Je zou een AI-meester kunnen worden voordat je het weet. Hier is hoe.

Jay Daniel Wright

Op het eerste gezicht lijkt Scot Barton misschien geen AI-pionier. Hij bouwt geen zelfrijdende auto's of leert computers om mensen af ​​te ranselen bij computerspelletjes. Maar binnen zijn functie bij Farmers Insurance baant hij een weg voor de technologie.

Barton leidt een team dat gegevens analyseert om vragen te beantwoorden over het gedrag van klanten en het ontwerp van verschillende polissen. Zijn groep gebruikt nu allerlei geavanceerde machine learning-technieken, van diepe neurale netwerken tot beslissingsbomen. Maar Barton heeft geen leger van AI-tovenaars ingehuurd om dit mogelijk te maken. Zijn team gebruikt een platform genaamd DataRobot , die veel moeilijk werk automatiseert dat gepaard gaat met het toepassen van dergelijke technieken.

Het werk van de verzekeringsmaatschappij met DataRobot laat zien hoe kunstmatige intelligentie de komende jaren zou kunnen evolueren als het zijn enorme potentieel wil realiseren. Naast spectaculaire demonstraties zoals DeepMinds spelsoftware AlphaGo, heeft AI de kracht om hele industrieën te revolutioneren en allerlei soorten bedrijven efficiënter en productiever te maken. Dit zou op zijn beurt kunnen helpen de economie te verjongen door de algehele productiviteit te verhogen. Maar om dit te laten gebeuren, moet de technologie een stuk gebruiksvriendelijker worden.

Verwant verhaal

Verwant verhaal Het Westen hoeft niet bang te zijn voor de kunstmatige-intelligentierevolutie in China. Het zou het moeten kopiëren.

Het probleem is dat veel van de stappen bij het gebruik van bestaande AI-technieken momenteel veel expertise vereisen. En het is niet zo eenvoudig als het bouwen van een gebruiksvriendelijkere interface, omdat ingenieurs vaak oordeel en knowhow moeten toepassen bij het maken en aanpassen van hun code.

Maar AI-onderzoekers en bedrijven proberen dit nu aan te pakken door de technologie in wezen op zichzelf te richten en machine learning te gebruiken om de lastigere aspecten van het ontwikkelen van AI-algoritmen te automatiseren. Sommige experts bouwen zelfs het equivalent van AI-aangedreven besturingssystemen die zijn ontworpen om toepassingen van de technologie net zo toegankelijk te maken als Microsoft Excel vandaag de dag is.

DataRobot is een stap in die richting. U voert onbewerkte gegevens in en het platform reinigt en formatteert deze automatisch. Vervolgens voert het tientallen verschillende algoritmen tegelijk uit, waarbij hun prestaties worden gerangschikt. Barton probeerde eerst het platform te gebruiken door een heleboel verzekeringsgegevens in te voeren om te zien of het een specifieke dollarwaarde kon voorspellen. Vergeleken met een standaard, met de hand gebouwde statistische benadering, had het geselecteerde model een 20 procent lager foutenpercentage. Uit de doos, met één druk op de knop; dat is best indrukwekkend, zegt hij.

Kloof in AI-vaardigheden

De realiteit van het toepassen van AI werd blootgelegd in een rapport gepubliceerd door het adviesbureau McKinsey in juni van dit jaar. Dit rapport concludeert dat kunstmatige intelligentie, met name machinaal leren, grote industrieën, waaronder productie, financiën en gezondheidszorg, kan veranderen, waardoor de Amerikaanse economie tegen 2025 mogelijk $ 126 miljard kan opleveren. Maar het rapport heeft één groot voorbehoud: een kritiek tekort aan talent .

Er is zeker een grote druk om zoveel mogelijk mensen te trainen om AI te gebruiken (zie Andrew Ng's Next Trick: Training a Million AI Experts). Maar dat kost tijd, en niet iedereen kan een AI-meester worden. De beste manier om de impact van elke technologie te maximaliseren, is door deze zo toegankelijk mogelijk te maken. Alleen dan zal AI beginnen te sluipen in gewone kantoren en werkplekken. DataRobot wordt al in sommige van die instellingen gebruikt.

Jay Daniel Wright

Op een late middag is het kantoor van DataRobot in het financiële district van Boston verlaten, afgezien van een handvol ingenieurs die rond een groot scherm scharrelen. De oplossing van het bedrijf lijkt zeker indrukwekkend als Jonathan Dahlberg, een van de consultants, me een demo geeft. Hij laadt een openbare dataset van leningaanvragen en betalingen op en laat het systeem een ​​aantal modellen ontwikkelen om te zien of er patronen zijn in waarom mensen in gebreke blijven.

Binnen een paar seconden verschijnen tientallen concurrerende algoritmen op het scherm; bovenaan staat een relatief unsexy maar veelgebruikte gradiëntversterkende techniek genaamd XGBoost . Hieruit blijkt al snel dat het inkomen van aanvragers vooral belangrijk is, maar dat geldt ook voor de reden die ze geven om een ​​lening te willen. Het blijkt dat mensen die het starten van een bedrijf in hun aanvraag vermelden, een bijzonder slechte gok zijn.

DataRobot kan overeenkomen met de expertise of vaardigheid van een echt goede datawetenschapper, zegt Dahlberg, maar het kan een breder perspectief bieden. Een persoon kan te veel vertrouwen op een bepaalde techniek en DataRobot zou automatisch een fundamenteel betere aanpak kunnen onthullen. Het is ook nog steeds mogelijk voor een gebruiker om het onderliggende algoritme handmatig aan te passen met behulp van de programmeertalen Python of R. Zonder nauwkeurig onderzoek is het moeilijk om te weten hoe goed het systeem enkele van de lastigere aspecten van datawetenschap automatiseert, zoals het opschonen van gegevens en functies engineering, maar het lijkt voor een verrassend bedrag te zorgen.

De CEO van het bedrijf, Jeremy Achin, werd geïnspireerd om een ​​bedrijf te starten na het kijken naar Het sociale netwerk , zoals hij een beetje schaapachtig toegeeft wanneer we elkaar ontmoeten voor koffie in de buurt van MIT. Maar hij kreeg het idee voor DataRobot toen hij deelnam aan datawetenschapswedstrijden op het crowdsourcingplatform Kaggle, dat eerder dit jaar door Google werd overgenomen. Kaggle looft prijzen uit voor het algoritme dat het beste presteert in het maken van een specifieke voorspelling uit een grote dataset. Deze taak omvat meestal het ontwikkelen van een machine-learning-algoritme dat zich voedt met de gegevens. Als een van de beste vroege Kaggle-deelnemers realiseerde Achin zich dat hij al veel van de stappen bij elke wedstrijd automatiseerde. Ik dacht dat als we genoeg datasets, genoeg problemen zouden verzamelen en genoeg experimenten zouden uitvoeren, we machine learning op machine learning zouden kunnen toepassen. Dat was het oorspronkelijke idee, zegt hij.

Het idee sloeg duidelijk aan bij investeerders. DataRobot, gestart in 2012, heeft meer dan $ 100 miljoen opgehaald, waaronder $ 54 miljoen in maart, rond dezelfde tijd dat Kaggle werd overgenomen. Het bedrijf zegt al meer dan 100 klanten te hebben. Achin zegt dat het concept een stuk minder populair is bij veel datawetenschappers, die ofwel het gevoel hebben dat hun vaardigheden niet kunnen worden geautomatiseerd, of zich zorgen maken dat dit het geval zal zijn. Maar hij denkt dat de meeste bedrijven geen andere keuze hebben als ze AI willen gebruiken. Het kan me niet schelen hoeveel mensen hun titel op LinkedIn veranderen in ‘data scientist’, zegt hij. Je gaat de naald niet verplaatsen.

Zelflerende systemen

Het tekort aan datawetenschappers inspireert vele anderen om te werken aan het automatiseren van machine learning. Een groeiend aantal onderzoekspapers duiken op over het gebruik van zijn technieken om steeds meer aspecten van AI te automatiseren.

Een van 's werelds grootste spelers in AI, Google, richt ook zijn aandacht op het idee. Google heeft enorme bedragen geïnvesteerd in de ontwikkeling van krachtige AI-algoritmen en deze in al zijn diensten in te zetten. Maar het bedrijf wil ook graag meer AI toevoegen aan zijn clouddiensten. En als u verder gaat dan eenvoudige hulpmiddelen voor beeld- of tekstclassificatie, moet u meer werk automatiseren dat komt kijken bij het trainen van machine learning-modellen.

Jay Daniel Wright

Het doel is om deze technologie toegankelijker te maken, zegt John Giannandrea, een Schotse computeringenieur die de AI-inspanningen van Google leidt. Dus iedereen zou kunnen zeggen 'Bouw me een voorspellend model' en het gaat af en doet het.

Eerder dit jaar kondigde het bedrijf enige aanzienlijke vooruitgang in de richting van dit doel aan, waarbij het een experimentele manier demonstreerde om het proces van het afstemmen van diepgaande neurale netwerken te automatiseren (zie AI-software leert AI-software te maken). Dit zijn misschien wel de krachtigste algoritmen voor machine learning die er zijn, en ze hebben de stand van zaken op het gebied van beeld- en spraakherkenning aanzienlijk verbeterd. Maar ze zijn ook notoir moeilijk te engineeren. Giannandrea zegt dat dit werk nu veelbelovende resultaten oplevert, die in sommige gevallen overeenkomen met de prestaties van met de hand ontwikkelde systemen. En hij verwacht dat Google de komende maanden meer resultaten zal vrijgeven.

Anderen hebben zelfs grotere ontwerpen. Eric Xing , een professor aan de Carnegie Mellon University, bijvoorbeeld, ontwikkelt wat neerkomt op een besturingssysteem dat is opgebouwd uit verschillende machine learning-componenten. Dit besturingssysteem maakt gebruik van virtualisatie en machine learning om veel van de complexiteit bij het ontwerpen en trainen van AI weg te nemen. Het beschikt zelfs over een grafische gebruikersinterface die kan worden gebruikt om een ​​machine learning-model op een bepaalde dataset te trainen.

Xing werd opgeleid in China en studeerde aan UC Berkeley naast Andrew Ng, nu een bekende figuur in de wereld van AI. Hij is erg beleefd en verrassend nonchalant over het opnieuw uitvinden van de manier waarop mensen computers gebruiken. Xing stelt zich voor dat zijn AI OS net zo gebruiksvriendelijk wordt als Excel, het spreadsheetpakket van Microsoft. Dit is een kernprobleem in het hele AI, zegt hij. De drempel om binnen te komen is gewoon te hoog.

Xing heeft een bedrijf opgericht, Petuum , om het besturingssysteem te ontwikkelen, en het heeft al een reeks hulpmiddelen gemaakt om machinaal leren naar de geneeskunde te brengen. Artsen willen een interface en medische dossiers, afbeeldingen - elk vereist een andere machine learning-aanpak, zegt hij. Petuum maakt zich ook op om zijn platform vrij te geven.

Het besturingssysteem van Petuum en andere tools voor het automatiseren van AI zullen voor enkele unieke uitdagingen staan. Er zijn al zorgen over algoritmen voor machinaal leren die per ongeluk vooroordelen uit trainingsgegevens absorberen, en sommige modellen zijn gewoon te ondoorzichtig om zorgvuldig te onderzoeken (zie The Dark Secret at the Heart of AI ). Als AI veel gemakkelijker te gebruiken wordt, is het mogelijk dat deze problemen meer wijdverbreid en meer verankerd raken.

Om machine learning echt goed te doen, heb je een doctoraat en ongeveer vijf jaar ervaring nodig, zegt Rijke Caruana , een senior onderzoeker bij Microsoft die al zo'n 20 jaar aan datawetenschap doet. Er zijn veel valkuilen. Verloopt uw ​​algoritme na zes maanden en is het interpreteerbaar?

Caruana is van mening dat het mogelijk moet zijn om enkele van de stappen te automatiseren die een datawetenschapper moet nemen om zich tegen dergelijke problemen te wapenen, iets wat lijkt op de checklist voor de vlucht van een piloot. Maar hij waarschuwt ervoor niet te veel te vertrouwen op systemen die beloven alles te automatiseren. Ik weet het, zegt hij, want ik heb onderweg mijn teen gestoten.

zich verstoppen