Elena Gerasimova, kepala Ilmu Data dalam Netologi, menerjemahkan sebuah artikel oleh Lai Queffelec tentang bagaimana proses membesarkan anak-anak dan mengajar AI adalah serupa.Jika Anda, seperti saya, membesarkan anak-anak dan pada saat yang sama mengajarkan algoritma, maka kemungkinan besar Anda membandingkan kedua proses ini. Dan bahkan jika Anda tidak menyukai kecerdasan buatan, tetapi tahu banyak tentang anak-anak, selamat datang di dunia pendidikan mesin yang luar biasa ... oops, pembelajaran mesin.
Saat menulis artikel ini, tidak ada anak yang terluka. Hanya saja saya, seperti orang tua mana pun, menghabiskan berjam-jam mengamati bagaimana anak saya mempelajari dunia dan terkejut melihat pola perilakunya. Sama seperti yang dilakukan oleh ilmuwan data, mengamati hasil sampel kereta / uji (sampel
data pelatihan untuk melatih algoritma / hasil algoritma yang bekerja pada data baru - kira-kira. Ed. ).
"Awalnya dia bodoh seperti gabus"
Ini adalah kutipan dari
Jim Stern , penulis Artificial Intelligence for Marketing: Practical Applications, dari ceramah tentang pembelajaran mesin - bukan tentang anak-anak (I love children!).
Inti dari pembelajaran mesin adalah untuk benar-benar
mengajarkan mesin untuk melakukan tugas tertentu, seperti halnya orang tua bermimpi mengajar anak-anak cara mengumpulkan cucian kotor dan memasukkannya ke dalam mesin cuci sementara ibu dan ayah sedang beristirahat di sofa (akui, coba?).
Namun, perbedaan utama adalah bahwa ketika seorang anak diminta untuk mencuci pakaian, dia sudah tahu seperti apa pakaian itu; dia tahu cara berjalan, meraih, menarik, dan melipat - dia mempelajari tindakan ini berkat peristiwa lain di masa mudanya.
Jadi di mana kunci yang akhirnya membuka kemungkinan menjadi malas di sofa sementara cucian dicuci secara ajaib? Konteks. Kami memberikan contoh kepada anak-anak: kami menunjukkan bagaimana melakukan setiap langkah dan berterima kasih ketika mereka melakukan segalanya dengan benar - karena kami mencintai mereka.
Untuk sebagian besar, pembelajaran mesin adalah sama, kecuali bahwa "anak virtual" masih memiliki pengalaman bayi yang baru lahir dengan kemampuan bayi yang sudah dewasa. Oleh karena itu, Anda harus mulai menjelaskan dari awal: lima potong ini, mirip dengan sosis, yang menonjol di ujung yang panjang, seperti sosis, adalah tongkat, jari, tangan dan telapak tangan. Hanya dengan demikian Anda dapat menunjukkan bagaimana menggunakannya untuk melakukan tindakan yang diperlukan - ambil dan tarik. Set data yang Anda berikan pada mesin adalah semua yang diperlukan untuk memulai, tetapi juga segala yang ada di dunia untuk itu. Apa yang dia belum miliki adalah ...
... akal sehat
Biasanya orang membedakan antara pria dan wanita dengan kesuksesan. Liam, anak saya, juga melakukan pekerjaan dengan baik ini - dan saya tidak memberinya satu set besar data yang ditandai pada input. Saya tidak duduk dengan dia di taman dan tidak menunjukkan orang mengatakan "pria, pria, wanita, pria, wanita" - karena, jujur, itu akan aneh. Ya dan tidak perlu. Kemewahan akal sehat yang dimiliki oleh seorang anak, dan yang sudah digunakan pada pertemuan pertama dengan konsep baru, tidak dapat diakses oleh mesin.
Secara umum, maksud saya:
Kemampuan untuk membuat keputusan yang tepat dan membuat asumsi yang tepat berdasarkan pemikiran dan pengalaman yang logis - WiktionaryTentu saja, ketika seorang anak memutuskan untuk melompat dengan cepat ke tanah dari ketinggian, kita cukup meragukan bahwa ia memiliki akal sehat. Namun demikian, itu ada dan memungkinkan anak-anak untuk belajar dari seluruh pengalaman mereka. Selain itu, tidak ada yang menyiarkan dengan jelas kepada mereka bagaimana belajar membedakan antara pria dan wanita.
Menjelaskan topik AI kepada non-Datacientists, saya suka menggunakan analogi. Anak itu hanya perlu sedikit pengamatan, beberapa contoh dan beberapa koreksi untuk belajar mengatakan "Tuan" atau "Nyonya". Dan untuk melatih mobil melakukan hal yang sama, Anda perlu memberikan ribuan gambar. Kurangnya akal sehat mungkin adalah alasan nomor satu mengapa mobil belum siap untuk mengambil alih dunia.
Norma dan Keanehan
Liam melakukan hal-hal aneh, misalnya, makan hot dog, memegang ujungnya dan menggigitnya di tengah. Reaksi standar adalah mengatakan kepadanya: "Liam! Mereka tidak melakukan itu! " Tapi kemudian saya menahan diri dan berpikir bahwa keputusan "di luar kotak" bukanlah yang terbaik yang bisa saya berikan kepadanya. Meskipun ketika dia mencoba memegang sendok dengan lubang hidungnya, dia benar-benar harus menetapkan batas-batas perilaku yang dapat diterima di meja.
Ini adalah kesamaan besar antara bayi dan mobil - mereka bebas dari norma dan prasangka sosial (atau Bayes - dari bias bahasa Inggris). Dan itulah perbedaan antara orang tua dan tanggal para ilmuwan. Anak-anak perlu diberikan seperangkat nilai dan norma sosial dari mana mereka akan membangun pengalaman mereka. "Perbatasan yang baik," sebut saja itu. Sebagai seorang ilmuwan data, kemungkinan besar Anda memainkan peran yang berlawanan. Mesin itu harus bebas dari norma dan prasangka Anda sendiri. Bias atau kecanduan algoritma sangat berbahaya.
Semua orang suka gosip dan hype. Misalnya, perekrut
AI Amazon adalah seorang seksis (
AI yang merekrut Amazon adalah seksis ), atau
filter "penyempurnaan"
FaceApp adalah rasis (
filter "panas" FaceApp adalah rasis ). Ini adalah cara yang baik untuk menjelaskan kepada orang-orang yang tidak terkait dengan ilmu data bahwa peran seorang ilmuwan dan tanggal seorang ilmuwan turun sebagian besar untuk mencegah bias dan menciptakan algoritma yang paling etis mungkin.
Korelasi dan sebab-akibat
Sumber gambar xkcdKorelasi tidak menyiratkan hubungan kausal. Dan Nicolas Cage bukanlah monster yang memancing tenggelam di kolam (
baca tentang itu di waktu luang Anda ). Meskipun demikian, saya belajar bahwa aturan ini tidak jelas bagi anak.
Belum lama berselang berlibur dengan seluruh keluarga saya, saya memberi tahu anak itu bahwa saya akan makan, dan mulai meletakkan makanan di piring. Pada saat itulah dia menangis, meneriaki saya (“Jangan makan, Bu !!!”), bertepuk tangan dan menjatuhkan colokan dari tangan saya.
Ketika saya berhasil mengambil rahang dari lantai, saya mencoba memahami apakah anak saya adalah monster yang tidak ingin ibunya makan dan hanya dua hari kemudian, membaringkannya ke tempat tidur, dia menyadari dari mana semua itu berasal.
Rutinitas harian kami adalah sebagai berikut: Saya kembali dari tempat kerja, memberi makan bayi, mandi, tidur, dan akhirnya makan. Akibatnya, setiap kali, meletakkan bayi di tempat tidur dan membacakan buku untuknya, saya mengakhiri malam itu dengan kata-kata: "Ibu akan makan." Dan setelah itu saya meninggalkan anak itu sendirian untuk 10-12 jam berikutnya tidur. Berkat korelasi ini, pikirannya menciptakan hubungan kausal: "jika ibuku mau makan, dia akan segera meninggalkanku sendiri." Oh ...
Di sini, tugas ibu saya adalah mengubah pola ini sehingga anak saya tidak belajar hubungan antara makanan dan pemisahan. Di Data Scientist, jika mesin memilih gejala atau penyebab yang salah, tugas utama adalah mengakui kesalahan.
Kembali ke penggunaan AI AI yang gagal sebagai alat rekrutmen. Sampel 10 tahun data yang mereka gunakan untuk mengevaluasi kandidat memilih pria lebih mudah karena "sebagian besar resume secara historis diperoleh dari pria, yang mencerminkan dominasi pria dalam industri teknologi."
Dan sekarang AI Amazon tampaknya mengatakan: "Hai teman-teman, sebagian besar pelamar adalah laki-laki, jadi Anda harus mempekerjakan laki-laki, dan jika seorang wanita mengirim resume, saya membuangnya karena itu adalah anomali."
Tidak, AI. Itu hanya membuat Anda seorang seksis. Dan di sinilah anak-anak memiliki kelebihan (dan orang dewasa, mari optimis): tidak ada kata terlambat untuk belajar untuk tidak menjadi seksis.
Baik peran orang tua maupun ilmu data adalah tentang manusia.
Tidak ada orang tua tunggal yang menyebut membesarkan anak-anak secara eksklusif menyenangkan dan mudah (dan jika seseorang masih mengatakan demikian, dia akan dengan berani berbohong). Setiap orangtua harus terus-menerus bertanya pada dirinya sendiri pertanyaan "apa yang dipelajari bayi itu?" dan beradaptasi dengan jaringan saraf yang terus berkembang.
Hingga taraf tertentu, Ilmuwan Data memiliki tanggung jawab yang sama.
Saat merekrut atau belajar di Data Scientist, orang tidak dapat berharap bahwa semua pekerjaan hanya akan dikaitkan dengan pemrograman. Ini setara dengan harapan bahwa orang dewasa yang bahagia dapat dibesarkan dari seorang anak dengan melatihnya, seperti anjing, dengan perintah untuk "duduk" dan "menyerahkan" semua masa kecilnya. Dari pengalaman, ini bekerja sampai anak berusia 6 bulan - dan segera setelah dia belajar cara berguling, sekarang saatnya untuk mengajarinya hal-hal manusiawi.
Jadi apa yang lebih mudah - membesarkan anak atau membesarkan mobil?
Saya hanya akan meninggalkan emotikon yang menyeringai di sini. Jika Anda orang tua, Anda sudah tahu segalanya.
Dari para editor