Du kan bli en AI-mästare innan du vet ordet av. Här är hur.

Jay Daniel Wright

Vid första rodnad kanske Scot Barton inte verkar vara en AI-pionjär. Han bygger inte självkörande bilar eller lär datorer att slå människor i datorspel. Men inom sin roll på Farmers Insurance banar han ett spår för tekniken.

Barton leder ett team som analyserar data för att svara på frågor om kundernas beteende och utformningen av olika policyer. Hans grupp använder nu alla typer av banbrytande maskininlärningstekniker, från djupa neurala nätverk till beslutsträd. Men Barton anställde inte en armé av AI-trollkarlar för att göra detta möjligt. Hans team använder en plattform som heter DataRobot , vilket automatiserar mycket svårt arbete med att tillämpa sådana tekniker.

Försäkringsbolagets arbete med DataRobot antyder hur artificiell intelligens kan behöva utvecklas under de närmaste åren om det ska förverkliga sin enorma potential. Utöver spektakulära demonstrationer som DeepMinds spelmjukvara AlphaGo, har AI kraften att revolutionera hela industrier och göra alla typer av företag mer effektiva och produktiva. Detta kan i sin tur hjälpa till att föryngra ekonomin genom att öka den totala produktiviteten. Men för att detta ska hända måste tekniken bli mycket enklare att använda.

Relaterad berättelse

Relaterad berättelse Väst borde inte frukta Kinas artificiell intelligensrevolution. Den borde kopiera den.

Problemet är att många av stegen som är involverade i att använda befintliga AI-tekniker för närvarande kräver betydande expertis. Och det är inte så enkelt som att bygga ett mer användarvänligt gränssnitt ovanpå saker, eftersom ingenjörer ofta måste tillämpa omdöme och kunnande när de skapar och justerar sin kod.

Men AI-forskare och företag försöker nu ta itu med detta genom att i huvudsak vända tekniken på sig själv, använda maskininlärning för att automatisera de svårare aspekterna av att utveckla AI-algoritmer. Vissa experter bygger till och med motsvarande AI-drivna operativsystem utformade för att göra tillämpningar av tekniken lika tillgängliga som Microsoft Excel är idag.

DataRobot är ett steg i den riktningen. Du matar in rådata och plattformen rensar och formaterar om den automatiskt. Sedan kör den dussintals olika algoritmer samtidigt mot den och rangordnar deras prestanda. Barton försökte först använda plattformen genom att mata in ett gäng försäkringsdata för att se om det kunde förutsäga ett specifikt dollarvärde. Jämfört med en standard, handbyggd statistisk metod, hade den valda modellen en 20 procent lägre felfrekvens. Ut ur lådan, med en knapptryckning; det är ganska imponerande, säger han.

AI Skills Gap

Verkligheten med att tillämpa AI blev blottad i en rapport publicerade av konsultföretaget McKinsey i juni i år. Denna rapport drar slutsatsen att artificiell intelligens, särskilt maskininlärning, kan se över stora industrier, inklusive tillverkning, finans och hälsovård, vilket potentiellt kan lägga till upp till 126 miljarder dollar till den amerikanska ekonomin år 2025. Men rapporten har en stor varning: en kritisk talangbrist .

Det finns verkligen en stor push för att utbilda så många människor som möjligt att använda AI (se Andrew Ngs nästa trick: Training a Million AI Experts). Men det kommer att ta tid, och alla kan inte bli en AI-mästare. Det bästa sättet att maximera effekten av någon teknik är att göra den så tillgänglig som möjligt. Först då börjar AI smyga sig in på vanliga kontor och arbetsplatser. DataRobot används redan i vissa av dessa inställningar.

Jay Daniel Wright

Sent en eftermiddag är DataRobots kontor i Bostons finansdistrikt öde förutom en handfull ingenjörer som fräser runt en stor display. Företagets lösning verkar verkligen imponerande när Jonathan Dahlberg, en av konsulterna, ger mig en demo. Han laddar upp en offentlig datauppsättning av låneansökningar och betalningar, och sedan låter han systemet utveckla ett gäng modeller för att se om det finns några mönster i varför människor fallerar.

På några sekunder dyker dussintals konkurrerande algoritmer upp på skärmen; på toppen är en relativt osexig men allmänt använd gradientförstärkningsteknik som kallas XGBoost . Detta visar snabbt att de sökandes inkomster är särskilt viktiga, men det är också anledningen till att de vill ha ett lån. Det visar sig att personer som nämner att starta ett företag i sin ansökan är en särskilt dålig insats.

DataRobot kan matcha expertis eller skicklighet hos en riktigt bra datavetare, säger Dahlberg, men det kan erbjuda ett bredare perspektiv. En person kan förlita sig för mycket på en viss teknik, och DataRobot kan automatiskt avslöja ett fundamentalt bättre tillvägagångssätt. Det är också fortfarande möjligt för en användare att manuellt modifiera den underliggande algoritmen med hjälp av programmeringsspråken Python eller R. Utan en närmare granskning är det svårt att veta hur väl systemet automatiserar några av de svårare aspekterna av datavetenskap, som datarensning och funktioner ingenjörskonst, men det verkar ta förvånansvärt mycket.

Företagets VD, Jeremy Achin, blev inspirerad att starta ett företag efter att ha sett Det sociala nätverket , som han erkänner lite fåraktigt när vi träffas för kaffe nära MIT. Men han fick idén till DataRobot när han deltog i datavetenskapstävlingar på crowdsourcing-plattformen Kaggle, som förvärvades av Google tidigare i år. Kaggle erbjuder priser för den algoritm som presterar bäst på att göra en specifik förutsägelse från en stor datamängd. Denna uppgift innebär vanligtvis att utveckla en maskininlärningsalgoritm som matar på data. Som en av de bästa tidiga Kaggle-deltagarna insåg Achin att han redan automatiserade många av stegen som var involverade i varje tävling. Jag trodde att om vi samlade in tillräckligt med datamängder, tillräckligt med problem och körde tillräckligt med experiment, skulle vi kunna göra maskininlärning på maskininlärning. Det var den ursprungliga idén, säger han.

Idén fick helt klart resonans hos investerarna. DataRobot, som startade 2012, har samlat in mer än 100 miljoner dollar, inklusive 54 miljoner dollar i mars, ungefär samtidigt som Kaggle förvärvades. Företaget säger att det redan har mer än 100 kunder. Achin säger att konceptet är mycket mindre populärt bland många dataforskare, som antingen känner att deras färdigheter inte kan automatiseras eller oroar sig för att de kommer att bli det. Men han tror att de flesta företag inte har något annat alternativ om de vill använda sig av AI. Jag bryr mig inte om hur många som ändrar sin titel till 'data scientist' på LinkedIn, säger han. Du kommer inte att flytta nålen.

Självlärande system

Bristen på datavetare inspirerar många andra att arbeta med att automatisera maskininlärning. Ett växande antal forskningsartiklar dyker upp om att använda dess tekniker för att automatisera fler och fler aspekter av AI.

En av världens största aktörer inom AI, Google, riktar också sin uppmärksamhet mot idén. Google har investerat enorma summor i att utveckla kraftfulla AI-algoritmer och distribuera dem i sina tjänster. Men företaget är också måna om att lägga till mer AI till sina molntjänster. Och att gå längre än enkla verktyg för bild- eller textklassificering kommer att innebära att mer av arbetet med att träna maskininlärningsmodeller automatiseras.

Jay Daniel Wright

Målet är att göra den här tekniken mer tillgänglig, säger John Giannandrea, en skotsk dataingenjör som leder Googles AI-satsningar. Så vem som helst kunde säga 'Bygg en förutsägande modell för mig' och det går igång och gör det.

Tidigare i år tillkännagav företaget några betydande framsteg mot detta mål, och demonstrerade ett experimentellt sätt att automatisera processen att ställa in neurala nätverk för djupinlärning (se AI Software Learns to Make AI Software ). Dessa är kanske de mest kraftfulla maskininlärningsalgoritmerna som finns, och de har avsevärt förbättrat det senaste inom bild- och röstigenkänning. Men de är också notoriskt svåra att konstruera. Giannandrea säger att detta arbete nu ger några mycket lovande resultat, som i vissa fall matchar prestandan hos system som utvecklats för hand. Och han förväntar sig att Google kommer att släppa fler resultat under de kommande månaderna.

Andra har ännu större design. Erik Xing , en professor vid Carnegie Mellon University, till exempel, utvecklar vad som motsvarar ett operativsystem byggt av olika maskininlärningskomponenter. Detta operativsystem använder virtualisering och maskininlärning för att abstrahera bort mycket av komplexiteten i att designa och träna AI. Den har till och med ett grafiskt användargränssnitt som kan användas för att träna en maskininlärningsmodell på en viss datamängd.

Xing utbildades i Kina och studerade vid UC Berkeley tillsammans med Andrew Ng, nu en välkänd figur inom AI-världen. Han är väldigt artig och förvånansvärt avslappnad när det gäller att vilja återuppfinna hur människor använder datorer. Xing föreställer sig att hans AI OS blir lika lätt att använda som något som Microsofts kalkylarkspaket, Excel. Det här är en kärnfråga i hela AI, säger han. Inträdesbarriären är helt enkelt för hög.

Xing har skapat ett företag, Petuum , för att utveckla operativsystemet, och det har redan skapat en serie verktyg som syftar till att föra maskininlärning till medicin. Läkare vill ha ett gränssnitt och medicinska journaler, bilder - var och en kräver en annan metod för maskininlärning, säger han. Petuum rustar också för att släppa sin plattform.

Petuums OS, och andra verktyg för att automatisera AI, kommer att möta några unika utmaningar. Det finns redan oro för att maskinlärande algoritmer oavsiktligt absorberar fördomar från träningsdata, och vissa modeller är helt enkelt för ogenomskinliga för att undersöka noggrant (se The Dark Secret at the Heart of AI). Om AI blir mycket lättare att använda är det möjligt att dessa problem kan bli mer utbredda och mer förankrade.

För att göra maskininlärning riktigt bra behöver du en doktorsexamen och cirka fem års erfarenhet, säger vi Rich Caruana , en senior forskare på Microsoft som har hållit på med datavetenskap i cirka 20 år. Det finns många fallgropar. Går din algoritm ut efter sex månader och går den att tolka?

Caruana anser att det borde vara möjligt att automatisera några av de steg som en dataforskare behöver ta för att skydda sig mot sådana problem - något som liknar en pilots checklista före flygning. Men han varnar för att lita för mycket på system som lovar att automatisera allt. Jag vet, säger han, för jag har stött på tån på vägen.

Dölj