insegnare al computer cosa cercare usando un feedback adeguato. Se il data scientist non definisce bene il problema, anche il miglior algoritmo addestrato sul set di dati più grande non produrrà i risultati desiderati.
È chiaro che l'apprendimento automatico non è ancora adatto a ragionamenti simbolici di alto livello. Ad esempio, un algoritmo potrebbe essere in grado di identificare un cestino, uova colorate e un campo, ma non sarebbe in grado di dire che è una caccia alle uova di Pasqua, come farebbe la maggior parte degli esseri umani.
In genere, i progetti di apprendimento automatico presentano un problema specifico molto ristretto a cui stanno trovando una risposta. Un problema diverso richiederà un nuovo approccio e possibilmente un algoritmo diverso.
L'apprendimento automatico è possibile su larga scala a causa della quantità di dati che abbiamo iniziato a raccogliere negli ultimi anni. Questa rivoluzione dei big data è la chiave che ha sbloccato la complessa formazione degli algoritmi. I dati sono al centro della messa a punto di un algoritmo di apprendimento automatico per dare la risposta giusta.
Poiché i dati sono così centrali per l'apprendimento automatico, i risultati sono un riflesso diretto degli input. Se i dati sono distorti, l'algoritmo dell'apprendimento automatico imparerà ad essere distorto. Ad esempio, i selezionatori del personale, le sentenze giudiziarie e le diagnosi mediche utilizzano tutti l'apprendimento automatico e tutti hanno un certo livello di pregiudizio culturale, di genere, di razza, educativo o di altro tipo incorporato nei set di dati che li addestrano.
La distorsione si estende oltre il pregiudizio nella raccolta dei dati. A volte i dati fuorviano un algoritmo in altri modi. Consideriamo il caso di un modello di apprendimento automatico militare addestrato a cercare carri armati mimetizzati in una foresta. I data scientist hanno addestrato l'algoritmo su una serie di immagini, alcune delle quali avevano carri armati sugli alberi e altre che avevano solo alberi. Dopo l'addestramento, il modello ha ottenuto un'accuratezza quasi perfetta sui test eseguiti dai data scientist. Tuttavia, quando il modello è entrato in produzione, non ha funzionato affatto per identificare i carri armati. Si scopre che nel set di dati di addestramento, le foto dei carri armati sono state scattate in una giornata di sole, mentre le foto solo della foresta sono state scattate in una giornata nuvolosa. L'algoritmo aveva imparato a identificare i giorni di sole rispetto a quelli nuvolosi, non i carri armati!
Конец ознакомительного фрагмента.
Текст предоставлен ООО «ЛитРес».
Прочитайте эту книгу целиком, купив полную легальную версию на ЛитРес.
Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.
