ये पेन पॉइंट्स डीप लर्निंग को अपनाने से कंपनियों को रोकते हैं

विषय

• डीप लर्निंग के व्यावसायिक अनुप्रयोग
• द बिग डेटा और डीप लर्निंग
• नो बग्स, नो स्ट्रेस - योर स्टेप बाय स्टेप गाइड बाय स्टेप गाइड टू लाइफ-चेंजिंग सॉफ्टवेर विदाउट योर लाइफ
• ब्लैक बॉक्स दुविधा
• विनियमन

स्रोत: एजेंड्रूव / ड्रीमस्टाइम डॉट कॉम

ले जाओ:

डीप लर्निंग में व्यवसायों की पेशकश करने के लिए बहुत कुछ है, लेकिन कई अभी भी इसे अपनाने में संकोच कर रहे हैं। यहाँ हम इसके कुछ सबसे बड़े दर्द बिंदुओं को देखते हैं।

डीप लर्निंग मशीन लर्निंग का उपक्षेत्र है, जो (आमतौर पर बोलना) प्रौद्योगिकी है जो मानव मस्तिष्क और उसके कार्यों से प्रेरित है। पहली बार 1950 के दशक में पेश किया गया, मशीन लर्निंग को संचयी रूप से सूचित किया जाता है जिसे कृत्रिम तंत्रिका नेटवर्क के रूप में जाना जाता है, परस्पर जुड़े डेटा नोड्स का ढेर जो सामूहिक रूप से कृत्रिम बुद्धि का आधार बनता है। (मशीन लर्निंग की मूल बातें के लिए, मशीन लर्निंग 101 देखें।)

मशीन लर्निंग आवश्यक रूप से बाहरी डेटा या प्रोग्रामिंग द्वारा प्रेरित होने पर कंप्यूटर प्रोग्राम को खुद को बदलने की अनुमति देता है। स्वभाव से, यह मानव संपर्क के बिना इसे पूरा करने में सक्षम है। यह डेटा माइनिंग के साथ समान कार्यक्षमता साझा करता है, लेकिन मानव के बजाय मशीनों द्वारा संसाधित किए जाने वाले खनन परिणामों के साथ। इसे दो प्रमुख श्रेणियों में विभाजित किया गया है: पर्यवेक्षित और अनुपयोगी शिक्षा।

सुपरवाइज्ड मशीन लर्निंग में लेबल प्रशिक्षण डेटा के माध्यम से पूर्वनिर्धारित संचालन का अनुमान शामिल है। दूसरे शब्दों में, पर्यवेक्षित परिणामों को (मानव) प्रोग्रामर द्वारा अग्रिम में जाना जाता है, लेकिन परिणामों को बताने वाला सिस्टम उन्हें "सीखने" के लिए प्रशिक्षित करता है। इसके विपरीत अनसुनी मशीन लर्निंग, अनलेब किए गए इनपुट डेटा से इंफ़ेक्शन खींचती है, जो अक्सर अज्ञात पैटर्न का पता लगाने के साधन के रूप में होता है।

डीप लर्निंग, मशीन लर्निंग के रैखिक एल्गोरिदम के विपरीत, पदानुक्रमित एल्गोरिदम के माध्यम से खुद को प्रशिक्षित करने की क्षमता में अद्वितीय है। दीप लर्निंग पदानुक्रम तेजी से जटिल और सार हैं क्योंकि वे विकसित होते हैं (या "सीखते हैं") और पर्यवेक्षित तर्क पर भरोसा नहीं करते हैं। सीधे शब्दों में कहे तो, डीप लर्निंग मशीन लर्निंग का एक अत्यंत उन्नत, सटीक और स्वचालित रूप है, और कृत्रिम बुद्धिमत्ता तकनीक में सबसे आगे है।

डीप लर्निंग के व्यावसायिक अनुप्रयोग

मशीन लर्निंग का उपयोग पहले से ही कई अलग-अलग उद्योगों में किया जाता है। उदाहरण के लिए, सोशल मीडिया, उपयोगकर्ता समयसीमा में सामग्री फ़ीड को क्यूरेट करने के लिए इसका उपयोग करता है। Google मस्तिष्क की स्थापना कई वर्षों पहले तकनीक विकसित होने के साथ-साथ Google की सेवाओं में गहन सीखने के उद्देश्य से की गई थी।

भविष्य कहनेवाला विश्लेषिकी पर अपना ध्यान केंद्रित करने के साथ, विपणन के क्षेत्र को विशेष रूप से गहन शिक्षण नवाचार में निवेश किया जाता है। और चूंकि डेटा संचय वह है जो तकनीक को चलाता है, बिक्री और ग्राहक सहायता (जो पहले से ही समृद्ध और विविध ग्राहक डेटा का खजाना है) जैसे उद्योग इसे जमीनी स्तर पर अपनाने के लिए विशिष्ट रूप से तैनात हैं।

डीप लर्निंग के लिए प्रारंभिक अनुकूलन बहुत अच्छी तरह से महत्वपूर्ण कारक हो सकता है कि प्रौद्योगिकी से विशेष रूप से अपने शुरुआती चरणों में कितना विशिष्ट क्षेत्रों को लाभ होता है। फिर भी, कुछ विशिष्ट दर्द बिंदु कई व्यवसायों को गहरी शिक्षा प्रौद्योगिकी निवेश में डुबकी लगाने से रोक रहे हैं।

द बिग डेटा और डीप लर्निंग

2001 में, डॉगा ग्रुप (अब गार्टनर) के लिए डग लैन के नाम से एक विश्लेषक ने रेखांकित किया कि शोधकर्ताओं ने बड़े डेटा की तीन मुख्य चुनौतियां माना: वॉल्यूम, विविधता और वेग। डेढ़ दशक बाद, इंटरनेट तक पहुंच के बिंदुओं में तेजी से वृद्धि (बड़े पैमाने पर मोबाइल उपकरणों के प्रसार और IoT प्रौद्योगिकी के उदय के कारण) ने इन मुद्दों को प्रमुख तकनीकी कंपनियों के साथ-साथ छोटे व्यवसायों के लिए भी सबसे आगे लाया है। और एक जैसे स्टार्टअप। (तीनों वी के बारे में अधिक जानने के लिए, आज की बड़ी डेटा चुनौती उपजी विविधता से देखें, वॉल्यूम या वेग नहीं।)

नो बग्स, नो स्ट्रेस - योर स्टेप बाय स्टेप गाइड बाय स्टेप गाइड टू लाइफ-चेंजिंग सॉफ्टवेर विदाउट योर लाइफ

जब कोई भी सॉफ़्टवेयर गुणवत्ता की परवाह नहीं करता है तो आप अपने प्रोग्रामिंग कौशल में सुधार नहीं कर सकते हैं।

वैश्विक डेटा उपयोग के हालिया आंकड़े चौंका देने वाले हैं। अध्ययनों से संकेत मिलता है कि दुनिया के सभी डेटा का लगभग 90 प्रतिशत केवल पिछले कुछ वर्षों के भीतर बनाया गया था। एक अनुमान के मुताबिक, दुनिया भर में मोबाइल ट्रैफ़िक की मात्रा 2016 के मुकाबले लगभग सात एक्साबाइट्स प्रति माह है और अगले आधे दशक में यह संख्या लगभग सात गुना बढ़ने की उम्मीद है।

वॉल्यूम से परे, विविधता (नए मीडिया के रूप में डेटा के प्रकारों में तेजी से बढ़ती विविधता) और विस्तार (वेग) और गति (जिस गति से इलेक्ट्रॉनिक मीडिया को डेटा केंद्रों और केंद्रों में भेजा जाता है) भी प्रमुख कारक हैं कि कैसे व्यवसाय नौकरशाही के क्षेत्र में अनुकूल हो रहे हैं। गहरी शिक्षा के। और mnemonic डिवाइस पर विस्तार करने के लिए, हाल के दिनों में बड़े डेटा दर्द बिंदुओं की सूची में कई अन्य वी-शब्द जोड़े गए हैं:

• वैधता: बड़े डेटा सिस्टम में इनपुट डेटा सटीकता की माप। अमान्य डेटा जो अनियंत्रित हो जाता है, मशीन सीखने के वातावरण में महत्वपूर्ण प्रतिक्रियाओं के साथ-साथ श्रृंखला प्रतिक्रियाओं का कारण बन सकता है।
• भेद्यता: बड़ा डेटा स्वाभाविक रूप से सुरक्षा चिंताओं को स्पष्ट करता है, बस इसके पैमाने के आधार पर। और यद्यपि सुरक्षा प्रणालियों में बड़ी संभावना देखी जाती है जो मशीन लर्निंग द्वारा सक्षम होती हैं, उन प्रणालियों को उनके वर्तमान अवतारों में दक्षता की कमी के लिए नोट किया जाता है, विशेष रूप से झूठे अलार्म उत्पन्न करने की उनकी प्रवृत्ति के कारण।
• मूल्य: किसी भी संख्या में कारणों से बड़े डेटा (व्यवसाय या अन्य जगहों पर) के संभावित मूल्य को साबित करना एक महत्वपूर्ण चुनौती हो सकती है। यदि इस सूची के अन्य दर्द बिंदुओं में से किसी को भी प्रभावी ढंग से संबोधित नहीं किया जा सकता है, तो वे वास्तव में किसी भी प्रणाली या संगठन में नकारात्मक मूल्य जोड़ सकते हैं, शायद भयावह प्रभाव के साथ भी।

सूची में जोड़े गए अन्य आवधिक दर्द बिंदु में परिवर्तनशीलता, सत्यता, अस्थिरता और दृश्य शामिल हैं - सभी बड़ी डेटा प्रणालियों के लिए चुनौतियों का अपना अनूठा सेट पेश करते हैं। और अधिक अभी भी मौजूदा सूची के रूप में जोड़ा जा सकता है (शायद) समय के साथ बंद। हालांकि यह कुछ के लिए थोड़ा सा विरोधाभास प्रतीत हो सकता है, mnemonic "v" सूची में गंभीर डेटा का सामना करने वाले गंभीर मुद्दों को शामिल किया गया है जो गहरी सीखने के भविष्य में महत्वपूर्ण भूमिका निभाते हैं।

ब्लैक बॉक्स दुविधा

गहन सीखने और कृत्रिम बुद्धिमत्ता की सबसे आकर्षक विशेषताओं में से एक यह है कि दोनों का उद्देश्य उन समस्याओं को हल करना है जो मनुष्य नहीं कर सकते। इसी घटना को माना जाता है कि इसकी अनुमति देना भी एक दिलचस्प दुविधा प्रस्तुत करता है, जिसे "ब्लैक बॉक्स" के रूप में जाना जाता है।

गहन सीखने की प्रक्रिया के माध्यम से बनाया गया तंत्रिका नेटवर्क इतना विशाल और इतना जटिल है कि इसके जटिल कार्य अनिवार्य रूप से मानव अवलोकन के लिए असंवेदनशील हैं। डेटा वैज्ञानिकों और इंजीनियरों को गहन शिक्षण प्रणालियों में जाने के बारे में पूरी तरह से समझ हो सकती है, लेकिन वे अपने उत्पादन निर्णयों पर अधिक बार कैसे पहुंचते हैं यह पूरी तरह से अस्पष्टीकृत नहीं है।

हालांकि, यह कहना, विपणक या salespeople के लिए एक महत्वपूर्ण मुद्दा नहीं हो सकता है (क्या वे विपणन या बिक्री कर रहे हैं पर निर्भर करता है), अन्य उद्योगों को प्रक्रिया सत्यापन की एक निश्चित राशि की आवश्यकता होती है और परिणामों का कोई उपयोग करने के लिए तर्क करना पड़ता है। एक वित्तीय सेवा कंपनी, उदाहरण के लिए, अत्यधिक कुशल क्रेडिट स्कोरिंग तंत्र स्थापित करने के लिए गहन शिक्षण का उपयोग कर सकती है। लेकिन क्रेडिट स्कोर अक्सर किसी प्रकार की मौखिक या लिखित व्याख्या के साथ आना चाहिए, जो कि वास्तविक क्रेडिट स्कोरिंग समीकरण पूरी तरह से अपारदर्शी और अस्पष्टीकृत होने पर बनना मुश्किल होगा।

यह समस्या कई अन्य क्षेत्रों में भी फैली हुई है, विशेष रूप से स्वास्थ्य और सुरक्षा के क्षेत्र में। चिकित्सा और परिवहन दोनों ही प्रमुख रूप से गहरी शिक्षा से प्रमुख रूप से लाभान्वित हो सकते हैं, लेकिन ब्लैक बॉक्स के रूप में एक महत्वपूर्ण बाधा भी है। उन क्षेत्रों में कोई भी आउटपुट परिणाम, चाहे कितना भी लाभदायक हो, अपने अंतर्निहित एल्गोरिदम की संपूर्ण अस्पष्टता के कारण पूरी तरह से खारिज कर दिया जा सकता है। यह शायद उन सभी के लिए सबसे विवादास्पद दर्द बिंदु हमें लाता है ...

विनियमन

2016 के वसंत में, यूरोपीय संघ ने जनरल डेटा प्रोटेक्शन रेगुलेशन (GDPR) पारित किया, जो (अन्य बातों के अलावा) नागरिकों को मशीन लर्निंग सिस्टम द्वारा उत्पन्न स्वचालित निर्णयों के लिए "एक स्पष्टीकरण का अधिकार" प्रदान करता है जो उन्हें "काफी प्रभावित करता है"। 2018 में प्रभावी होने के कारण, नियमन तकनीक कंपनियों के बीच चिंता पैदा कर रहा है, जो इसके अभेद्य ब्लैक बॉक्स के कारण गहन सीखने में निवेश कर रहे हैं, जो कई मामलों में जीडीपीआर द्वारा अनिवार्य स्पष्टीकरण को बाधित करेगा।

जीडीपीआर को प्रतिबंधित करने का इरादा रखने वाले "स्वचालित व्यक्तिगत निर्णय" गहरी शिक्षा की एक अनिवार्य विशेषता है। लेकिन इस तकनीक पर चिंताएं अपरिहार्य हैं (और काफी हद तक वैध) जब भेदभाव की संभावना इतनी अधिक और पारदर्शिता इतनी कम है। संयुक्त राज्य अमेरिका में, खाद्य और औषधि प्रशासन इसी तरह उन प्रक्रियाओं की श्रवण क्षमता बनाए रखने के लिए दवाओं के परीक्षण और विपणन को नियंत्रित करता है। इसने फार्मास्युटिकल उद्योग के लिए बाधाओं को प्रस्तुत किया है, जैसा कि मैसाचुसेट्स स्थित बायोटेक्नोलॉजी कंपनी बायोजेन के लिए कथित तौर पर किया गया है, जिसे एफडीए नियम के कारण गहन सीखने के तरीकों का उपयोग करने से रोका गया है।

गहरी शिक्षा (नैतिक, व्यावहारिक और परे) के निहितार्थ अभूतपूर्व और स्पष्ट रूप से, काफी गहरा हैं। इसकी विघटनकारी क्षमता और इसके अपारदर्शी तर्क और कार्यक्षमता के संयोजन के बड़े हिस्से के कारण आशंका का एक बड़ा कारण प्रौद्योगिकी को घेरता है।यदि व्यवसाय गहरी शिक्षा के भीतर मूर्त मूल्य के अस्तित्व को साबित कर सकते हैं जो किसी भी खतरनाक खतरों या खतरों से अधिक है, तो वे कृत्रिम बुद्धिमत्ता के अगले महत्वपूर्ण चरण के माध्यम से हमें नेतृत्व करने में मदद कर सकते हैं।