पिछले अध्याय

मानव गुणवत्ता के साथ तुलना

33. आदमी को उपलब्ध गुणवत्ता के स्तर के साथ तुलना क्यों करें

कई मशीन लर्निंग सिस्टम में उन कार्यों को स्वचालित करने का लक्ष्य है जो लोग अच्छी तरह से करते हैं। उदाहरणों में छवि मान्यता, भाषण मान्यता और ईमेल में स्पैम वर्गीकरण शामिल हैं। लर्निंग एल्गोरिदम में इतना सुधार हुआ है कि वे अधिक से अधिक ऐसे कार्यों में एक व्यक्ति को पार करने का प्रबंधन करते हैं।

इसके अलावा, कई कारण हैं जिनके आधार पर मशीन लर्निंग सिस्टम का निर्माण सरल है यदि आप एक कार्य करने की कोशिश कर रहे हैं जो लोग उनके साथ अच्छा कर सकते हैं:

1. बस एक्सेसर्स के साथ डेटा को चिह्नित करें। उदाहरण के लिए, चूंकि लोग बिल्लियों की छवियों को अच्छी तरह से पहचानते हैं, इसलिए मूल्यांकनकर्ता आपके एल्गोरिदम को प्रशिक्षित करने के लिए आवश्यक नमूनों को सटीक रूप से चिह्नित कर सकते हैं।
2. त्रुटि विश्लेषण मानव अंतर्ज्ञान पर आधारित हो सकता है। मान लीजिए कि एक भाषण मान्यता एल्गोरिथ्म एक व्यक्ति की तुलना में बदतर काम करता है। उदाहरण के लिए, एल्गोरिथ्म गलत तरीके से टुकड़े को हटा देता है और देता है: "इस नुस्खा के लिए सेब के एक स्कूल डेस्क की आवश्यकता होती है", "स्कूल डेस्क" के लिए "एक युगल" ले। आप किसी व्यक्ति के अंतर्ज्ञान का उपयोग कर सकते हैं और यह समझने की कोशिश कर सकते हैं कि एक व्यक्ति सही प्रतिलेखन प्राप्त करने के लिए किस जानकारी का उपयोग करता है, और फिर इस जानकारी का उपयोग सीखने के एल्गोरिथ्म को बदलने के लिए करता है।
3. आप किसी व्यक्ति द्वारा संदर्भ के रूप में किसी समस्या को हल करने की गुणवत्ता का उपयोग कर सकते हैं, और "वांछित त्रुटि दर" भी निर्धारित कर सकते हैं। मान लीजिए कि कार्य करते समय एल्गोरिथ्म की गुणवत्ता 10% त्रुटियों के अनुरूप एक स्तर पर पहुंच गई है, और एक व्यक्ति केवल 2% त्रुटियां करता है। तब हम जानते हैं कि इष्टतम त्रुटि दर 2% से अधिक नहीं है, और हमारे एल्गोरिथ्म के लिए परिहार्य पूर्वाग्रह कम से कम 8% है। इसलिए, हमें पूर्वाग्रह को कम करने के तरीकों की कोशिश करनी चाहिए।

हालाँकि बिंदु 3 महत्वहीन लग सकता है, मेरा मानना ​​है कि एक उचित और प्राप्त करने योग्य त्रुटि लक्ष्य होने से टीम की प्रगति में तेजी आती है। यह अहसास कि एल्गोरिथ्म में एक बड़ा परिहार्य पूर्वाग्रह है, अविश्वसनीय रूप से उपयोगी है और कई तरीकों का सुझाव देता है जिन्हें आप लागू करने का प्रयास कर सकते हैं।

कुछ कार्य ऐसे भी हैं जिनका सामना लोग नहीं कर सकते हैं। उदाहरण के लिए, आपको सिफारिश करने के लिए एक पुस्तक चुनें; या किसी वेबसाइट पर उपयोगकर्ता को दिखाने के लिए एक विज्ञापन का चयन करें; या शेयर बाजार में स्थिति की भविष्यवाणी। कंप्यूटर पहले से ही ज्यादातर लोगों द्वारा इन समस्याओं को हल करने की गुणवत्ता को पार कर गया है। इन अनुप्रयोगों में हम निम्नलिखित समस्याओं का सामना करते हैं:

• एल्गोरिदम सीखने के लिए एक लेबल का नमूना प्राप्त करना अधिक कठिन है। उदाहरण के लिए, मूल्यांकनकर्ताओं को उनमें से प्रत्येक के लिए "इष्टतम" पुस्तक का संकेत देने वाले उपयोगकर्ता डेटाबेस को बिछाने में मुश्किल होती है। यदि आपके पास एक वेबसाइट या एप्लिकेशन है जो किताबें बेचता है, तो आप उपयोगकर्ताओं को किताबें दिखा कर टैग किए गए डेटा प्राप्त कर सकते हैं और जो वे खरीदते हैं उन्हें नोट कर सकते हैं। यदि आप ऐसी साइट का उपयोग नहीं करते हैं, तो आपको डेटा प्राप्त करने के लिए अधिक रचनात्मक तरीके खोजने होंगे।
• मानव अंतर्ज्ञान पर भरोसा नहीं किया जा सकता है। उदाहरण के लिए, लगभग कोई भी शेयर बाजार के व्यवहार की भविष्यवाणी नहीं कर सकता है। इसलिए, यदि हमारे स्टॉक मूल्य भविष्यवाणी एल्गोरिदम यादृच्छिक भाग्य बताने से बेहतर काम करता है, तो यह पता लगाना मुश्किल है कि इसे कैसे सुधारें।
• यह समझना मुश्किल है कि इष्टतम त्रुटि दर और उचित वांछित त्रुटि दर क्या है। मान लें कि मौजूदा पुस्तक सिफारिश प्रणाली बहुत अच्छी तरह से काम करती है। गुणवत्ता का एक मूल ("मानव") स्तर और त्रुटियों की एक समान हिस्सेदारी के बिना, यह कैसे पता लगाया जाए कि इसमें कितना सुधार किया जा सकता है?

जारी रखा जाए