Kod yok, sorun yok – yeni araçlarla yapay zekayı kendi oyununda yenmeye çalışıyoruz


Makine öğrenimimiz henüz bitmedi mi?
büyüt / Makine öğrenimimiz henüz bitmedi mi?

Geçen yıl boyunca, makine öğrenimi ve yapay zeka teknolojisi önemli adımlar attı. OpenAI’nin DALL-E’si de dahil olmak üzere özel algoritmalar, artan kurnazlıkla metin istemlerine dayalı görüntüler oluşturma yeteneğini göstermiştir. Doğal dil işleme (NLP) sistemleri, insan yazı ve metnine yaklaşmaya daha yakın hale geldi. Hatta bazı insanlar bir yapay zekanın duyarlılığa ulaştığını bile düşünüyor. (Spoiler uyarısı: Olmadı.)

Ars’ Matt Ford’un yakın zamanda burada belirttiği gibi, yapay zeka yapay olabilir, ancak “zeka” değildir – ve kesinlikle sihir değildir. “AI” dediğimiz şey, etten kemikten insanlar tarafından geliştirilen istatistiksel yaklaşımları kullanan verilerden modellerin oluşturulmasına bağlıdır ve başarılı olduğu kadar olağanüstü bir şekilde başarısız da olabilir. Kötü verilerden bir model oluşturun ve kötü tahminler ve kötü çıktılar elde edersiniz; bunu Microsoft’un Tay Twitterbot’unun geliştiricilerine sormanız yeterlidir.

Çok daha az muhteşem bir başarısızlık için, sadece arka sayfalarımıza bakın. Bir süredir veya en azından 2021 yazından beri bizimle olan okuyucular, bazı analizler yapmak için makine öğrenimini kullanmaya çalıştığımız ve tam olarak başarılı olamadığımız zamanı hatırlayacaktır. Amazon Web Services Kıdemli Ürün Müdürü Danny Smith, tavsiye almak için kendisiyle görüştüğümüzde (“Veri güdümlü” ifadesinin yalnızca bir şaka ya da moda bir sözcük olmadığı ortaya çıktı” dedi. “‘Veri güdümlü’, makineler için bir gerçekliktir. öğrenme veya veri bilimi projeleri!”) Ancak çok şey öğrendik ve en büyük ders, makine öğreniminin yalnızca doğru verilerle ilgili doğru soruları doğru araçla sorduğunuz zaman başarılı olduğuydu.

Bu araçlar gelişti. Büyüyen bir “kodsuz” ve “düşük kodlu” makine öğrenimi araçları sınıfı, bir dizi ML görevini giderek daha erişilebilir hale getiriyor, bir zamanlar veri bilimcilerin ve programcıların tek kaynağı olan makine öğrenimi analitiklerinin güçlerini alıyor ve bunları erişilebilir hale getiriyor. iş analistlerine ve diğer programlama yapmayan son kullanıcılara.

DALL-E üzerindeki çalışma şaşırtıcı ve bir zamanlar insan sanatçıların alanı olan memlerin, derin sahtelerin ve diğer görüntülerin üretimi üzerinde önemli bir etkiye sahip olsa da (“gibi komutlar kullanarak”[insert celebrity name] Edvard Munch’un tarzında Çığlık“), işletmelerin ve bireylerin her gün oluşturduğu ve birlikte çalıştığı veri türlerini içeren kullanımı kolay makine öğrenimi analitiği (kelimenin en tarafsız anlamıyla) aynı derecede yıkıcı olabilir.

Makine öğrenimi satıcıları, ürünlerini verilerde açık olmayabilecek ilişkileri bulmak, veri noktaları ile genel sonuçlar arasındaki ilişkiyi ortaya çıkarmak ve insanları geleneksel iş analizinin günler, aylar veya geleneksel istatistiksel veya nicel analiz yoluyla ortaya çıkarmak için yıllar.

gerçekleştirmek için yola çıktık John Henry-esque test: kod gerektirmeyen bu araçlardan bazılarının kod tabanlı bir yaklaşımdan daha iyi performans gösterip gösteremeyeceğini veya en azından bir veri bilimcisinin faturalandırılabilir saatlerinden daha düşük bir maliyetle kararlar almaya yetecek kadar doğru sonuçlar sağlayıp sağlayamayacağını öğrenmek. Ancak bunu yapmadan önce doğru verilere ve doğru soruya ihtiyacımız vardı.


Kaynak : https://arstechnica.com/?p=1865867

Yorum yapın

SMM Panel PDF Kitap indir