Narzędzia ML bez kodu otwierają sztuczną inteligencję dla każdego
Co naprawdę oznacza, gdy AI staje się dostępna? Krótka odpowiedź brzmi: uczenie maszynowe przestaje być zamknięte w laboratoriach badawczych i zespołach specjalistów. Narzędzia ML bez kodu pozwalają ludziom budować przydatne modele za pomocą wizualnych kroków, zamiast stosować skomplikowane programowanie.
To brzmi prosto. To nie jest magia. To oprogramowanie, które ukrywa niektóre trudniejsze elementy, dzięki czemu więcej osób może wypróbować ML bez pisania od zera pełnego potoku treningowego.
AI i ML są często mylone, więc zaczynam od tego wyjaśnienia. Sztuczna inteligencja to szeroka dziedzina. Obejmuje dowolną metodę, która pomaga komputerowi działać w sposób, który ludzie nazywają inteligentnym. Uczenie maszynowe to podzbiór AI. To ta część, która ulepsza się dzięki doświadczeniu, co w praktyce oznacza więcej danych i więcej informacji zwrotnych.
Ta różnica ma znaczenie, ponieważ nie wszystkie systemy AI uczą się na podstawie danych. Silnik oparty na regułach może podejmować decyzje, ale nie uczy się nowych wzorców z przykładów. ML rzeczywiście uczy się wzorców z przykładów. Uczenie głębokie to kolejny podzbiór ML. Wykorzystuje sieci neuronowe, czyli warstwowe modele matematyczne inspirowane mózgiem, choć są one znacznie prostsze niż ten prawdziwy organ.
Większość ludzi zetknie się z ML zanim kiedykolwiek zobaczy ten termin. Filtry spamu w e-mailach sortują wiadomości na spam i prawidłowe e-maile (ham). Strony internetowe sklepów wykorzystują systemy rekomendacyjne do sugerowania produktów. Silniki wyszukiwania rankują wyniki za pomocą systemów AI. Asystenci głosowi tacy jak Siri i Alexa zamieniają mowę w działania. Aplikacje społecznościowe mogą oznaczać twarze na zdjęciach. Samochody autonomiczne wskazują na długoterminową ambicję tej dziedziny: maszyny, które potrafią rozumieć świat i działać w nim.
Konkretny przykład pomoże. Wyobraź sobie mały sklep ze zdjęciami przeszłych produktów i zapisami sprzedaży. Narzędzie bez kodu może pozwolić właścicielowi sklepu przesłać te zapisy, wybrać kolumnę docelową i wytrenować model kilkoma kliknięciami. Narzędzie następnie tworzy klasyfikator lub predyktor w tle. Właściciel nigdy nie widzi całego kodu, ale model nadal zależy od tej samej podstawowej idei ML: nauki na podstawie danych, a następnie przewidywania dla nowych danych.
Ta ukryta złożoność jest prawdziwą wartością. Narzędzia bez kodu usuwają dużo pracy konfiguracyjnej. Mogą obsługiwać czyszczenie danych, trening, podziały testowe, selekcję cech i kroki wdrożenia poprzez interfejs wizualny. Dzięki temu znacznie łatwiej jest osiągnąć pierwszy użyteczny prototyp.
Zmienia to też to, kto może eksperymentować. Product manager może przetestować surowy pomysł na model. Projektant może badać prosty klasyfikator obrazów. Ekspert dziedzinowy może pracować z danymi bezpośrednio, zamiast czekać, aż każde małe eksperyment przejdzie przez kolejkę inżynierską. To prawdziwa zmiana w dostępie.
Jednak dostęp nie jest tym samym co głęboka kontrola. Narzędzia bez kodu mogą być świetne do szybkich eksperymentów, standardowych problemów z tabelami, zadań etykietowania obrazów lub podstawowej klasyfikacji tekstu. Są słabsze, gdy problem jest nietypowy, dane są brudne, a system wymaga ścisłej kontroli nad opóźnieniami, pamięcią lub zachowaniem modelu. Ukrywają również kompromisy. Jest to przydatne na początku, ale może sprawić, że łatwo przeoczy się złe założenia.
Dlatego nie traktuję ML bez kodu jako zastępstwa dla inżynierii. Traktuję go jako niższy próg wejścia. To sposób na uruchomienie modelu, zanim zespół zainwestuje w niestandardowy kod. Dla wielu zespołów jest to wystarczające, aby udowodnić, czy problem w ogóle wart rozwiązania.
Jeśli chcesz ocenić moc AI, dramatyczne demonstracje pomagają bardziej niż slajdy marketingowe. W jednej dobrze znanej demonstracji badawczej system przewidywał obiekty na poziomie pikseli w czasie rzeczywistym. Zidentyfikował mikrofalówkę z 95-procentową pewnością i osobę ze 100-procentową pewnością. Wykonał również estymację postury, znalazł ręce i nogi, narysował ramki ograniczające wokół obiektów i przeprowadził segmentację semantyczną na poziomie pikseli. To mnóstwo możliwości w jednym systemie, a to wciąż tylko drapanie po powierzchni.
Ostatnie zdanie ma znaczenie. Wiele obecnych systemów ML jest imponujących, ale są też wąskie. Dobrze wykonują jedno zadanie, w ramach ograniczeń, dla których zostały wytrenowane. Narzędzia bez kodu inheritują tę samą rzeczywistość. Ułatwiają dostęp, ale nie czynią inteligencji nieograniczoną.
Wzrost uczenia głębokiego to też część tej historii. Uczenie głębokie rozwinęło się około 2015 roku i wprowadziło ML do większej liczby produktów oraz bardziej widocznych miejsc. Wykorzystuje duże sieci neuronowe z tysiącami, a nawet setkami tysięcy sztucznych neuronów, znacznie mniej niż setki miliardów w ludzkim mózgu, ale wystarczająco dużo, aby modelować użyteczne wzorce w danych. Dlatego nowoczesne systemy mogą wykonywać zadania związane z mową, wizją i rankingiem, które wcześniej wydawały się poza zasięgiem.
Gdzie więc mieszczą się narzędzia bez kodu? Siedzą na szczycie tego całego stosu technologicznego. AI to parasol. ML to silnik uczący się pod nim. Uczenie głębokie napędza wiele obecnych gigantów. Narzędzia bez kodu dają większej liczbie osób dostęp do silnika uczącego się, bez zmuszania ich do budowania każdej śruby w systemie.
Jeden uczciwy sposób myślenia o nich jest taki: obniżają koszt prób. Nie kasują potrzeby zrozumienia danych, etykiet, biasu (uprzedzeń), błędów ani ograniczeń wdrożeniowych. Model, który jest łatwy do trenowania, może być nadal łatwy do niewłaściwego użycia. Interfejs tego nie zmienia.
Dla czytelników szukających jednej rekomendacji książkowej spoza tematu: „AI Superpowers: China, Silicon Valley and the New World Order” to przydatny tytuł do obejrzenia, jeśli interesuje Cię szerszy wyścig AI i przesunięcia w branży. To nie jest poradnik „jak to zrobić”. To raczej tekst o świecie wokół technologii niż o samym modelu.
Najważniejsza jest podstawowa lekcja. AI to szeroka dziedzina. ML to ta część, która uczy się na podstawie doświadczenia. Uczenie głębokie to szczególny rodzaj ML, który napędza wiele współczesnych systemów. Narzędzia bez kodu siedzą powyżej wszystkiego tego i ułatwiają pierwszy krok dla większej liczby ludzi.
Oznacza to, że teraz mogę spojrzeć na produkt ML bez kodu i ocenić go wyraźnie. Mogę powiedzieć, czy ukrywa użyteczną złożoność, czy ukrywa ważne ograniczenia. To jest prawdziwa korzyść, pasująca do obietnicy The Model Log: jeden praktyczny koncept AI, jeden działający przykład i jeden szczery spojrzenie na to, co naprawdę działa.
