Yapay Zeka Geliştirme Engellerini Aşmanın Anahtarı
Daha Güvenilir Veriler
Giriş
Yapay zeka, 1939'da “The Wizard of Oz” filmindeki Teneke Adam beyaz perdeye çıktığında hayal gücünü yakalamaya başladı ve o zamandan beri zamanın ruhunda yalnızca daha sağlam bir yer edindi. Ancak uygulamada, AI ürünleri şimdiye kadar en etkili benimsemeleri engelleyen düzenli yükseliş ve düşüş döngülerinden geçti.
Patlamalar sırasında, mühendisler ve araştırmacılar muazzam adımlar attılar, ancak özlemleri kaçınılmaz olarak o sırada mevcut olan bilgi işlem yeteneklerini aştığında, bir uyku dönemi izledi. Neyse ki, 1965'te Moore Yasası tarafından tahmin edilen bilgi işlem gücündeki üstel artışın büyük ölçüde doğruluğu kanıtlanmıştır ve bu artışın önemini abartmak zordur.
E-Kitabı okuyun: AI Geliştirme Engellerini Aşmanın Anahtarı veya e-Kitabın PDF sürümünü indirin.
Yapay Zeka Geliştirme Engellerini Aşmanın Anahtarı: Daha Güvenilir Veri
Bugün, ortalama bir insanın cebinde NASA'nın 1969'da aya iniş yapması gerekenden milyonlarca kat daha fazla bilgi işlem gücü var. Uygun bir şekilde bol miktarda bilgi işlem gücü gösteren aynı her yerde bulunan cihaz, AI'nın altın çağı için başka bir ön koşulu da yerine getiriyor: bol miktarda veri. Aşırı Bilgi Yükü Araştırma Grubu'nun içgörülerine göre, dünyadaki verilerin %90'ı son iki yılda oluşturuldu. Artık bilgi işlem gücündeki üstel büyüme, nihayet veri üretiminde eşit derecede meteorik büyüme ile birleştiğine göre, AI veri yenilikleri o kadar çok patlıyor ki, bazı uzmanlar Dördüncü Sanayi Devrimi'ni hızlı bir şekilde başlatacağını düşünüyor.
Ulusal Girişim Sermayesi Birliği'nden elde edilen veriler, AI sektörünün 6.9'nin ilk çeyreğinde 2020 milyar dolarlık rekor bir yatırım gördüğünü gösteriyor. AI araçlarının potansiyelini görmek zor değil çünkü zaten her yerde kullanılıyor. AI ürünleri için daha görünür kullanım durumlarından bazıları, Spotify ve Netflix gibi favori uygulamalarımızın arkasındaki öneri motorlarıdır. Dinlemek için yeni bir sanatçı ya da aşırı izlemek için yeni bir TV şovu keşfetmek eğlenceli olsa da, bu uygulamalar oldukça düşük risklidir. Diğer algoritmalar, test puanlarını derecelendirir - kısmen öğrencilerin üniversiteye nereye kabul edildiğini belirler - ve yine de diğerleri, adayların özgeçmişlerini inceleyerek hangi adayların belirli bir işe gireceğine karar verir. Bazı AI araçlarının, meme kanserini tarayan (doktorlardan daha iyi performans gösteren) AI modeli gibi ölüm kalım etkileri bile olabilir.
Hem gerçek dünyadaki AI geliştirme örneklerinde hem de yeni nesil dönüşüm araçlarını oluşturmak için yarışan girişimlerin sayısında istikrarlı büyümeye rağmen, etkili geliştirme ve uygulamaya yönelik zorluklar devam ediyor. Özellikle, AI çıktısı yalnızca girdinin izin verdiği kadar doğrudur, bu da kalitenin çok önemli olduğu anlamına gelir.
Yapay Zeka Çözümlerinde Tutarsız Veri Kalitesinin Zorluğu
Gerçekten de her gün inanılmaz miktarda veri üretiliyor: Social Media Today'e göre 2.5 kentilyon bayt. Ancak bu, hepsinin algoritmanızı eğitmeye değer olduğu anlamına gelmez. Bazı veriler eksik, bazıları düşük kaliteli ve bazıları tamamen yanlış, bu nedenle bu hatalı bilgilerden herhangi birinin kullanılması (pahalı) AI veri inovasyonunuzdan aynı özelliklerin ortaya çıkmasına neden olacaktır. Gartner'ın araştırmasına göre, 85 yılına kadar oluşturulan yapay zeka projelerinin yaklaşık %2022'i, yanlı veya yanlış veriler nedeniyle yanlış sonuçlar üretecek. Zevkinize uymayan bir şarkı önerisini kolayca atlayabilirsiniz, ancak diğer hatalı algoritmaların önemli bir finansal ve itibar maliyeti vardır.
2018'de Amazon, kadınlara karşı güçlü ve açık bir önyargıya sahip olan, 2014'ten beri üretimde olan, yapay zeka destekli bir işe alma aracı kullanmaya başladı. Aracı destekleyen bilgisayar modellerinin, on yıldan fazla bir süredir şirkete gönderilen özgeçmişler kullanılarak eğitildiği ortaya çıktı. Teknolojiye başvuranların çoğu erkek olduğu için (ve belki de bu teknoloji sayesinde hâlâ öyleler), algoritma, örneğin kadın futbol kaptanı veya kadın iş grubu gibi her yerde “kadınlar” içeren özgeçmişleri cezalandırmaya karar verdi. Hatta iki kadın kolejinin adaylarını cezalandırmaya karar verdi. Amazon, aracın potansiyel adayları değerlendirmek için hiçbir zaman tek kriter olarak kullanılmadığını iddia ediyor, ancak işe alım uzmanları yeni işe alım ararken öneri motoruna baktı.
Amazon işe alma aracı, yıllarca süren çalışmaların ardından nihayetinde rafa kaldırıldı, ancak ders, algoritmaları ve AI araçlarını eğitirken veri kalitesinin önemini vurgulayarak devam ediyor. "Yüksek kaliteli" veriler neye benziyor? Kısacası, şu beş kutuyu kontrol eder:
1. İlgili
Yüksek kaliteli olarak kabul edilmek için verilerin karar verme sürecine değerli bir şey getirmesi gerekir. Bir iş başvurusunda bulunan kişinin eyalet şampiyonu sırıkla yüksek atlamacı statüsü ile işteki performansı arasında bir ilişki var mı? Mümkün, ancak çok düşük bir ihtimal gibi görünüyor. Bir algoritma, alakalı olmayan verileri ayıklayarak, sonuçları gerçekten etkileyen bilgileri sıralamaya odaklanabilir.
2. Doğru
Kullandığınız veriler, test ettiğiniz fikirleri doğru bir şekilde temsil etmelidir. Değilse, buna değmez. Örneğin, Amazon işe alım algoritmasını 10 yıllık başvuran özgeçmişlerini kullanarak eğitti, ancak şirketin bu özgeçmişlerde sağlanan bilgileri ilk önce doğrulayıp doğrulamadığı açık değil. Referans kontrol şirketi Checkster'ın araştırması, başvuranların %78'inin bir iş başvurusunda yalan söylediğini veya yalan söylemeyi düşüneceğini gösteriyor. Örneğin, bir algoritma bir adayın genel not ortalamasını kullanarak tavsiye kararları veriyorsa, önce bu sayıların gerçekliğini doğrulamak iyi bir fikirdir. Bu işlem zaman ve para alacaktır, ancak sonuçlarınızın doğruluğunu tartışmasız bir şekilde artıracaktır.
3. Düzgün organize edilmiş ve açıklamalı
Özgeçmişlere dayalı bir işe alım modeli söz konusu olduğunda, açıklama eklemek nispeten kolaydır. Bir anlamda, bir özgeçmiş önceden açıklamalı olarak gelir, ancak şüphesiz istisnalar olacaktır. Başvuru sahiplerinin çoğu, iş deneyimlerini bir "Deneyim" başlığı altında ve ilgili becerileri "Beceriler" altında listeler. Ancak kanser taraması gibi diğer durumlarda veriler çok daha çeşitli olacaktır. Bilgi, tıbbi görüntüleme, fiziksel bir taramanın sonuçları veya hatta diğer veri biçimlerinin yanı sıra aile sağlığı geçmişi ve kanser vakaları hakkında doktor ve hasta arasında yapılan bir konuşma biçiminde gelebilir. Bu bilgilerin doğru bir algılama algoritmasına katkıda bulunması için, AI modelinin doğru çıkarımlara dayalı doğru tahminler yapmayı öğrenmesini sağlamak için dikkatli bir şekilde organize edilmeli ve açıklama eklenmelidir.
4. Güncel
Amazon, insanların çok daha kısa sürede verdiği işe alım kararlarını yeniden üreterek zamandan ve paradan tasarruf sağlayacak bir araç yaratmaya çalışıyordu. Önerilerin mümkün olduğunca doğru olması için verilerin güncel tutulması gerekir. Örneğin, bir şirket bir zamanlar daktilo tamir etme becerisine sahip adayları tercih ettiğini gösterseydi, örneğin, bu tarihi işe alımların, günümüzün iş başvurularının herhangi bir role uygunluğu üzerinde muhtemelen pek bir etkisi olmazdı. Sonuç olarak, onları kaldırmak akıllıca olacaktır.
5. Uygun şekilde çeşitli
Amazon mühendisleri, ezici çoğunluğu erkek olan bir başvuru havuzuyla bir algoritma eğitmeyi seçti. Bu karar kritik bir hataydı ve bunların şirketin o sırada sahip olduğu özgeçmişler olması gerçeğiyle daha az korkunç hale gelmedi. Amazon mühendisleri, benzer özelliklere sahip saygın kuruluşlarla ortaklık kurabilirdi. eksikliği telafi etmek için daha fazla kadın iş başvurusu alan mevcut pozisyonlar veya Erkeklerin özgeçmişlerinin sayısını kadın ve eğitimli ve eğitimlilerin sayısına uyacak şekilde yapay olarak azalttı. popülasyonun daha doğru bir temsili ile algoritmaya rehberlik etti. Mesele şu ki, veri çeşitlilik anahtardır ve girdilerdeki yanlılığı ortadan kaldırmak için ortak bir çaba gösterilmedikçe, yanlı çıktılar hakim.
Açıkçası, yüksek kaliteli veriler birdenbire ortaya çıkmaz. Bunun yerine, amaçlanan sonuçlar göz önünde bulundurularak dikkatlice seçilmelidir. AI alanında, genellikle "çöpün dışarı atılması anlamına geldiği" söylenir. Bu ifade doğrudur, ancak kalitenin önemini biraz daha az gösterir. AI, inanılmaz miktarda bilgiyi işleyebilir ve hisse senedi seçimlerinden işe alım tavsiyelerine ve tıbbi teşhislere kadar her şeye dönüştürebilir. Bu kapasite, insanların yeteneklerini çok aşar, bu da sonuçları büyüttüğü anlamına gelir. Önyargılı bir insan işe alım görevlisi yalnızca bu kadar çok kadını gözden kaçırabilir, ancak önyargılı bir yapay zeka işe alım görevlisi hepsini gözden kaçırabilir. Bu anlamda, çöp girişi sadece çöpün dışarı çıkması anlamına gelmez - bu, az miktarda "çöp" verisinin tüm bir çöp sahasına dönüşebileceği anlamına gelir.
Karmaşık Uyumluluk Taleplerinde Gezinme
Kaliteli veri bulmak yeterince zor değilmiş gibi, yapay zeka veri yeniliklerinden en fazla faydayı sağlayan bazı endüstriler aynı zamanda en sıkı düzenlemelere tabidir. Sağlık hizmeti belki de en iyi örnektir ve HIT Infrastructure tarafından yapılan bir anket, sektördeki kişilerin %91'inin teknolojinin bakıma erişimi iyileştirebileceğini düşündüğünü ortaya çıkarırken, %75'inin bunu hasta güvenliği ve mahremiyeti için bir tehdit olarak görmesi iyimserliği yumuşatmaktadır. - ve risk altında olanlar sadece hastalar değil.
Sağlık Sigortası Taşınabilirlik ve Sorumluluk Yasası aracılığıyla yürürlüğe giren kapsamlı düzenlemeler, şu anda Avrupa'nın Genel Veri Koruma Yönetmeliği, Amerika Birleşik Devletleri'ndeki Kaliforniya Tüketici Gizliliği Yasası ve Singapur'daki Kişisel Verileri Koruma Yasası gibi çeşitli yerel veri uyumluluğu engelleriyle kesişmektedir. Bu yerel düzenlemelere daha pek çok kişi katılacaktır ve telesağlık, sağlık hizmeti verilerinin daha önemli bir kaynağı olarak ortaya çıktıkça, düzenlemelerin aktarım halindeki hasta verileri üzerinde daha da sıkı bir kavrayış kazanması muhtemeldir. Sonuç olarak, Shaip'in güvenli ve uyumlu bulut platformu, AI ürünlerini eğitmek için sağlık verilerini toplamak ve bunlara erişmek için daha da değerli bir araç olduğunu kanıtlayacak.
Kişisel olarak tanımlanabilir bilgiler, AI geliştirmeniz için önemli bir tehdit olabilir, ancak yalnızca çeşitli eğitim verileriyle gelen türde doğru sonuçlar veremezse, tamamen uyumlu bir uygulama bile risk altındadır. Amerikan Tabipler Birliği Dergisi'nde 2020 yılında yapılan bir araştırma, tıp alanındaki makine öğrenimi algoritmalarının çoğunlukla Kaliforniya, New York ve Massachusetts'teki hastalardan alınan verilerle eğitildiğini gösterdi. Bu hastaların ABD nüfusunun beşte birinden daha azını temsil ettiği göz önüne alındığında, dünyanın geri kalanı hakkında hiçbir şey söylemeden, bu modellerin nasıl önyargılı sonuçlardan başka bir şey üretebileceğini hayal etmek zor.
Uyumlu, coğrafi olarak çeşitli bilgileri güvence altına almanın zorluğunun farkında olan Shaip, doğru algoritmalar oluşturmak amacıyla özel olarak seçilmiş çok çeşitli bölgelerden lisanslı sağlık verileri sunar. Bu veriler, tıbbi kayıtlar veya talep bilgileri gibi metin, CT taramaları gibi tıbbi teşhis görüntüleme, doktorlardan sözlü notlar veya doktorlar ve hastalar arasındaki konuşmalar gibi ses ve hatta MRI sonuçlarından video biçiminde gelir. Aynı zamanda tamamen kimliksizleştirilmiş ve anonimleştirilmiş olup, kuruluşunuzu hem yerel hem de uluslararası kaynaklı verileri yöneten artan sayıdaki düzenlemelerden herhangi birinin ihlalini takip edebilecek hem etik hem de mali sonuçlardan korur.
Yapay Zeka Geliştirme Engellerini Aşmak
Yapay zeka geliştirme çabaları, hangi sektörde yer alırsa alsın önemli engeller içerir ve uygulanabilir bir fikirden başarılı bir ürüne geçme süreci zorluklarla doludur. Doğru verileri edinmenin zorlukları ve ilgili tüm düzenlemelere uymak için anonimleştirme ihtiyacı arasında, aslında bir algoritma oluşturmak ve eğitmek kolay kısım gibi hissedilebilir.
Kuruluşunuza çığır açan yeni bir yapay zeka geliştirmesi tasarlama çabasında gereken her türlü avantajı sağlamak için Shaip gibi bir şirketle ortak olmayı düşünebilirsiniz. Chetan Parikh ve Vatsal Ghiya, şirketlerin ABD'de sağlık hizmetlerini dönüştürebilecek çözümler üretmesine yardımcı olmak için Shaip'i kurdu. müşterilerin ilgi çekici fikirleri yapay zeka çözümlerine dönüştürmelerini sağlar.
Kuruluşunuz için çalışan insanlarımız, süreçlerimiz ve platformumuzla, aşağıdaki dört avantajın kilidini hemen açabilir ve projenizi başarılı bir sonuca doğru fırlatabilirsiniz:
1. Veri bilimcilerinizi özgürleştirme kapasitesi
Yapay zeka geliştirme sürecinin hatırı sayılır bir zaman yatırımı gerektirmesinin üstesinden gelmek mümkün değil, ancak ekibinizin gerçekleştirmek için en çok zaman harcadığı işlevleri her zaman optimize edebilirsiniz. Veri bilimcilerinizi, gelişmiş algoritmalar ve makine öğrenimi modellerinin geliştirilmesinde uzman oldukları için işe aldınız, ancak araştırmalar sürekli olarak bu çalışanların zamanlarının %80'ini projeye güç sağlayacak verileri tedarik etmek, temizlemek ve düzenlemek için harcadıklarını gösteriyor. Veri bilimcilerinin dörtte üçünden fazlası (%76), bu sıradan veri toplama süreçlerinin aynı zamanda işin en sevmedikleri kısımları olduğunu, ancak kaliteli veri ihtiyacının gerçek gelişim için zamanlarının sadece %20'sini bıraktığını bildiriyor. birçok veri bilimci için en ilginç ve entelektüel açıdan teşvik edici çalışma. Bir şirket, Shaip gibi üçüncü taraf bir satıcı aracılığıyla veri tedarik ederek, pahalı ve yetenekli veri mühendislerinin işlerini veri kapıcıları olarak dış kaynaklardan temin etmesine ve bunun yerine zamanlarını yapay zeka çözümlerinin en fazla değeri üretebilecekleri kısımlarına harcamasına izin verebilir.
2. Daha iyi sonuçlar elde etme yeteneği
Birçok AI geliştirme lideri, masrafları azaltmak için açık kaynaklı veya kitle kaynaklı verileri kullanmaya karar verir, ancak bu karar neredeyse her zaman uzun vadede daha fazla maliyetli olur. Bu tür veriler hazırdır, ancak özenle seçilmiş veri kümelerinin kalitesiyle eşleşemezler. Özellikle kitle kaynaklı veriler hatalar, eksiklikler ve yanlışlıklarla doludur ve bu sorunlar bazen geliştirme sürecinde mühendislerinizin gözetimi altında çözülebilirken, daha yüksek bir veriyle başlarsanız gerekmeyecek ek yinelemeler gerekir. -başlangıçtan itibaren kaliteli veri.
Açık kaynaklı verilere güvenmek, kendi tuzaklarıyla birlikte gelen bir başka yaygın kısayoldur. Açık kaynaklı veriler kullanılarak eğitilen bir algoritma, lisanslı veri kümeleri üzerine kurulu bir algoritmadan daha kolay çoğaltıldığından, farklılaşma eksikliği en büyük sorunlardan biridir. Bu rotayı izleyerek, fiyatlarınızı düşürebilecek ve herhangi bir zamanda pazar payı alabilecek, alana giren diğer kişilerden rekabeti davet edersiniz. Shaip'e güvendiğinizde, yetenekli bir yönetilen işgücü tarafından bir araya getirilen en yüksek kaliteli verilere erişirsiniz ve rakiplerinizin zor kazanılmış fikri mülkiyetinizi kolayca yeniden yaratmasını önleyen özel bir veri seti için size özel bir lisans verebiliriz.
3. Deneyimli profesyonellere erişim
Şirket içi kadronuzda yetenekli mühendisler ve yetenekli veri bilimcileri olsa bile, yapay zeka araçlarınız yalnızca deneyim yoluyla gelen bilgelikten yararlanabilir. Konu uzmanlarımız, alanlarında çok sayıda yapay zeka uygulamasına öncülük etti ve bu süreçte değerli dersler aldı ve onların tek amacı, sizinkini gerçekleştirmenize yardımcı olmaktır.
Verileri sizin için tanımlayan, organize eden, sınıflandıran ve etiketleyen alan uzmanlarıyla, algoritmanızı eğitmek için kullanılan bilgilerin mümkün olan en iyi sonuçları üretebileceğini bilirsiniz. Ayrıca, verilerin en yüksek standartları karşıladığından ve yalnızca laboratuvarda değil, gerçek dünya durumunda da amaçlandığı gibi çalışacağından emin olmak için düzenli kalite güvencesi yürütürüz.
4. Hızlandırılmış bir geliştirme zaman çizelgesi
AI geliştirme bir gecede olmaz, ancak Shaip ile ortak olduğunuzda daha hızlı olabilir. Şirket içi veri toplama ve açıklama, geliştirme sürecinin geri kalanını tutan önemli bir operasyonel darboğaz yaratır. Shaip ile çalışmak, geniş, kullanıma hazır veri kitaplığımıza anında erişmenizi sağlar ve uzmanlarımız, derin endüstri bilgimiz ve küresel ağımızla ihtiyacınız olan her türlü ek girdiyi sağlayabilir. Kaynak bulma ve ek açıklama yükü olmadan, ekibiniz gerçek geliştirme üzerinde hemen çalışmaya başlayabilir ve eğitim modelimiz, doğruluk hedeflerine ulaşmak için gerekli yinelemeleri azaltmak için erken yanlışlıkların belirlenmesine yardımcı olabilir.
Veri yönetiminizin tüm yönlerini dış kaynak kullanmaya hazır değilseniz, Shaip ayrıca ekiplerin görüntü, video, metin ve ses desteği de dahil olmak üzere farklı türdeki verileri daha verimli bir şekilde üretmesine, değiştirmesine ve açıklama eklemesine yardımcı olan bulut tabanlı bir platform sunar. . ShaipCloud, iş yüklerini izlemek ve izlemek için patentli bir çözüm, karmaşık ve zor ses kayıtlarını yazıya dökmek için bir transkripsiyon aracı ve tavizsiz kaliteyi sağlamak için bir kalite kontrol bileşeni gibi çeşitli sezgisel doğrulama ve iş akışı araçları içerir. Hepsinden iyisi, ölçeklenebilir olmasıdır, bu nedenle projenizin çeşitli talepleri arttıkça büyüyebilir.
AI inovasyon çağı daha yeni başlıyor ve önümüzdeki yıllarda tüm endüstrileri yeniden şekillendirme ve hatta toplumu bir bütün olarak değiştirme potansiyeline sahip inanılmaz ilerlemeler ve yenilikler göreceğiz. Shaip'te, dünyanın en devrimci şirketlerinin iddialı hedeflere ulaşmak için yapay zeka çözümlerinin gücünden yararlanmasına yardımcı olan dönüştürücü bir güç olarak hizmet etmek için uzmanlığımızı kullanmak istiyoruz.
Sağlık uygulamaları ve yapay zeka konusunda derin deneyime sahibiz, ancak hemen hemen her tür uygulama için modelleri eğitmek için gerekli becerilere de sahibiz. Shaip'in projenizi fikir aşamasından uygulamaya geçirmenize nasıl yardımcı olabileceği hakkında daha fazla bilgi için web sitemizde bulunan birçok kaynağa göz atın veya bugün bize ulaşın.
