Почему ИИ не надо быть ученым в области ракетостроения, чтобы решать проблемы ракетостроения
При машинном обучении, предметное знание на самом деле не так важно для решения определенных проблем, даже очень сложных. Важен процесс решения проблем. Компьютер, который может визуально обнаруживать раковые клетки, не «распознает» больные клетки: он говорит о различии между раковой клеткой и здоровой. Он практикует распознавание образов.
Так, один инженер решил за выходные собрать интеллектуальное приложение, способное классифицировать бренды сухих завтраков. Направьте свой телефон на него, и ИИ скажет вам, что вы едите. Он выглядит как метеорологический отчет: 79-процентная вероятность у Sugar Crisps, 10-процентная - у Cocoa Puffs.(если вы хотите попробовать, приложение доступно в магазине Google Play)
Один ИИ может иметь множество приложений
Привлекательность такого ИИ состоит в том, что поскольку конкретные области знаний не задействованы, вы можете переобучить классификатор завтраков, чтобы он начал рассказывать о разнице между овощами, орехами, столовыми приборами, типами болтов и т.п. Машина, предназначенная для выполнения одной задачи, может иметь полдюжины других. Один ИИ может иметь много приложений.
Интересно, что компетенция в области становится важной при оценке и включении результатов. Компетенция в области или предметные знания помогают определить, есть ли в модели некоторая предвзятость, что вполне возможно. Например, если классификатор завтраков был обучен с использованием данных, составляющих 99 процентов Cocoa Puffs и 1 процента от всех завтраков, результаты будут искажены. Кроме того, если базовая версия этого классификатора завтраков была указана на то, что вообще не было завтраком, тогда все равно предполагается, что он идентифицирует крупицу и придумывает предсказание в пределах ряда завтраков таких как Cocoa Puffs или Sugar Crisp. Нужны знания, чтобы иметь возможность подтвердить достоверность классификации.
Распознавание образов может помочь защитить людей
С небольшим изменением, классификатор зерновых может быть обучен делать что-то действительно полезное, например, распознавать рак с тканевых слоев пациента. Человеческий опыт в этой области разнообразен, опытные врачи-диагностики могут часто расходиться во мнении. При обучении на тысячи снимках, модель, построенная по тому же принципу, что и классификатор сухих завтраков, диагностирует опухоль с гораздо большей точностью, чем онколог.
Классификатор не является медицинским экспертом и не запоминает или не использует подход, основанный на правилах. Вместо этого он одновременно синтезирует информацию из тысяч характеристик и учится распознавать шаблоны.
Что это значит для экспертов в области? В то время как в конечном итоге многие рабочие места могут стать автоматизированными, реальная польза ИИ заключается в том, чтобы синтезировать свои результаты с помощью человеческого опыта, чтобы повысить компетентность и продуктивность специалистов.