Elena Gerasimova, directora de Data Science in Netology, tradujo un artículo de Lai Queffelec sobre cómo los procesos de crianza de niños y enseñanza de IA son similares.Si usted, como yo, crió niños y al mismo tiempo enseñó el algoritmo, lo más probable es que haya comparado estos dos procesos. E incluso si no le gusta la inteligencia artificial, pero sabe mucho sobre niños, bienvenido al maravilloso mundo de la educación de máquinas ... ¡Uy, aprendizaje de máquinas!
Al escribir este artículo, ni un solo niño resultó herido. Es solo que yo, como cualquier padre, paso muchas horas observando cómo mi hijo aprende el mundo y me sorprende ver sus patrones de comportamiento. Tal como lo hace un científico de datos, observando los resultados de las muestras de
entrenamiento / prueba (
muestra de datos de entrenamiento para entrenar el algoritmo / el resultado del algoritmo trabajando en nuevos datos - aprox. Ed. ).
"Al principio es estúpido como un corcho"
Esta es una cita de
Jim Stern , autor de Inteligencia Artificial para Marketing: Aplicaciones prácticas, de una conferencia sobre aprendizaje automático, no sobre niños (¡amo a los niños!).
La esencia del aprendizaje automático es
enseñarle a la máquina a realizar una tarea específica, al igual que los padres sueñan con enseñarles a los niños cómo recoger la ropa sucia y ponerla en la lavadora mientras mamá y papá descansan en el sofá (¿lo admiten, lo intentaron?).
Sin embargo, la principal diferencia es que cuando se le pide a un niño que lave la ropa, él ya sabe cómo es la ropa; él sabe cómo caminar, agarrar, tirar y plegarse: aprendió estas acciones gracias a otros eventos en su joven vida.
Entonces, ¿dónde está la llave que finalmente abre la posibilidad de ser perezoso en el sofá mientras la ropa se lava mágicamente? Contexto Damos ejemplos a los niños: mostramos cómo llevar a cabo cada paso y agradecemos cuando hacen todo bien, porque los amamos.
En gran medida, el aprendizaje automático es el mismo, excepto que el "niño virtual" con las habilidades de un bebé adulto todavía tiene la experiencia de un recién nacido. Por lo tanto, tendrá que comenzar a explicar desde cero: estas cinco piezas, como salchichas, sobresalen al final de un palo largo y parecido a una salchicha, los palos son dedos, manos y palma. Solo entonces debe mostrar cómo usarlos para realizar las acciones necesarias: agarrar y tirar. El conjunto de datos que le da a la máquina es todo lo que se necesita para comenzar, pero también todo lo que existe en el mundo para ello. Lo que ella aún no posee es ...
... sentido común
Por lo general, las personas distinguen entre hombres y mujeres con éxito. Liam, mi hijo, también hace un buen trabajo en esto, y no le di un gran conjunto de datos etiquetados en la entrada. No me senté con él en el parque y no señalé a la gente que decía "hombre, hombre, mujer, hombre, mujer", porque, sinceramente, eso sería extraño. Si y no es necesario. La máquina no puede acceder al lujo del sentido común que posee un niño y que ya utiliza en el primer encuentro con un nuevo concepto.
Por sentido común, quiero decir:
La capacidad de tomar las decisiones correctas y hacer las suposiciones correctas basadas en el pensamiento lógico y la experiencia - WikcionarioPor supuesto, cuando un niño decide saltar de cabeza al suelo desde una altura, razonablemente dudamos de que tenga sentido común. Sin embargo, existe y permite a los niños aprender de toda su experiencia. Además, nadie les está transmitiendo claramente cómo aprender a distinguir entre hombres y mujeres.
Al explicar el tema de la IA a los no científicos de datos, me gusta usar una analogía. El niño necesita solo una pequeña observación, algunos ejemplos y un par de correcciones para aprender a decir "Sr." o "Señora". Y para entrenar a un automóvil para que haga lo mismo, debe darle miles de imágenes. La falta de sentido común es probablemente la razón número uno por la que los automóviles aún no están listos para dominar el mundo.
Normas y rarezas
Liam hace cosas extrañas, por ejemplo, comer un hot dog, sujetarlo por los extremos y morderlo en el medio. La reacción estándar es decirle: “¡Liam! ¡No hacen eso! " Pero luego me detengo y creo que la decisión "fuera de la caja" no es la mejor que puedo darle. Aunque cuando intenta sostener una cuchara con las fosas nasales, realmente tiene que establecer los límites del comportamiento aceptable en la mesa.
Esta es la gran similitud entre los bebés y los automóviles: están libres de normas sociales y prejuicios (o Bayes, del sesgo inglés). Y esa es la diferencia entre los padres y la fecha de los científicos. Los niños deben recibir un conjunto de valores y normas sociales a partir de los cuales construirán su experiencia. "Buenas fronteras", llamémosles así. Como científico de datos, lo más probable es que juegues el papel opuesto. La máquina debe estar libre de sus propias normas y prejuicios. El sesgo o la adicción en los algoritmos es muy peligroso.
Todos aman los chismes y las exageraciones. Por ejemplo,
el reclutador de
inteligencia artificial de Amazon es sexista (
la IA de reclutamiento de Amazon es sexista ), o un
filtro de "mejora" de
FaceApp es racista (el
filtro "caliente" de FaceApp es racista ). Esta es una buena manera de explicar a las personas no relacionadas con la ciencia de datos que el papel de un científico y la fecha de un científico se reduce en gran medida a prevenir el sesgo y crear el algoritmo más ético posible.
Correlación y causalidad
Fuente de imagen XkcdLa correlación no implica una relación causal. Y Nicolas Cage no es un monstruo que provoca ahogamiento en la piscina (
lea sobre él en su tiempo libre ). Sin embargo, aprendí que esta regla no es obvia para el niño.
No hace mucho tiempo de vacaciones con toda mi familia, le informé al niño que iba a comer y comencé a poner comida en un plato. Fue en ese momento que se echó a llorar, gritándome ("¡No comas, mamá!"), Aplaudiendo y quitándome el tapón.
Cuando logré levantar la mandíbula del suelo, traté de entender si mi hijo era un monstruo que no quería que su madre comiera y solo dos días después, acostado en la cama, se dio cuenta de dónde venía todo.
Nuestra rutina diaria era la siguiente: volvía del trabajo, alimentaba al bebé, me bañaba, me acostaba y finalmente comía. Como resultado, cada vez que acostaba al bebé en la cama y le leía un libro, terminaba la noche con las palabras: "Mamá va a comer". Y después de eso dejé al niño solo durante las siguientes 10-12 horas de sueño. Gracias a esta correlación, su mente creó una relación causal: "si mi madre fuera a comer, pronto me dejaría en paz". Oh ...
Aquí, la tarea de mi madre es cambiar este patrón para que mi hijo no aprenda la conexión entre la comida y la separación. En Data Scientist, si una máquina elige el síntoma o la causa incorrecta, la tarea principal es reconocer el error.
Volver al uso infructuoso de la IA de Amazon como herramienta de reclutamiento. La muestra de datos de 10 años que utilizaron para evaluar a los candidatos eligió a los hombres más fácilmente porque "la mayoría de los currículums se obtuvieron históricamente de los hombres, lo que refleja el dominio masculino en la industria de la tecnología".
Y ahora la IA de Amazon parece decir: "Hola chicos, la mayoría de los solicitantes son hombres, por lo que deben contratar hombres, y si una mujer envía un currículum, lo descarto porque es una anomalía".
No, AI Simplemente te hace sexista. Y es aquí donde los niños tienen una ventaja (y los adultos, seamos optimistas): nunca es demasiado tarde para aprender a no ser sexista.
Tanto la paternidad como la ciencia de datos son sobre personas.
No hay un padre soltero que llame a la crianza de los hijos exclusivamente agradable y fácil (y si alguien todavía lo dice, mentirá descaradamente). Cada padre debe preguntarse constantemente "¿qué aprende el bebé?" y adaptarse a su red neuronal en constante evolución.
Hasta cierto punto, los científicos de datos tienen la misma responsabilidad.
Al contratar o estudiar en Data Scientist, no se puede esperar que todo el trabajo se asocie solo a la programación. Esto es equivalente a la expectativa de que un adulto feliz puede criarse de un niño entrenándolo, como un perro, con órdenes de "sentarse" y "darse vuelta" durante toda su infancia. Por experiencia, esto funciona hasta que el niño tenga 6 meses de edad, y tan pronto como haya aprendido a darse la vuelta, es hora de enseñarle cosas humanas.
Entonces, ¿qué es más fácil: criar a un niño o criar un automóvil?
Solo dejaré un emoticón sonriente aquí. Si eres padre, ya lo sabes todo.
De los editores