Potresti diventare un maestro di intelligenza artificiale prima che te ne accorga. Ecco come.

Jay Daniel Wright

A prima vista, Scot Barton potrebbe non sembrare un pioniere dell'IA. Non sta costruendo auto a guida autonoma o insegnando ai computer a picchiare gli umani ai giochi per computer. Ma nel suo ruolo in Farmers Insurance, sta aprendo la strada alla tecnologia.

Barton guida un team che analizza i dati per rispondere alle domande sul comportamento dei clienti e sulla progettazione di diverse politiche. Il suo gruppo sta ora utilizzando tutti i tipi di tecniche all'avanguardia di apprendimento automatico, dalle reti neurali profonde agli alberi decisionali. Ma Barton non ha assunto un esercito di maghi dell'IA per renderlo possibile. La sua squadra utilizza una piattaforma chiamata DataRobot , che automatizza molti lavori difficili coinvolti nell'applicazione di tali tecniche.

Il lavoro della compagnia di assicurazioni con DataRobot suggerisce come l'intelligenza artificiale potrebbe dover evolversi nei prossimi anni se vuole realizzare il suo enorme potenziale. Oltre a dimostrazioni spettacolari come AlphaGo, il software di gioco di DeepMind, l'IA ha il potere di rivoluzionare interi settori e rendere più efficienti e produttivi tutti i tipi di attività. Questo, a sua volta, potrebbe aiutare a ringiovanire l'economia aumentando la produttività complessiva. Ma affinché ciò avvenga, la tecnologia dovrà diventare molto più facile da usare.

Storia correlata

Storia correlata L'Occidente non dovrebbe temere la rivoluzione cinese dell'intelligenza artificiale. Dovrebbe copiarlo.

Il problema è che molti dei passaggi coinvolti nell'utilizzo delle tecniche di IA esistenti attualmente richiedono competenze significative. E non è semplice come costruire un'interfaccia più user-friendly sopra le cose, perché gli ingegneri spesso devono applicare giudizio e know-how durante la creazione e la modifica del codice.

Ma i ricercatori e le aziende di intelligenza artificiale stanno ora cercando di affrontare questo problema essenzialmente trasformando la tecnologia su se stessa, utilizzando l'apprendimento automatico per automatizzare gli aspetti più complicati dello sviluppo di algoritmi di intelligenza artificiale. Alcuni esperti stanno persino costruendo l'equivalente di sistemi operativi basati sull'intelligenza artificiale progettati per rendere le applicazioni della tecnologia accessibili come lo è oggi Microsoft Excel.

DataRobot è un passo in quella direzione. Inserisci dati grezzi e la piattaforma li pulisce e riformatta automaticamente. Quindi esegue dozzine di algoritmi diversi contemporaneamente contro di esso, classificandone le prestazioni. Barton ha inizialmente provato a utilizzare la piattaforma inserendo una serie di dati assicurativi per vedere se poteva prevedere un valore in dollari specifico. Rispetto a un approccio statistico standard costruito a mano, il modello selezionato presentava un tasso di errore inferiore del 20%. Fuori dagli schemi, con la semplice pressione di un pulsante; è piuttosto impressionante, dice.

Divario di abilità dell'IA

La realtà dell'applicazione dell'IA è stata messa a nudo in un rapporto pubblicato dalla società di consulenza McKinsey nel giugno di quest'anno. Questo rapporto conclude che l'intelligenza artificiale, in particolare l'apprendimento automatico, potrebbe rivoluzionare le grandi industrie, tra cui produzione, finanza e assistenza sanitaria, aggiungendo potenzialmente fino a 126 miliardi di dollari per l'economia statunitense entro il 2025. Ma il rapporto ha un grande avvertimento: una grave carenza di talenti .

C'è sicuramente una grande spinta per addestrare quante più persone possibile all'uso dell'IA (vedi Next Trick di Andrew Ng: Formazione di un milione di esperti di intelligenza artificiale). Ma ci vorrà tempo e non tutti possono diventare un maestro di intelligenza artificiale. Il modo migliore per massimizzare l'impatto di qualsiasi tecnologia è renderla il più accessibile possibile. Solo allora l'IA inizierà a insinuarsi negli uffici e nei luoghi di lavoro ordinari. DataRobot è già utilizzato in alcune di queste impostazioni.

Jay Daniel Wright

Un tardo pomeriggio, l'ufficio di DataRobot nel distretto finanziario di Boston è deserto, a parte una manciata di ingegneri che si aggirano attorno a un grande display. La soluzione dell'azienda sembra sicuramente impressionante quando Jonathan Dahlberg, uno dei consulenti, mi offre una demo. Carica un set di dati pubblici di richieste di prestito e pagamenti, quindi fa sviluppare al sistema una serie di modelli per vedere se ci sono motivi per cui le persone sono inadempienti.

In pochi secondi sullo schermo compaiono dozzine di algoritmi concorrenti; nella parte superiore c'è una tecnica di aumento del gradiente relativamente poco sexy ma ampiamente utilizzata chiamata XGBoost . Ciò dimostra rapidamente che il reddito dei richiedenti è particolarmente importante, ma lo è anche il motivo per cui desiderano un prestito. Si scopre che le persone che menzionano l'avvio di un'impresa nella loro applicazione sono una scommessa particolarmente negativa.

DataRobot potrebbe eguagliare l'esperienza o l'abilità di un data scientist davvero bravo, dice Dahlberg, ma può offrire una prospettiva più ampia. Una persona potrebbe fare troppo affidamento su una determinata tecnica e DataRobot potrebbe rivelare automaticamente un approccio fondamentalmente migliore. È anche ancora possibile per un utente modificare manualmente l'algoritmo sottostante utilizzando i linguaggi di programmazione Python o R. Senza un esame approfondito, è difficile sapere quanto bene il sistema automatizza alcuni degli aspetti più complicati della scienza dei dati, come la pulizia dei dati e le funzionalità ingegneria, ma sembra prendersi cura di una quantità sorprendente.

Il CEO dell'azienda, Jeremy Achin, è stato ispirato ad avviare un'azienda dopo aver visto Il social network , come ammette un po' imbarazzato quando ci incontriamo per un caffè vicino al MIT. Ma ha avuto l'idea di DataRobot mentre partecipava a concorsi di scienza dei dati sulla piattaforma di crowdsourcing Kaggle, che è stata acquisita da Google all'inizio di quest'anno. Kaggle offre premi per l'algoritmo che si comporta meglio nel fare una previsione specifica da un ampio set di dati. Questa attività in genere comporta lo sviluppo di un algoritmo di apprendimento automatico che si nutre dei dati. Essendo uno dei migliori primi concorrenti di Kaggle, Achin si rese conto che stava già automatizzando molti dei passaggi coinvolti in ogni competizione. Ho pensato che se avessimo raccolto abbastanza set di dati, abbastanza problemi ed eseguito abbastanza esperimenti, avremmo potuto fare l'apprendimento automatico sull'apprendimento automatico. Questa era l'idea originale, dice.

L'idea ha chiaramente risuonato con gli investitori. DataRobot, avviato nel 2012, ha raccolto oltre $ 100 milioni, di cui $ 54 milioni a marzo, più o meno nello stesso periodo in cui è stata acquisita Kaggle. L'azienda afferma di avere già più di 100 clienti. Achin afferma che il concetto è molto meno popolare tra molti data scientist, che ritengono che le loro competenze non possano essere automatizzate o temono che lo saranno. Ma crede che la maggior parte delle aziende non avrà altra opzione se vorrà utilizzare l'IA. Non mi interessa quante persone cambiano il loro titolo in 'data scientist' su LinkedIn, dice. Non sposterai l'ago.

Sistemi di autoapprendimento

La carenza di data scientist sta ispirando molti altri a lavorare sull'automazione dell'apprendimento automatico. Un numero crescente di articoli di ricerca sta emergendo sull'utilizzo delle sue tecniche per automatizzare sempre più aspetti dell'IA.

Anche uno dei più grandi attori mondiali dell'IA, Google, sta rivolgendo la sua attenzione all'idea. Google ha investito enormi somme nello sviluppo di potenti algoritmi di intelligenza artificiale e nella loro distribuzione nei suoi servizi. Ma l'azienda desidera anche aggiungere più intelligenza artificiale ai suoi servizi cloud. E andare oltre i semplici strumenti per la classificazione di immagini o testi significherà automatizzare una parte maggiore del lavoro coinvolto nella formazione di modelli di apprendimento automatico.

Jay Daniel Wright

L'obiettivo è rendere questa tecnologia più accessibile, afferma John Giannandrea, un ingegnere informatico scozzese che guida gli sforzi di Google per l'intelligenza artificiale. Quindi chiunque potrebbe dire 'Costruiscimi un modello predittivo' e si spegne e lo fa.

All'inizio di quest'anno, la società ha annunciato alcuni progressi significativi verso questo obiettivo, dimostrando un modo sperimentale per automatizzare il processo di messa a punto delle reti neurali di deep learning (vedi AI Software Learns to Make AI Software). Questi sono forse gli algoritmi di apprendimento automatico più potenti in circolazione e hanno notevolmente migliorato lo stato dell'arte nel riconoscimento di immagini e voce. Ma sono anche notoriamente difficili da progettare. Giannandrea afferma che questo lavoro sta ora producendo risultati molto promettenti, in alcuni casi corrispondenti alle prestazioni di sistemi sviluppati a mano. E si aspetta che Google rilasci più risultati nei prossimi mesi.

Altri hanno disegni ancora più grandiosi. Eric Xing , un professore alla Carnegie Mellon University, ad esempio, sta sviluppando quello che equivale a un sistema operativo costruito da diversi componenti di apprendimento automatico. Questo sistema operativo utilizza la virtualizzazione e l'apprendimento automatico per astrarre gran parte della complessità nella progettazione e nella formazione dell'IA. Dispone anche di un'interfaccia utente grafica che può essere utilizzata per addestrare un modello di apprendimento automatico su un particolare set di dati.

Xing ha studiato in Cina e ha studiato alla UC Berkeley insieme ad Andrew Ng, oggi una figura ben nota nel mondo dell'IA. È molto educato e sorprendentemente disinvolto nel voler reinventare il modo in cui le persone usano i computer. Xing immagina che il suo sistema operativo AI diventi facile da usare come qualcosa come il pacchetto di fogli di calcolo di Microsoft, Excel. Questo è un problema centrale in tutta l'IA, dice. La barriera all'ingresso è troppo alta.

Xing ha creato una società, Petuum , per sviluppare il sistema operativo, e ha già creato una serie di strumenti volti a portare il machine learning in medicina. I medici vogliono un'interfaccia e cartelle cliniche, immagini: ognuna richiede un approccio di apprendimento automatico diverso, dice. Petuum si sta anche preparando a rilasciare la sua piattaforma.

Il sistema operativo di Petuum e altri strumenti per automatizzare l'IA dovranno affrontare alcune sfide uniche. Ci sono già preoccupazioni per gli algoritmi di apprendimento automatico che assorbono inavvertitamente i pregiudizi dai dati di addestramento e alcuni modelli sono semplicemente troppo opachi per essere esaminati attentamente (vedi The Dark Secret at the Heart of AI ). Se l'IA diventa molto più facile da usare, è possibile che questi problemi diventino più diffusi e più radicati.

Per fare davvero bene l'apprendimento automatico, è necessario un dottorato di ricerca e circa cinque anni di esperienza, afferma Ricca Caruana , un ricercatore senior presso Microsoft che si occupa di data science da circa 20 anni. Ci sono molte insidie. Il tuo algoritmo scade dopo sei mesi ed è interpretabile?

Caruana ritiene che dovrebbe essere possibile automatizzare alcuni dei passaggi che un data scientist deve intraprendere per proteggersi da tali problemi, qualcosa di simile alla checklist pre-volo di un pilota. Ma mette in guardia dal fidarsi troppo dei sistemi che promettono di automatizzare tutto. Lo so, dice, perché mi sono stordito l'alluce lungo la strada.

nascondere