Это не Магия; Это машинное обучение - включение человеческого вклада в процессы, управляемые данными

Я до сих пор помню, как впервые прочитал «Гарри Поттера и философский камень». Пока Распределяющая Шляпа размышляла с самим собой, поместить ли Гарри в Слизеринский Дом или в Гриффиндор, мои юношеские нервы поднялись. Я внутренне умолял Шляпу: «Ты не знаешь всей истории!»

Я знаю, о чем вы думаете: еще один миллениал, одержимый Гарри Поттером, потому что чтение культовой серии книг - единственное, чему мы когда-либо посвящали себя. Но терпи меня здесь.

Когда я думаю об этой сцене сегодня, я не могу не провести сравнения с источниками данных, используемыми для машинного обучения. Если бы Распределяющая шляпа не проработала личную словесную просьбу Гарри «не Слизерин» в его модель, данные направили бы Гарри в Дом Слизерина. Отсюда вытекает мой тезис:

Данные могут указывать на один результат, но человеческое восприятие и предпочтения могут изменить ситуацию.

За каждой точкой данных стоит человек, который ее создал, а вместе с ним и более глубокое повествование. Вот что я имею в виду:

Данные

В случае с Сортировочной шляпой точки данных, которые он обычно использует для выработки рекомендаций и выводов, были ясны. Гарри демонстрировал доминирующие черты: амбиции, достижения, хитрость, сообразительность, настойчивость (качества Слизерина) и отвагу, отвагу и рыцарство, с отважным и безрассудным характером (качества Гриффиндора).

«Хм… сложно, очень сложно. Я вижу много мужества, и неплохой ум. Есть талант, да, и жажда проявить себя. Но куда тебя девать? »

Более глубокое повествование

Распределяющая шляпа не знает, что некоторые из вышеперечисленных черт скрыты глубоко в душе Гарри из-за его «связанных» отношений с Волан-де-Мортом. Фактически, он использует набор данных, о котором Гарри, возможно, даже не подозревает.

Просьба Гарри «не слизеринца» исходит только из социальных взаимодействий, которые он имел как со слизеринцами, так и с членами гриффиндорского дома. Если бы он не вмешался, у нас в руках была бы совсем другая книга:

«Не Слизерин, а?» - сказал тихий голос. 'Вы уверены? Знаешь, ты мог бы стать великим, все это находится в твоей голове, и Слизерин поможет тебе на пути к величию, без сомнения… нет? Что ж, если ты уверен - лучше, ГРИФФИНДОР! »

Вот что я получаю, реальная версия:

Если я делюсь своими данными с компанией, я ожидаю, что они будут использовать их, чтобы улучшить для меня человеческий опыт. Хотя я решительно приветствую революцию в области данных и цифровых технологий, гибкость в человеческом вмешательстве имеет первостепенное значение для предоставления мне опыта, которого я действительно хочу. Данные могут сказать одно (Слизерин), но я все еще хочу иметь возможность попросить другое (не Слизерин).

Мы живем в интересную эпоху данных и опыта работы с клиентами, когда коллективная ценность личных данных становится все более важной для предприятий, позволяющих эффективно управлять своей деятельностью. Каждая транзакция данных между клиентом и бизнесом создает точное и справедливое отражение предположений и историй, которые рассказывают эти наборы данных.

Через призму предполагаемых предпочтений клиентов у нас есть возможность управлять человеческим опытом следующего поколения для жителей Альберты и всего мира. Эта возможность предоставляется за одну беспрецедентную цену: текущий моментальный снимок всех личных предпочтений и лакомых кусочков вашей личности, которые вы решите поделиться. И хотя неотфильтрованные, немоделированные (и защищенные) данные не так уж и много неиспользованных, возможности для социальных последствий начинают расти, как только прогнозы или идеи формируются на основе этих узких данных.

И вот уловка, на которой я застрял: вы заслуживаете знать, какие части ваших данных используются для выработки рекомендаций или прогнозов машинного обучения в простой для понимания понимают язык и формат. Стандарты, сформулированные в Общем регламенте ЕС по защите данных (GDPR), уже начинают требовать подхода к использованию данных, ориентированного на клиента / человека.

В каждый момент люди естественным образом развиваются. Наборы данных - это моментальный снимок во времени, который потенциально может обновляться с учетом последних событий (например, транзакций) - или, возможно, нет. Если вы сравните мои прошлогодние данные с сегодняшними, станет ясно, что мои интересы, мораль, ценности и предпочтения со временем изменились, выросли и диверсифицировались.

Сортировочная шляпа, печально известная тем, что отказывается признать, что допустила ошибку при сортировке учащихся, может обозначать то, как некоторые компании могут отстаивать свои продукты машинного обучения.

Когда ИИ указывает на конкретный набор данных и предлагает предложить конкретный результат, важно помнить, что его подчеркивающие данные будут указывать на вчерашний идеал, не на завтрашний . Эти идеи, основанные на нашем прошлом, полезны и ценны для продвижения вперед в работе с клиентами или цифровыми технологиями; тем не менее, один из рисков, связанных с просмотром узких наборов исторических данных, заключается в предположении, что будущее будет похоже на прошлое.

Часто, когда мы думаем о социальных вопросах, правилах или даже об опыте клиентов, мы не хотим, чтобы наше будущее выглядело так, как наше прошлое. Мы разумно хотим видеть улучшения. Итак, что происходит, когда данные или рекомендации по машинному обучению не совпадают с нашим инстинктом?

Сегодня прогнозная аналитика имеет двоякую роль: первая - ускорять бизнес-процессы быстрее и эффективнее, чем могут управлять человеческие вычисления; и во-вторых, чтобы дать понимание, которое человек, возможно, не зарегистрировал.

Когда компьютер или машина обращается к наборам данных, они не осознают социальных последствий своего принятия решений. Он не использует человеческие эмоции для определения правильного или неправильного, если только он не был специально запрограммирован имитировать их. И хотя это может служить прочной основанной на данных опорой для интуитивного восприятия нашего прошлого принятия решений, важно помнить, что он будет действовать как зеркало заднего вида. Люди должны чувствовать себя вправе не соглашаться, бросать вызов математике, а не магии, и спрашивать, чего они действительно хотят, даже если это противоречит данным.

Результаты ИИ неизбежно будут отражением наших упущенных возможностей прошлого; хорошее и плохое. Сегодня только люди могут указать на «правильное», «неправильное» и «этичное» для нашего будущего.

Этика заботы - это процесс постоянного пересмотра, потому что то, что правильно сегодня, может оказаться неправильным завтра. И хотя я очень рад, что компании используют эти новые технологии как для своей прибыли, так и для моего пользовательского опыта, люди должны требовать от своих компаний совершенства и возможностей AI / ML, которые они используют.

По мере того, как технологии все глубже и глубже интегрируются в нашу жизнь, мне часто напоминают о навыках и специальностях, которые делают людей уникальными. Сочувствие, глубокий интеллект и, возможно, наиболее подходящий член команды ATB, счастье являются определяющими факторами, которые мы используем каждый день при принятии решений. Как люди, мы рассматриваем нечто большее, чем узкие наборы данных, стоящие перед нами.

Если алгоритмы - это просто мнения о критериях успеха, скрытых в коде, мне не терпится увидеть, как люди бросают вызов компаниям, с которыми они взаимодействуют, использовать различные критерии успеха. Когда «восторг», «счастье» или «человеческий опыт» так же важны, как и прибыль компании, у нас есть возможность принять будущее, а не отражать прошлое.

«Это наш выбор, Гарри, который показывает, кто мы
на самом деле есть, гораздо больше, чем наши способности»

Вы больше, чем набор данных. И, как и в случае с Гарри, в вашей истории есть еще кое-что.

#AIforGood #ExpectoPatronum

Чтобы узнать больше об искусственном интеллекте в Альберте, посетите www.atbalphabeta.com. Следите за сообщениями Чандры в Twitter @ Chandra Rink.