L'intelligenza artificiale potrebbe renderti miliardario nel 2025?
L'applicazione pratica del deep learning potrebbe richiedere di concentrarsi meno su set di dati giganti, ma più sul modo in cui vengono gestiti gli esempi di dati di addestramento, afferma Andrew Ng.
Il campo del deep learning ha sofferto di quella che si potrebbe definire una fallacia dei Big Data, la convinzione che sempre più dati siano sempre una buona cosa.
Potrebbe essere il momento di concentrarsi sulla qualità piuttosto che solo sulla quantità.
"C'è un problema molto fondamentale che molte IA devono affrontare", ha detto Andrew Ng, fondatore e CEO di Landing AI, una startup che lavora per perfezionare la tecnologia per usi industriali, in un'intervista con ZDNet questa settimana.
"Gran parte dell'intelligenza artificiale si concentra sulla massimizzazione del numero di calorie, che funziona fino a un certo punto", ha detto.
"E a volte si hanno molti dati, ma quando si dispone di un set di dati ridotto, è più la qualità dei dati che il volume".
Ng, che ha gestito lo sviluppo di sistemi di intelligenza artificiale su larga scala, comprese le tecnologie di riconoscimento vocale, quando è stato fondatore dell'unità Google Brain di Google un decennio fa, ora ha il mandato di costruire una tecnologia di intelligenza artificiale da utilizzare da parte dei clienti aziendali per scopi pratici, come l'ispezione in fabbrica.
Landing AI ha ricevuto fino ad oggi 57 milioni di dollari di finanziamenti in un unico round nel novembre dello scorso anno, da McRock Capital Insight Partners, Taiwania Capital, Canada Pension Plan Investment Board, Intel Capital, Samsung Catalyst Fund, DRIVE Catalyst di Far Eastern Group, Walsin Lihwa e AI Fund.
Ng è anche co-fondatore di Coursera, la società di curriculum online, e professore a contratto di informatica presso la Stanford University.
La fallacia dei Big Data ha le sue origini nella necessità tecnica che le forme di intelligenza artificiale di deep learning hanno per grandi campioni di un determinato dominio di indagine. Gli approcci di deep learning si sono concentrati sull'ottenimento di un numero sufficiente di punti dati per evitare il cosiddetto "over-fitting", in cui reti neurali sempre più grandi memorizzano semplicemente i dati di addestramento.
Se il deep learning memorizza i dati di addestramento, non riesce a generalizzare sulla natura di tali dati, che è comunemente la chiave per rendere utile una rete neurale per fare previsioni.
Ma un budget di milioni o addirittura miliardi di dati non è fattibile in alcuni contesti come un sistema di ispezione della produzione, dove un singolo difetto su un milione di parti identiche può essere l'unico dato sui difetti di produzione.
"Ho costruito sistemi di intelligenza artificiale di centinaia di milioni di immagini", afferma Ng, fondatore del gruppo Google Brain di Google e capo scienziato di Baidu. "Queste tecniche non funzionano davvero quando hai solo 50 immagini", ha detto.
"Ho costruito sistemi di intelligenza artificiale di centinaia di milioni di immagini" presso Google e come capo scienziato presso Baidu. "Queste tecniche non funzionano davvero quando hai solo 50 immagini", ha detto.
Ng ha affermato che Landing AI è stata in grado di sviluppare modelli industriali utili per i clienti con una manciata di campioni di dati.
"Piuttosto che sui Big Data, abbiamo dovuto concentrarci su buoni dati", ha detto Ng.
In contrasto con il tipico pensiero sui Big Data, l'utilizzo di un campione così piccolo, di dozzine piuttosto che milioni di esempi, può essere praticabile.
"Sono rimasto sorpreso più volte da quanto bene possiamo ottenere una rete neurale con solo 50 immagini se ci si assicura che abbia 50 immagini davvero buone", ha detto Ng. "Gli strumenti che abbiamo innovato in Landing AI sono, hai solo 50 immagini, quindi come lo etichettizzi per ottenere le migliori prestazioni possibili su sole 50 immagini".
"Mi sento come se avessimo decifrato la ricetta" per l'utilizzo del deep learning nella produzione, ha detto.
In un certo senso, la fallacia dei Big Data potrebbe essere pensata come la coda che scodinzola il cane. Per evitare l'overfitting, tutta l'attenzione nel deep learning è stata rivolta a come far funzionare in modo ottimale il modello di deep learning, la struttura del programma.
Ora, Ng sta sostenendo una maggiore attenzione su quali punti dati sono più importanti e di adattare il modello a questo.
"La ricetta che persone come me e molti dei miei amici hanno sviluppato per far funzionare l'intelligenza artificiale nelle aziende di software di consumo non funziona per le aziende manifatturiere e molte altre aziende", ha detto Ng.
"Il problema fondamentale è che, se hai cento miliardi o milioni di utenti, puoi costruire un sistema di intelligenza artificiale monolitico; La produzione è qualcosa di diverso".
"È un guru", dice Ng del pioniere della visione artificiale e dell'automazione industriale David L. Dechow.
La necessità è di molte, molte architetture, molte reti neurali diverse per adattarsi ai dati.
"La sfida che il campo dell'intelligenza artificiale deve affrontare è come possiamo aiutare la produzione a costruire non uno o una dozzina di modelli di intelligenza artificiale, ma aiutare 10.000 produttori diversi a costruire 10.000 diversi modelli di intelligenza artificiale, perché ogni fabbrica, ogni componente ha bisogno del proprio modello".
La sfida per una startup, ovviamente, è "come farlo senza assumere 10.000 ingegneri". Nei primi giorni di Landing AI - l'azienda è stata fondata nel 2017 - Ng ha detto di essere stato "ingenuo".
"All'inizio, facevamo un sacco di lavoro di consulenza, cercando di fare noi stessi gran parte della personalizzazione, e non era scalabile". Ng crede che molte startup di intelligenza artificiale si imbattano in questo problema, diventando società di consulenza.
L'azienda si è orientata verso la creazione di strumenti per consentire a tutti i clienti di eseguire la personalizzazione. Lo stesso, ha detto, deve essere l'approccio in settori come quello sanitario.
"L'ingegnerizzazione dei dati è davvero impegnativa", ha osservato Ng. "Penso che ci siano ingegneri esperti di intelligenza artificiale che lavorano in modo intuitivo da molto tempo, ma la creazione di strumenti che rendano facile e veloce per molte persone farlo con successo, è stata una sfida tecnica molto profonda".
Ng ha diffuso il vangelo in discorsi sulla nuova enfasi sulla qualità e su come preparare i dati per gli approcci di apprendimento automatico.
Definisce la sua visione "intelligenza artificiale incentrata sui dati".
Maggiori informazioni sul pensiero di Ng possono essere viste in un'intervista video a marzo.
La società ha annunciato mercoledì di aver assunto David L. Dechow, un pioniere nel campo della tecnologia di visione artificiale, che in precedenza è stato il principale architetto del sistema di visione per la startup Integro Technologies.
Gran parte del lavoro di apprendimento automatico che è stato svolto nell'industria per molti anni è consistito nel mettere telecamere in officina per osservare la linea di produzione, ha osservato Ng. Dechow è stato un pioniere in questo spostamento dell'osservazione in fabbrica, ha detto.
"Per molti decenni, anche prima del recente boom della visione artificiale, i produttori hanno installato telecamere nelle fabbriche", ha affermato Ng. "Le telecamere sono molto brave a misurare la lunghezza esatta di una parte e a rilevare determinati tipi di difetti se è possibile codificare una regola per specificare esattamente ciò che si sta cercando".
Con i moderni sistemi di deep learning, l'obiettivo è quello di rendere l'intelligenza artificiale molto più flessibile per il rilevamento dei difetti senza approcci basati su regole così rigide.
"Nel mondo della visione artificiale e dell'automazione industriale, è un guru", ha detto Ng di Dechow. "Generazioni di ingegneri della visione oggi sono state formate da David.
"Se potessi portare una persona dal campo della visione artificiale, sarebbe lui", ha detto Ng.