O mercado está finalmente pronto para a adoção em massa da IA?

Cinco momentos de Aha do VentureBeat Transform

Aaron Edell Segue 19 de jul · 6 min ler Greg Brockman, co-fundador e presidente e Ilya Sutskever, co-fundador e cientista chefe da OpenAI; Kyle Wiggers, Escritor da equipe, VentureBeat

Acabei de voltar do Venture Bata Transform 2019 conferência aqui em San Francisco, e eu tenho que dizer que, pela primeira vez em muitos anos, eu estou começando a me sentir como a indústria está finalmente começando a obtê-lo.

O que eu estou falando especificamente? Bem, eu sou tradicionalmente sempre certa sobre as coisas, e desta vez, tenho estado incrivelmente certo sobre os desafios que o mercado pode ter tido na adoção do aprendizado de máquina. Basta verificar esses excelentes posts no blog;

  1. O aprendizado de máquina às vezes está errado – como você lida com isso é TUDO
  2. Como um subreddit engraçado ajuda a explicar o aprendizado de máquina
  3. Integrando AI? Aqui estão 3 problemas que você está prestes a encontrar.
  4. O que aprendizado de máquina não é

Realmente senti que todos nessa conferência leram esses posts e estavam relatando tudo o que aprenderam para o público. Isso, claro, é exatamente o que não aconteceu.

Ajude os humanos a tomar melhores decisões

Maribel Lopez, Fundadora e Analista Principal da Lopez Research; Bill Groves, diretor de dados, Walmart; Josh Patterson, GM de Ciência de Dados, NVIDIA

Pela primeira vez no que parecem milhares de anos, fui a uma conferência de IA que tinha pessoas no palco falando sobre o momento de adotar o aprendizado de máquina. Então, finalmente, acho que o mercado como um todo está realmente começando a entender onde está o valor e por que o aprendizado de máquina pode ser uma tecnologia tão incrível.

Logo de cara na conferência, fui atingido por uma empresa falando sobre como tudo o que eles fazem é ajudar os humanos a tomar melhores decisões. Não há bobagens sobre 100% de automação total ou a substituição da cognição humana por modelos melhores do que nós… apenas uma conversa sobre uma solução simples que permite que os humanos tomem decisões melhores.

É isso que a aprendizagem de máquina tem uma localização única para fazer. Ele pode atravessar bilhões de bits de dados e mostrar somente o que é importante, pode prever quando e onde haverá problemas para um ser humano então revisar, e pode nos deixar focar em fazer as coisas que os seres humanos têm uma localização única para fazer . O CTO da Microsoft disse logo depois que “o foco é muito importante”. Sim, é meu bom senhor, sim, é.

Incorporando o humano

Ainda é verdade que os cientistas de dados reinam como nossos guias e líderes por meio dessa tecnologia um tanto nova. Tenho certeza de que todos nós desejamos ser especialistas, mas o aspecto mais valioso para o aprendizado de máquinas hoje é o quão bem você pode se casar com um problema com conjuntos de dados. Gap, Facebook e Uber tiveram apresentações sobre como integraram com sucesso o aprendizado de máquina em suas pilhas, e para surpresa de ninguém, havia alguns pontos em comum.

O denominador comum mais interessante para implantações bem-sucedidas de IA nessas empresas foi a incorporação de cientistas de dados em equipes diferentes em toda a organização. Esses bravos homens e mulheres passavam a maior parte do tempo ouvindo. "Que problemas as pessoas estavam tendo?" , Perguntavam a si mesmos. Somente depois de sentar com seus colegas e entender os problemas, eles recomendariam uma solução com alimentação ML. É assim que eles alcançaram escala com a adoção da IA dentro da organização. Um grande fornecedor de nuvem (provavelmente AWS) disse a alguém no Facebook que seu uso interno de inteligência artificial é maior do que o uso combinado de todos os seus clientes usando seus serviços de inteligência artificial.

Isso é crítico. É preciso sempre considerar um problema antes de tentar implementar a tecnologia. “Vamos fazer algo com a IA” não vai funcionar. Isso é como dizer “vamos fazer algo com eletricidade” ou “a internet”.

Imprecisão e incerteza

Minha parte favorita da conferência foi um painel na trilha de visão computacional sobre o caso de uso da Royal Caribbean Cruises para contar pessoas em um restaurante. Se houvesse apenas duas coisas, quando somadas, que me enlouqueceriam, seriam filas e restaurantes . Esperar por comida, por causa das multidões, é a minha versão do inferno.

Dirigir-me a um restaurante diferente porque um deles está cheio definitivamente me impediria de orquestrar um motim a bordo de um cruzeiro da Royal Caribbean. Bem… isso é precisamente o que eles fizeram, mas eles fizeram isso com visão computacional!

O objetivo deles era usar o feed de câmera de uma câmera de CCTV no restaurante para contar as pessoas presentes e transmitir essas informações para um aplicativo que redirecionaria um cliente. Mas eles se depararam com um problema. Treinar um modelo de visão computacional para contar as pessoas a partir de um fluxo de câmera de segurança fisheye é o pior pesadelo de qualquer engenheiro de aprendizado de máquina.

Levantei a mão e perguntei por que eles não usavam apenas uma câmera diferente montada em um lugar melhor, e a resposta me surpreendeu. As novas câmeras devem ser certificadas e instaladas enquanto o navio estiver em doca seca, o que é muito mais caro do que apenas treinar a YOLO em algum vídeo horrível de olho de peixe.

Treinar um contador de pessoas em um feed de câmera de vídeo fisheye não produziu um modelo que pudesse ser super preciso sobre o número de pessoas em um restaurante. Felizmente, eles perceberam que não há valor comercial em dizer a diferença entre 100 a 115 pessoas. Tudo o que eles realmente precisavam saber era um número de pessoas para determinar o quão cheio o espaço era. Então eles não se preocuparam em retornar um número exato perfeitamente exato.

EXCELCIOR! É exatamente assim que se implementa o aprendizado de máquina.

Modo de falha

Khari Johnson, escritora sênior da equipe, VentureBeat; Hilary Mason, GM Machine Learning, Cloudera

Hilary Mason, o GM de Aprendizado de Máquina da Cloudera, listou vários modos de falha em que uma empresa pode entrar ao implementar a AI. No topo dessa lista estão as expectativas irrealistas . Ah, boas expectativas irrealistas, algo de que me lembro sempre que me olho no espelho ou escrevo um post no blog. Mas também foi algo que eu tenho lutado profissionalmente na indústria da IA há anos.

Foi mencionado no palco durante o mesmo bate-papo que o hype da mídia em torno do aprendizado de máquina é problemático porque não se concentra em saber se algo é útil ou não. Eu fiz um trabalho incrível escrevendo sobre isso no início de 2018, porque mesmo naquela época a tendência de expectativas incompatíveis estava em pleno andamento. Então, novamente, foi um alívio maravilhoso ver outros retribuindo o que eu vejo como um bloqueador fundamental para a adoção bem-sucedida da IA em escala.

Aqui está um exemplo de como isso acontece e, mais importante, como você pode resolvê-lo.

Quando o discurso para texto foi disponibilizado pela primeira vez como um serviço de API, observei pessoas de vendas irem a emissoras e vendê-las como uma alternativa para que os humanos criassem legendas ocultas. Quando o cliente realmente exibia seu conteúdo por meio desses sistemas, os resultados eram apenas 80% precisos … se tivessem sorte . Como alternativa às legendas ocultas, a fala para texto falhou.

Quando vi isso acontecer, peguei as equipes de vendas, as trouxe para uma sala e demonstrei como a fala em texto gera muitos termos pesquisáveis (por exemplo, pessoas, lugares e coisas) que fornecem muito valor para os gerentes e arquivos de conteúdo. . Então, as equipes de vendas saíram e começaram a conversar sobre a solução de problemas de pesquisa, e foi aí que começamos a ver o sucesso.

Não deveríamos estar correndo por aí procurando problemas para resolver com o aprendizado de máquina, precisamos começar com o problema e ver como o aprendizado de máquina pode agregar valor.

Quem possui o futuro?

Hilary Mason também nos lembra que os desenvolvedores estão acostumados a interagir com sistemas determinísticos. Se eu colocar 2 + 2 em uma calculadora, 4 sempre deve sair. Mas no aprendizado de máquina, a primeira vez que você coloca 2 + 2 em um sistema, a resposta pode estar errada. Os desenvolvedores precisam começar a se acostumar com sistemas que aprendem, sistemas que retornam probabilidades com barras de erro.

O amplo uso de aprendizado de máquina pelos desenvolvedores terá uma maior adoção da tecnologia pelo mercado, mas a mágica real acontecerá assim que chegar ao mundo dos desenvolvedores e chegar ao nível do produto. Somente gerentes de produto entendem os negócios e o mercado e, em teoria, podem construir a ponte entre a tecnologia e os compradores corporativos. Eles sabem o que o cliente realmente precisa, não desenvolvedores, cientistas de dados, vendedores ou qualquer outra pessoa.

O truque com o aprendizado de máquina, no entanto, é superar a barreira técnica à entrada. As ferramentas para permitir que os desenvolvedores e gerentes de produto desenvolvam, implementem e dimensionem o aprendizado de máquina útil estão fazendo o seu caminho através do mercado enquanto falamos. À medida que essas capacidades saturem as mentes das pessoas certas nas posições certas, veremos a adoção em massa da IA que todos nós já prometemos.