Демократизация AI дает мощные инструменты в руки неспециалистов и сокращает издержки компаний
Привет. Недостаток квалифицированных ученых по данным часто выделяется как один из основных тормозов при адаптации больших данных к AI. Но все большее число инструментов дает эти возможности в руки неспециалистов, что ведет, как в лучшую сторону, так и в худшую.
В последние годы произошел взрыв размаха и качества аналитических платформ для самостоятельного использования, которые позволяют нетехническим сотрудникам использовать огромные объемы данных, на которых держится бизнес. Такие инструменты обычно позволяют пользователям выполнять простые повседневные аналитические задачи - например, создавать отчеты или визуализацию данных - вместо того, чтобы полагаться на специалистов по данным, работающих в компании.
Недавно специалисты исследовательской и консалтинговой компании Gartner предсказали, что работники, самостоятельно использующие инструменты аналитики, получат больше аналитических данных, чем ученые-специалисты. Учитывая многолетнюю нехватку специалистов по данным и огромные зарплаты, которые им выплачиваются в наши дни, это, наверное, приятная музыка для ушей большинства руководителей корпораций.
Сегодня все чаще становится доступнее не просто аналитические задачи. В частности, среди крупных поставщиков облачных вычислений, таких как Amazon, Google и Microsoft, растет число инструментов, помогающих начинающим работникам строить свои собственные модели машинного обучения.
Эти инструменты предоставляют заранее построенные алгоритмы и интуитивно понятные интерфейсы, которые облегчают работу людям с небольшим опытом. Они предназначены для разработчиков, а не для обычных бизнес-пользователей, которые используют более простые платформы для самостоятельного анализа. Они говорят о том, что для начала работы больше не нужно иметь докторскую степень в области продвинутой статистики.
Совсем недавно компания Google выпустила сервис под названием Cloud AutoML, который фактически использует самообучение машины для автоматизации сложного процесса построения и настройки глубокой нейронной сети в целях распознавания изображений.
Эти платформы не единственные, кто автоматизирует машинное обучение. Бостонский DataRobot позволяет пользователям загружать свои данные, выделять их целевые переменные, а затем система автоматически создает сотни моделей, основанных на совокупности сотен алгоритмов машинного обучения с открытым исходным кодом. Затем пользователь может выбрать из наиболее эффективных моделей подходящую ему и использовать ее для анализа будущих данных.
Для более предприимчивых разработчиков растет число библиотек обучения с открытым исходным кодом, которые предоставляют базовые подкомпоненты, необходимые для создания пользовательских алгоритмов.
Тем не менее, такая работа, по-прежнему, требует значительного опыта программирования и мозгов, заточенных на работу с данными, только в прошлом месяце компания CognitiveScale, основанная в Остине (Техас), выпустила платформу Cortex, которая, по их словам, является первым графическим пользовательским интерфейсом для создания моделей AI.
Вместо того, чтобы указывать то, что они хотят, написав и скомпилировав бесконечное количество строк кода, пользователи могут просто отказаться от различных заранее подготовленных AI-навыков, таких как анализ настроений или обработки естественного языка, в пользу сотового интерфейса с линиями между ячейками, обозначающими потоки данных. Эти возможности можно объединить, чтобы построить более сложную модель, которая способна выполнять задачи высокого уровня, такие как обработка страховых требований с использованием текстового анализа.
Подобно, как замена интерфейсов командной строки визуальными графическими интерфейсами, такими как Windows, значительно расширило число людей, которые могли взаимодействовать с персональными компьютерами, создатели Cortex говорят, что их инструмент может иметь аналогичный эффект для AI.
Все эти попытки демократизации доступа к передовой аналитике могут значительно помочь ускорить ее внедрение во всех видах бизнеса. Наличие этих инструментов в руках неспециалистов может означать то, что компании, у которых нет достаточного количества ресурсов для конкуренции за лучших специалистов в области данных, будут иметь возможность пользоваться преимуществами технологии искусственного интеллекта.
Такие инструменты также позволяет экспертам работать над самыми передовыми технологиями, а не увязать в более простых, но коммерчески важных проектах.
Но также существуют риски, которые необходимо учитывать, прежде чем задействовать неспециалистов в наборе данных организации. Наука о данных - это не просто знание, как построить алгоритм. Речь идет о понимании того, как эффективно собирать данные, как их подготовить для анализа, а также о сильных и слабых сторонах различных статистических методов.
Старая пословица Garbage In, Garbage Out (Мусор на входе — мусор на выходе) подчеркивает опасность вложения мощной аналитики в руки тех, кто не полностью понимает используемые ими инструменты или происхождение данных, а также возможные ошибки или предубеждения, которые могут быть в них скрыты.
Специалисты отмечают, что предприятиям не следует ожидать, что демократизация этих технологий волшебным образом превратит их сотрудников в эффективных ученых по данным. Им нужно иметь серьезные знания о том, как правильно интерпретировать и анализировать данные, чтобы иметь уверенность, что используемые данные являются надежными.
Это потребует того, чтобы ученые в области данных выполняли важную надзорную функцию для обеспечения предприятий надежной информацией.
