεί τη μηχανική μάθηση εξερευνώντας τα στοιχεία που λείπουν

    • Εκτύπωση
    • Αποθήκευση
    • Αποστολή με email
    • Προσθήκη στη λίστα ανάγνωσης
    • Μεγαλύτερο μέγεθος κειμένου
    • Μικρότερο μέγεθος κειμένου
    Η IBM εξηγεί τη μηχανική μάθηση εξερευνώντας τα στοιχεία που λείπουν

    Του Alex Knapp

    Στην περιπέτεια της "Ασημένιας φλόγας", ο Σέρλοκ Χολμς έλυσε μια υπόθεση όχι ανακαλύπτοντας ένα στοιχείο, αλλά εντοπίζοντας την απουσία του. Σε αυτή την περίπτωση, το στοιχείο ήταν ένα σκυλί που δεν γάβγιζε, και η απουσία του γαβγίσματος βοήθησε τον Χολμς να διαλευκάνει το έγκλημα και να βρει τον ένοχο.

    Το γεγονός ότι οι άνθρωποι μπορούν να βγάλουν συμπεράσματα και να μάθουν από κάτι που δεν υπάρχει, δεν είναι κάτι που έχει χρησιμοποιηθεί στη μηχανική μάθηση. Είναι όμως κάτι που οι ερευνητές της IBM προσπαθούν να το υλοποιήσουν. Σε μια έκθεση που δημοσιεύτηκε το 2018, η ομάδα της IBM υπογράμμιζε τους τρόπους χρήσης των στοιχείων που απουσιάζουν και τα οποία μπορούν να μας βοηθήσουν να κατανοήσουμε καλύτερα τον τρόπο λειτουργίας της μηχανικής μάθησης.

    "Μία από τις παγίδες της εις βάθος ανάλυσης είναι ότι μοιάζει λίγο-πολύ με μαύρο κουτί", εξηγεί ο Amit Dhurandhar, ένας από τους ερευνητές της IBM. "Οπότε, είναι δύσκολο να καθορίσουμε τον λόγο για τον οποίο πάρθηκε μια απόφαση. Η απάντηση ίσως μας φαίνεται ακριβής, αλλά σε πολλές κρίσιμες εφαρμογές για τον άνθρωπο ίσως είναι αναποτελεσματική".

    Για να μάθουν πώς οι αλγόριθμοι της μηχανικής μάθησης φτάνουν σε μια απόφαση, οι ερευνητές της IBM δημιούργησαν ένα σύστημα "αντιπαραθετικών αναλύσεων" - δηλαδή αναζητούν πληροφορίες που απουσιάζουν για να κατανοήσουν τον τρόπο που ο αλγόριθμος έλαβε μια συγκεκριμένη απόφαση. Πρακτικά, εάν ένα μοντέλο μηχανικής μάθησης έχει ως λειτουργία την αναγνώριση φωτογραφιών που απεικονίζουν σκύλους, η εν λόγω μέθοδος των αναλυτών μπορεί να χρησιμοποιηθεί για να εξηγήσει όχι μόνο τα χαρακτηριστικά που εντοπίζονται (γούνα, μάτια), αλλά και όσα λείπουν, όπως η απουσία φτερών.

    "Είναι μια απλή, αλλά σημαντική, ιδέα που οι άλλοι δεν τη σκέφτηκαν", είπε ο Pradeep  Ravikumar, αναπληρωτής καθηγητής στο τμήμα της Μηχανικής Μάθησης του Πανεπιστημίου Carnegie Mellon, που δεν συνεργάζεται με την ομάδα της IBM. Ο Ravikumar συμπληρώνει πως η προσέγγιση της IBM είναι ιδανική για να δίνει διευκρινίσεις σε τομείς όπου ένα μοντέλο μηχανικής μάθησης κάνει δυαδικές διακρίσεις.

    Στην έκθεση της IBM, οι ερευνητές μπόρεσαν να ακολουθήσουν επιτυχώς τη συγκεκριμένη προσέγγιση με τρία διαφορετικά σύνολα δεδομένων: εικόνες μαγνητικής τομογραφίας του εγκεφάλου, χειρόγραφους αριθμούς, δεδομένα περί απάτης σε δημόσιες συμβάσεις. Σε όλα αυτά τα δεδομένα, οι ερευνητές κατάφεραν να δουν πώς πήραν αποφάσεις τα μοντέλα μηχανικής μάθησης.

    Το σημαντικό με αυτήν τη μέθοδο, υπογραμμίζει ο Dhurandhar, είναι πως με την κατανόηση της τεχνητής νοημοσύνης, οι άνθρωποι θα είναι ικανοί να πετύχουν καλύτερα αποτελέσματα απ' ό,τι μπορεί ο άνθρωπος μόνος του ή τα μοντέλα μηχανικής μάθησης.

    "Οι άνθρωποι θέλουν να μάθουν γιατί τους προτείνονται πράγματα", είπε. "Και όταν το μάθουν αυτό, θα αυξηθεί η προθυμία τους να τα αγοράσουν".

     

    ΣΑΣ ΑΡΕΣΕ ΤΟ ΑΡΘΡΟ;

    Forbes 100 κορυφαία μυαλά
    Forbes 100+ The Greek List

    ΣΧΕΤΙΚΑ ΑΡΘΡΑ

    Jeff Bezos

    Jeff Bezos

    145,1 δισ. $

    -2.182,0 εκ. $

    Bill Gates

    Bill Gates

    95,7 δισ. $

    -214,3 εκ. $

    Warren Buffett

    Warren Buffett

    84,6 δισ. $

    -537,6 εκ. $

    Bernard Arnault

    Bernard Arnault

    70,6 δισ. $

    -622,6 εκ. $

    Amancio Ortega

    Amancio Ortega

    62,9 δισ. $

    +448,7 εκ. $