Néhány hete kissé megizzadtam. Egy elemző guru cikkére bukkantam, Tom Davenport (többek között a Competing on Analytics vagy a BigData At Work című nagyszerű könyvek szerzője), amelyben azt taglalja, hogy az elemző szoftverek több vezető ügyfele egy rangos külföldi elemző konferencián hogyan ismerte el, hogy támaszkodnak arra, hogy képesek legyenek munkahelyeket és elemzőket pótolni. A cikk elolvasása után kissé féltem ...

ijedtem

Körülbelül 2 éve gondolkodom ezen a témán. Annak, aki legalább egy informatikai szaklapot olvasott az elmúlt 2-3 évben, egyértelmű, hogy újabb (ipari) forradalmat élünk át. A gőz, majd az áram és a belső égésű motorok feltalálása után a digitális korszakon vagyunk. Az információáramlást korábban a termelés (és a szállítás) elszigetelt szigetei kötötték össze, így nekünk, embereknek megint kevesebb felelősségünk van. Vagy valójában lehetőségeket?

Milyen rénszarvas marad életben?

Eleinte átadtuk a gépeknek a kézi munka lapátját, de legalább a gépek összeszerelésének kötelezettségét meghagytuk, amit értünk fognak megtenni. Később kifejlesztettük a gépgyártást, így a gépek más gépeket is elő tudtak állítani. Mi, emberek, ismét visszavonultunk, és "csak" maradtunk, hogy irányítsuk (gépeket készítsük, mit csinál). Az ipar 4.0-val együtt jön az ún autonóm termelés, ahol a gépek irányíthatják a gépeket előállító más gépeket. Kicsit nem feltűnőnek tűnik, de alapvetően bezárta a gyártási kört. Mert ha a gépek teljes mértékben képesek ellenőrizni más gépek gyártását, akkor "megrendelhetik" saját alkatrészeik (vagy fejlesztéseik) gyártását. A mai digitális korban, amikor a gépek az autonóm autókat is vezérelhetik más gépek szállítására, egyáltalán nem tudományos-fantasztikus egy olyan gyár teljes autonóm termelésének láncolása, amely nemcsak a végterméket állítja elő, hanem a saját karbantartását is.

Amikor megpróbáltam néhány évvel előre extrapolálni ezt a helyzetet, nyugtalanított az a kérdés, hogy valójában milyen emberi foglalkozások (munkahelyek) élnék túl ezt a tendenciát? Ha elfogadjuk azt az előfeltevést, hogy bármilyen gyártási és szállítási folyamat vezérelheti az automatát, akkor már nem sok van hátra. Néhány mérnöki munka, amely meghatározza a gépek új formáinak specifikációit, az informatikai munkákat (amelyek algoritmusokat programoznak a gépek számára), az elemző munkákat (amelyek a gépek adatait értékelik) és az emberi életnek és fejlődésnek szentelt szakmákat (kultúra, orvosok, tanárok, …). A pulzusom és a vérnyomásom visszatért a medián értékekhez, mivel munkám több éven át fennmaradt kategóriák egyikébe tartozik. Vagyis amíg el nem olvastam T. Davenport cikkét.

Mesterséges mesterséges intelligencia

A cikk arra kényszerített, hogy egy kicsit mélyebben gondolkodjak azon a témán, hogy az emberi munkát helyettesítsem mesterséges intelligenciával. Elkezdtem részletesebben elemezni, hogy a (mai) elemző munka mely részei maradhatnak a gép erejéig. Íme egy rövid összefoglalás a kutatásomból:

Adatok tisztítása és előkészítése. Az elemző munka első lépése az adatok tisztítása és további elemzésre történő felkészítése. E terület alaposabb vizsgálata arra késztetett bennem, hogy azt higgyem (és az azonos nevű blogot), hogy az adattisztító ipar haldoklik. Az olyan eszközök, mint az Ataccamma és még sokan mások, teljes mértékben elolvashatják az adatokat. Hasonlóképpen, szinte minden szabványos adatbázis magában foglalja az adatkezelési eljárások vagy akár analitikai pakcage-ek létrehozásának lehetőségét, amelyek lehetővé teszik az elemezendő adatok formájának és jellegének dinamikus beállítását is.

Hozzon létre elegendő paramétert . Az adatok törlése után az elemző olyan paraméterek létrehozásában merül fel, amelyek előrejelzőként szolgálnak. A gépek támadása ellen gátként támaszkodtam leginkább erre a területre. A gép azonban nem tudja, mi a modellezés tárgya, ezért nehéz lesz kiválasztani a megfelelő paramétereket. Ez azonban nem működött nálam, és elkezdtem alaposabban tanulmányozni a genetikai algoritmusokat. Ez a téma annyira lenyűgöző, hogy hamarosan külön blogot szentelek neki, ezért ezen a ponton csak azt mondom, hogy a fejlettebb genetikai heurisztika egyszerű paramétereket tesztelhet, és megértheti, hogyan lehet egyszerűbb tüneteket bonyolultabbá módosítani. Ennek eredményeként a számítógép egyszerű paraméterekkel indul, és fokozatosan elkészít egy igazán kifinomultat, sokkal nagyobb információértékkel. Az ilyen felgyorsult darwinizmus.

Készítsen egy prediktív modellt a prediktorok történetével kapcsolatban . Ha az előző pontban kétségeim támadtak, akkor a prediktív modellek létrehozásának részében egyértelmű vagyok. Ma a gépi tanulás általános kérdés, és ha adatokat szolgáltat az analitikai szolgálatoknak, akkor önállóan létrehozhatnak egy modellt egy adott jelenség előrejelzésére. Példákkal nem kell messzire mennünk, például az Expone vagy a Black Swan Rational fiúk is részt vesznek a modellek autonóm létrehozásában hazánkban. Ez a rész ma már nem (teljesen) az emberek kezében van. A jövőben csak rosszabb lesz.

Modell tesztelése és ellenőrzése. Bármely elemző, aki kereskedelmileg hasznos prediktív modellt készített, tudja, hogy a legtöbb elemző a modellellenőrzést olyan eszközöknek adja át, mint az ROC-választó vagy a CCC-ellenőrzés. Ezenkívül, ha valaha együtt dolgozott az Ensemble modellekkel, akkor tudja, hogy a gép már ma is képes alternatív fejlesztésű modelleket elvinni, és mindegyikből a legjobbat választhatja ki egy olyan szupermodellbe, amely az eredeti modellek mindegyikét legyőzi a harcban.

Alakítsa át az eredményt ember által olvasható következtetésekké . Szinte az összes nagy elemző vállalat a Vizualizációs szoftverre támaszkodik, hogy vállalja az eredmény ember által olvasható formában történő megjelenítésének szerepét. Évente azonban találkozom Infographics-szal vagy egy olyan grafikai formával, amely meglepően egyértelmű volt. Amíg a gépek nem készítenek olyan filmeket, amelyeken túl leszünk, addig az embereké lesz a fölény. Ugyanakkor másban látom a problémát: A prediktív modellek szkeptikusai azzal az érvvel tolták az elemzőket, hogy a prediktív modell fekete doboz, nem tudjuk, miért döntött így és ezért nem ellenőrizhetjük. Az elemzők válasza az ún Magyarázó értékelés, az AI újabb hulláma, amely a prediktív szabályokat érthető magyarázatokká alakítja át. Ezt a tendenciát elsősorban az egészségügy vagy a bankkockázat-kezelés szabályozói nyomják, akik követelik, hogy a modellek ne csak a jó döntést jelezzék előre, hanem magyarázatot is adnak arra, hogy miért "hozták ezt a döntést". Ha így elmélyülünk, az egyik másik fordulat mögött, az emberi elem haszontalan lesz. Az AI magyarázatot ad arra is, hogy miért viselkedik úgy, ahogyan.

Amint azt rövid kirándulásunk megmutatta, az elemző munka 5 szükséges lépésének 3,5-ben a gépek már képesek lépést tartani az emberrel, és a helyzet gyorsan romlik. Davenport provokatív kérdése ezért teljesen helyénvalónak tűnik. Az elemző és adatmunka nagy részéhez egyszerűen nem lesz szükség személyre. Ismét elemző szorongás fogott el. Továbbra is nyugdíjba vonulok ebben az ágban, vagy szétverem a gépeket, ahogy a munkások hordái tették az iparosodás első hullámában?

Miért történhet ez (nem)?

Az a tény, hogy elméleti lehetőség van az emberek helyettesítésére, nem határozza meg előre, hogy ez megtörténik-e. Végül is a számítógép már megvert minket sakkban és Go-ban, de az emberek még mindig nem hagyták abba a játékot. Tehát vannak-e olyan tényezők, amelyeknek fel kellene gyorsítaniuk az emberek helyettesítését az elemzési területen? Azt hiszem, ma léteznek 2 ilyen ok:

Adatok terjesztése . Valószínűleg hallottad már, hogy az adattermelés exponenciálisan növekszik. Még ha találunk is módszereket hatékonyabb elemzésükre, a feldolgozásukkal szemben támasztott igények csökkentése levezetés formájában történik. És mint a beavatottabbak tudják, az exponenciális függvény levezetése továbbra is exponenciális függvény. Így az egyre növekvő adatmennyiség, annak ellenére, hogy feldolgozási módszereik javultak, megnyitja az ollót
elemzési igények és az e célra rendelkezésre álló munkaerő rendelkezésre állása. Paradox módon növekszik az igény az adatelemző gépekre, amelyek maguk az adatok elemzéséhez szükségesek.

Analógia a részletekkel . Nemrégiben beszéltem az egyik kiskereskedelmi lánc felső vezetésével. Intenzíven dolgoznak az önkiszolgáló pénztárgépek bevezetésén. Amikor megkérdeztem tőlük e döntés okait, nem kaptam választ arra, hogy közelebb akarnak kerülni az Amazon Go koncepcióhoz. Nem, a valódi ok az volt, hogy fenntarthatatlanná vált az emberek (még ha csak is) fizetése minimálbérrel és az esti és hétvégi összes extrával áru beolvasásáért. Az informatikai megoldások árát Moore törvénye tartósan csökkenti, másrészt a munkaerő ára folyamatosan emelkedik. Csak idő kérdése, hogy egy automatizált modell ára engedjen-e az ember egységárának. Tehát, ha egy ember előre elkészíti a prediktív modellt, egyszer ugyanolyan luxus lesz, mint egy takarítóért fizetni, annak ellenére, hogy Roomba robotja van.

Amikor az említett cikket több adatbányászati ​​szakértővel szembesítettem, némelyikük megnyugodott, hogy nem kell ilyen feketének látnom. Ez igen, az alapvető gépi tanulás képes kezelni a RAM-ot és a CPU-t, de a DeepLearning modellek vagy a fürtöző algoritmusok minőségének ellenőrzéséhez továbbra is emberi fejre lesz szükség. Ezen túlmenően, emberekként kreativitással rendelkezünk, így amikor ez elkezd hozzánk fordulni, akkor ismét előállunk valamivel, ami "bennünket tart a játékban".

Hogy látod? Melyik oldalra támaszkodik? Rövid szavazást indítottam erről a témáról, ezért kérem, szavazzon a véleményére.

Mit adjak hozzá a végén?

Meglepő módon a feleségem, akinek rosszul kell foglalkoznia az adatelemzéssel, mert őrült férje zavarja, meglepően ösztönző belépőt vezetett be az emberi munkahelyek mesterséges intelligenciával való felváltásától való félelemről szóló vitába. Együtt beszéltük meg, hogy gyermekeink valószínűleg már nem lesznek képesek elvégezni egyetlen olyan munkát sem, amelyet ismerünk. Ezek a munkák egyszerűen nem léteznek. Zavarban voltunk, hogyan lehet felkészíteni a következő generációt szakmájukra. Hogyan lehetne tovább fejleszteni őket, hogy legyen alkalmazásuk?

Miután néhány percig átvette e tendencia társadalmi következményeit (generációnk hatalmas munkanélkülisége, amely már nem lesz képes átirányulni; a gépek felvehetik-e a kultúra szerepét az RB segítségével? ”) Hatalmas összegű pénz jobb megoldásokat kínálni az embereknek azáltal, hogy valami mással áll elő, mint az emberek. Ha ugyanazt a hatalmas pénzt fektetnénk közvetlenül az emberi potenciál fejlesztésébe, nem lennénk jobbak? Be kell vallanom, hogy ennek a gondolkodásmódnak valóban van köze hozzá. Az a tény, hogy természetesnek tartjuk az AI-kutatásba való befektetést, nem pedig az emberi képességek fejlesztését, csak azt a bizarr utat dokumentálja, amelyet emberiségként járunk.

Kis megkönnyebbüléssel azonban hozzátenném, hogy az emberi gondolkodás gépekkel való helyettesítésének tendenciája alapvetően érthető. Ha emlékszel, csak ez volt emberi lustaság, ami hajtotta a gépek létrehozását. Ha ma körülnézel, az emberek lusták gondolkodni, nem pedig fizikai erőfeszítéseket tölteni (ezért az ismert mondás: "Akinek nincs feje, annak van a lába"). Paradox, de több embert bolondít meg a marketing, hogy elkezdjen sportolni, mint hogy elkezdjen szakmai könyveket olvasni. Nagyon sok ember úgy látja, hogy azok a rendszerek fejlődnek, amelyek kényelmük szolgálatául szolgálnak.

Kevesen ismerjük azonban fel, hogy ennek eredményeként várunk ránk mentális elhízás. Igen, leállítjuk a kiberszkópot, és fokozatosan sorvadnak el, hasonlóan egy "zsír" izmaihoz, amely megállt. Pesszimista forgatókönyv szerint az emberek fokozatosan hülyéskednek és a gépek javulnak. Egy nap talán megszületik egy olyan generáció, amely nem lesz képes "újraprogramozni" a gépeket, aminek halálos következményei lehetnek civilizációnkra. Amíg ez nem történik meg, jobban kellene aggódnunk azon érték miatt, amelyet akkor kapunk egy munkáltató számára, amikor gyengébbek és lassabban gondolkodunk, mint a hardver. Vagy milyen újfajta szakmákat kellene létrehoznunk, hogy ha egyszer már abbahagynánk (annyira szűkös) Data Scientists-t, lenne mit tennünk. Próbáljon tehát a pretalia-ra gondolni, legalábbis mint a mentális elhízás megelőzésére.

A témához fűzött észrevételeket itt várjuk.

PS: Itt megtalálhatja az eredeti Davenport cikket, ha érdekli.