Саам Мотамеди: мы все еще находимся на раннем этапе развития машинного обучения

Саам Мотамеди: мы все еще находимся на раннем этапе развития машинного обучения

«Каковы основные тенденции в развитии машинного обучения / искусственного интеллекта в этом году?». Такой вопрос появился на социальном сервисе Quora, где обмениваются знаниями, расширяя возможности людей учиться у других и лучше понимать мир.

Интересно, на наш взгляд, мнение Саама Мотамеди (Saam Motamedi), венчурного капиталиста из Greylock Partners, с которым мы предлагаем ознакомиться нашим читателям.

«В 2019 году мы все еще находимся на раннем этапе развития машинного обучения, распространяющегося практически во всех отраслях экономики, при этом, есть несколько тенденций, на которые стоит обратить внимание:

  • Созревание инструментальной экосистемы.  Мы видим появление проектов с открытым исходным кодом и новых компаний-разработчиков программного обеспечения, создающих инструментарий для каждой части процесса разработки машинного обучения – начиная с подготовки данных, обнаружения моделей, создания и их обучения, обслуживания, управления и мониторинга. По мере того, как эта экосистема продолжает развиваться, предприятиям будет еще проще создавать свои собственные продукты машинного обучения на основе наборов данных проприетарного домена.
  • Обучающие данные. Я продолжаю слышать об отсутствии достаточных, высококачественно промаркированных данных об обучении, которые указываются в качестве основного тормоза в построении систем машинного обучения. Однако появляются новые методы, направленные на активное обучение и расширение наборов данных, чтобы решить эту проблему.
  • Объясняемость. Результаты моделей машинного обучения часто остаются черным ящиком. Это ограничивает применимость систем машинного обучения в критически важных и ориентированных на клиента приложениях, где необходима возможность объяснить и проверить, почему был сделан конкретный прогноз. Однако сейчас мы видим, что появляются новые технологии и продукты, нацеленные на решение проблемы простоты объяснения.
  • Управление моделями, производительность и мониторинг.  Поскольку крупные компании переходят от развития одной или двух моделей к десяткам моделей машинного обучения, одновременно развернутых в производственных сценариях, качество, производительность и понимание влияния этих моделей на ключевые показатели эффективности бизнеса становятся все более важными.
  • Сохранность конфиденциальности.  Учитывая растущий технологический фон и социальную направленность на сохранность данных, создаются новые методы, которые позволяют обучаться моделям машинного обучения, сохраняя при этом конфиденциальность и безопасность конечного пользователя. Одной из таких архитектур является федеративное обучение, которое не требует централизации данных».

Оставьте свой комментарий