Elena Gerasimova, Leiterin Data Science in Netology, übersetzte einen Artikel von Lai Queffelec darüber, wie ähnlich die Prozesse der Kindererziehung und des KI-Unterrichts sind.Wenn Sie wie ich Kinder großgezogen und gleichzeitig den Algorithmus unterrichtet haben, haben Sie höchstwahrscheinlich diese beiden Prozesse verglichen. Und selbst wenn Sie künstliche Intelligenz nicht mögen, aber viel über Kinder wissen, heißen wir Sie in der wunderbaren Welt der maschinellen Bildung willkommen ... Ups, maschinelles Lernen.
Beim Schreiben dieses Artikels wurde kein einziges Kind verletzt. Es ist nur so, dass ich wie jeder Elternteil viele Stunden damit verbringe, zu beobachten, wie mein Kind die Welt lernt, und überrascht bin, seine Verhaltensmuster zu sehen. Genau wie ein Datenwissenschaftler beobachtet er die Ergebnisse von Zug- / Testproben (
Trainingsdatenprobe zum Trainieren des Algorithmus / das Ergebnis des Algorithmus, der an neuen Daten arbeitet - ca. Ed. ).
"Zuerst ist er dumm wie ein Korken"
Dies ist ein Zitat von
Jim Stern , Autor von Künstliche Intelligenz für Marketing: Praktische Anwendungen, aus einem Vortrag über maschinelles Lernen - nicht über Kinder (ich liebe Kinder!).
Die Essenz des maschinellen Lernens besteht darin
, der Maschine tatsächlich
beizubringen , eine bestimmte Aufgabe auszuführen, genau wie Eltern davon träumen, Kindern
beizubringen , wie man schmutzige Wäsche sammelt und in die Waschmaschine legt, während Mama und Papa auf der Couch ruhen (zugeben, versucht?).
Der Hauptunterschied besteht jedoch darin, dass ein Kind, wenn es zum Waschen von Kleidung aufgefordert wird, bereits weiß, wie Kleidung aussieht. er kann laufen, greifen, ziehen und falten - er lernte diese Handlungen dank anderer Ereignisse in seinem jungen Leben.
Wo also ist der Schlüssel, der letztendlich die Möglichkeit eröffnet, auf dem Sofa faul zu sein, während die Wäsche magisch gewaschen wird? Kontext. Wir geben Kindern Beispiele: Wir zeigen, wie man jeden Schritt ausführt und danken, wenn sie alles richtig machen - weil wir sie lieben.
Maschinelles Lernen ist weitgehend dasselbe, außer dass das „virtuelle Kind“ mit den Fähigkeiten eines erwachsenen Babys noch die Erfahrung eines Neugeborenen hat. Daher müssen Sie von Grund auf neu erklären: Diese fünf Stücke, ähnlich wie Würste, die am Ende eines langen, wurstähnlichen Stocks hervorstehen, sind Finger, eine Hand und eine Handfläche. Nur dann sollten Sie zeigen, wie Sie sie verwenden, um die erforderlichen Aktionen auszuführen - greifen und ziehen. Der Datensatz, den Sie der Maschine geben, ist alles, was für den Start benötigt wird, aber auch alles, was auf der Welt dafür existiert. Was sie noch nicht besitzt, ist ...
… gesunder Menschenverstand
Normalerweise unterscheiden Menschen mit Erfolg zwischen Männern und Frauen. Liam, mein Sohn, leistet ebenfalls gute Arbeit - und ich habe ihm bei der Eingabe keinen großen Satz markierter Daten gegeben. Ich saß nicht mit ihm im Park und wies nicht auf Leute hin, die „Mann, Mann, Frau, Mann, Frau“ sagten - denn ehrlich gesagt wäre das seltsam. Ja und keine Notwendigkeit. Der Luxus des gesunden Menschenverstandes, den ein Kind besitzt und den es bereits nutzt, wenn es zum ersten Mal auf ein neues Konzept stößt, ist für die Maschine unzugänglich.
Mit gesundem Menschenverstand meine ich:
Die Fähigkeit, die richtigen Entscheidungen zu treffen und die richtigen Annahmen zu treffen, basierend auf logischem Denken und Erfahrung - WiktionaryWenn ein Kind beschließt, aus großer Höhe kopfüber in den Boden zu springen, bezweifeln wir natürlich, dass es gesunden Menschenverstand hat. Trotzdem existiert es und ermöglicht es Kindern, aus ihrer gesamten Erfahrung zu lernen. Darüber hinaus sendet ihnen niemand klar, wie man lernt, zwischen Männern und Frauen zu unterscheiden.
Ich erkläre Nicht-Datenwissenschaftlern das Thema KI und verwende gerne eine Analogie. Das Kind braucht nur ein wenig Beobachtung, ein paar Beispiele und ein paar Korrekturen, um zu lernen, „Herr“ oder „Frau“ zu sagen. Und um ein Auto so zu trainieren, müssen Sie ihm Tausende von Bildern geben. Der Mangel an gesundem Menschenverstand ist wahrscheinlich der Hauptgrund, warum Autos noch nicht bereit sind, die Welt zu übernehmen.
Normen und Kuriositäten
Liam macht seltsame Dinge, zum Beispiel einen Hot Dog zu essen, ihn an den Enden zu halten und ihn in die Mitte zu beißen. Die Standardreaktion ist, ihm zu sagen: „Liam! Das machen sie nicht! " Aber dann halte ich mich zurück und denke, dass die Entscheidung „out of the box“ nicht die beste ist, die ich ihm geben kann. Wenn er versucht, einen Löffel mit den Nasenlöchern zu halten, muss er wirklich die Grenzen akzeptablen Verhaltens am Tisch setzen.
Dies ist die große Ähnlichkeit zwischen Babys und Autos - sie sind frei von sozialen Normen und Vorurteilen (oder Bayes - von der englischen Tendenz). Und das ist der Unterschied zwischen den Eltern und dem Datum der Wissenschaftler. Kinder müssen eine Reihe von Werten und sozialen Normen erhalten, aus denen sie ihre Erfahrungen aufbauen können. "Gute Grenzen", nennen wir sie so. Als Datenwissenschaftler spielen Sie höchstwahrscheinlich die gegenteilige Rolle. Die Maschine muss frei von Ihren eigenen Normen und Vorurteilen sein. Verzerrung oder Sucht in Algorithmen ist sehr gefährlich.
Jeder liebt Klatsch und Hype. Beispielsweise ist
der KI- Rekrutierer von
Amazon ein Sexist (
die Rekrutierungs-KI von Amazon ist sexistisch ), oder ein
FaceApp- Filter zur Verbesserung ist ein Rassist (
der „heiße“ Filter von FaceApp ist rassistisch ). Dies ist ein guter Weg, um Menschen, die nichts mit Data Science zu tun haben, zu erklären, dass die Rolle eines Wissenschaftlers und das Datum eines Wissenschaftlers in hohem Maße darauf zurückzuführen sind, Verzerrungen zu verhindern und einen möglichst ethischen Algorithmus zu entwickeln.
Korrelation und Kausalität
Xkcd BildquelleKorrelation impliziert keinen Kausalzusammenhang. Und Nicolas Cage ist kein Monster, das zum Ertrinken im Pool provoziert (
lesen Sie nach Belieben darüber ). Trotzdem habe ich gelernt, dass diese Regel für das Kind nicht offensichtlich ist.
Vor nicht allzu langer Zeit im Urlaub mit meiner ganzen Familie informierte ich das Kind, dass ich essen gehen würde, und begann, Essen auf einen Teller zu legen. In diesem Moment brach er in Tränen aus, schrie mich an ("Iss nicht, Mama !!!"), klatschte in meine Hand und schlug mir den Stecker aus der Hand.
Als ich es schaffte, den Kiefer vom Boden aufzuheben, versuchte ich zu verstehen, ob mein Kind ein Monster war, das nicht wollte, dass seine Mutter aß, und nur zwei Tage später, als sie ihn ins Bett legte, wurde ihr klar, woher das alles kam.
Unser Tagesablauf war wie folgt: Ich kehrte von der Arbeit zurück, fütterte das Baby, badete, legte mich ins Bett und aß schließlich. Jedes Mal, wenn ich das Baby ins Bett legte und ihm ein Buch vorlas, beendete ich den Abend mit den Worten: "Mama wird essen." Und danach ließ ich das Kind für die nächsten 10-12 Stunden Schlaf allein. Dank dieser Korrelation schuf sein Verstand einen kausalen Zusammenhang: "Wenn meine Mutter essen würde, würde sie mich bald in Ruhe lassen." Oh ...
Hier ist es die Aufgabe meiner Mutter, dieses Muster so zu ändern, dass mein Sohn den Zusammenhang zwischen Essen und Trennung nicht lernt. Wenn bei Data Scientist eine Maschine das falsche Symptom oder die falsche Ursache auswählt, besteht die Hauptaufgabe darin, den Fehler zu bestätigen.
Zurück zu Amazon 'erfolglosem Einsatz von KI als Rekrutierungsinstrument. Die 10-Jahres-Datenstichprobe, die sie zur Bewertung von Kandidaten verwendeten, wählte Männer leichter aus, weil „die meisten Lebensläufe historisch von Männern stammen, was die männliche Dominanz in der Technologiebranche widerspiegelt.“
Und jetzt scheint die KI von Amazon zu sagen: "Hey Leute, die meisten Bewerber sind Männer, also müssen Sie Männer einstellen, und wenn eine Frau einen Lebenslauf geschickt hat, werfe ich ihn weg, weil es eine Anomalie ist."
Nein, AI. Es macht dich nur zu einem Sexisten. Und hier haben Kinder einen Vorteil (und Erwachsene, seien wir optimistisch): Es ist nie zu spät zu lernen, kein Sexist zu sein.
Sowohl in der Elternschaft als auch in der Datenwissenschaft geht es um Menschen.
Es gibt keinen einzigen Elternteil, der die Erziehung von Kindern ausschließlich als angenehm und einfach bezeichnet (und wenn jemand dies immer noch sagt, wird er dreist lügen). Jeder Elternteil muss sich ständig die Frage stellen: "Was lernt das Baby?" und passen sich an sein sich ständig weiterentwickelndes neuronales Netzwerk an.
In gewissem Maße tragen Data Scientists die gleiche Verantwortung.
Bei der Einstellung oder dem Studium bei Data Scientist kann man nicht erwarten, dass alle Arbeiten nur mit der Programmierung verbunden sind. Dies entspricht der Erwartung, dass ein glücklicher Erwachsener von einem Kind erzogen werden kann, indem man es wie einen Hund mit dem Befehl trainiert, seine ganze Kindheit "zu sitzen" und "umzudrehen". Erfahrungsgemäß funktioniert dies, bis das Kind 6 Monate alt ist - und sobald es gelernt hat, sich umzudrehen, ist es Zeit, ihm menschliche Dinge beizubringen.
Was ist also einfacher - ein Kind großziehen oder ein Auto großziehen?
Ich werde hier nur ein grinsendes Emoticon hinterlassen. Wenn Sie Eltern sind, wissen Sie bereits alles.
Von den Redakteuren