Myśliciel nie do okiełznania
11

W ostatnim czasie miałem niezwykłą przyjemność uczestniczyć w cyklu wykładów, które kosztowały więcej niż moja pensja netto (koszty pokrył pracodawca, no bo jak inaczej…). Jeden z wykładów poświęcony był popularnemu ostatnio pojęciu machine learning czyli uczenie maszynowe zastosowane w praktyce.

Pokrótce, pomysł uczenia maszynowego pojawił się już w połowie ubiegłego wieku, ale dopiero ze względu na rozwój informatyki w ostatnich kilkunastu latach i ogromnej mocy obliczeniowej komputerów, stało się możliwe zastosowanie tej metody w wielu dziedzinach, gdzie potrzebni są wirtualni pomocnicy. W internecie jest sporo artykułów o tym, na czym uczenie maszynowe polega, ale najtrafniej przedstawia to artykuł w CD Action 11/2017 z łatwym przykładem do zrozumienia – analiza zdjęć.

Załóżmy, że chcemy, aby pokazywać programu komputerowemu dowolne zdjęcie, a on ma stwierdzić, czy na tym zdjęciu jest kot. Główną ideą uczenia maszynowego jest to, że nie powiesz (albo bardzo mało) komputerowi, jak wygląda kot – on sam ma do tego dojść. Możesz zatem powiedzieć „to takie stworzenie, które ma cztery łapy, futerko i lubi spać”, definicja ogólna, ale jak najbardziej ok. Jeśli jednak poprosisz komputer, by na podstawie tej definicji narysował to zwierzę, zapewne narysuje coś, co w ogóle kota nie przypomina. Wtedy my mówimy, że to nie jest kot, ale proszę, tutaj 1000 zdjęć z kotami, pooglądaj je i spróbuj zrozumieć swój błąd.

Ćwiczenie – jeśli uważacie, że przykład jest bez sensu,

Spojler Pokaż

Gdy komputer „zczai” już jak wygląda kot, kontynuujemy etap nauczania, bombardując go milionami zdjęć, różnych, zawierających koty oraz bez nich, z pytaniem „czy na tym zdjęciu jest kot?”. Komputer „zgaduje” na podstawie swoich wcześniejszych doświadczeń tak/nie, a następnie sprawdza z człowiekiem, czy udzielił poprawnej odpowiedzi, podnosząc cały czas swoją wiedzę. Oznacza to, że wraz z kolejnymi przykładami będzie rosła skuteczność rozpoznawania obrazów, aż osiągnie on poziom wyższy, niż ma człowiek (90 kilka procent)!

W ten sposób otrzymaliśmy program komputerowy, który jest wydajniejszy i szybszy od człowieka. Pomyślcie tym samym, ile możliwych różnych zastosowań może mieć nauczanie maszynowe… Odpowiednio nauczone maszyny mogą odkrywać relacje, rozwiązywać zawiłe problemy czy optymalizować procesy, o ile dostaną ogromną porcję wiarygodnych danych… I będą to robić lepiej niż jakikolwiek człowiek.

Przejdźmy zatem do clou notki. Wykład polegał na pokazaniu zastosowaniu nauczania maszynowego w ubezpieczeniach, a konkretny problem skupiał się na wycenie polisy OC. Kalkulacja takiego OC obarczana jest nomen-omen pewnym ryzykiem, bowiem nie da się w momencie zawarcia polisy stwierdzić:
1. Czy oraz ile szkód nastąpi w trakcie trwania polisy?
2. Jaka będzie sumaryczna wartość szkód?
3. Kiedy nastąpi zgłoszenie szkody (zgłoszenie może pojawić się nawet kilka lat po zakończeniu polisy, ale szkoda nastąpiła w momencie trwania polisy!)?

Towarzystwo ubezpieczeniowe, by ustalić wysokość OC, korzysta z wielu czynników, które na etapie modelowania statystycznego dają najwięcej odpowiedzi na postawione powyżej pytania. Część jest oczywista, jak np. marka auta, model auta, wiek kierowcy, miejsce zamieszkania kierowcy, staż kierowcy, wiek współwłaściciela, staż współwłaściciela, bezszkodowa jazda. Inna część już nie do końca np. kolor samochodu, wielkość tłumika, obecność CB radia, stopień przyciemnienia szyb, średnia wieku samochodów w okolicy miejsca zamieszkania.

Pytanie – jak myślicie, ile zmiennych może być używanych do wyliczenia składki?

Spojler Pokaż

Całkiem sporo, co nie? Problemem jest więc spiąć to wszystko razem. Ci z was, którzy mieli statystykę na poziomie wyższym niż średnia czy mediana, usłyszeli o rozkładzie Poisson czy o modelach liniowych i tak, to co mówi się na wykładach, że są one wykorzystywane do wyliczenia OC, to prawda. A przynajmniej były używane.

Spojler Pokaż

Prezentujący powiedział, że w jego firmie ubezpieczeniowej postanowiono przetestować możliwość wprowadzenia uczenia maszynowego do wyliczenia składek. Możecie więc sobie wyobrazić, że odpowiedni program komputerowy był bombardowany milionami danych, by sam oszacował wielkość możliwej szkody, a następnie porównał z rzeczywistą szkodą. Efekt możecie przewidzieć – przeszkolony program komputerowy wyliczał prawdopodobieństwo szkody lepiej, aniżeli matematyczny model i w ten sposób dobierał wysokość polisy bardziej adekwatnie.


Tak w przybliżeniu możemy wyobrazić sobie sposób, w jaki komputer modeluje.

Wszystko fajnie, jest jednak jedno wielkie, ale to wielkie ALE. O ile model matematyczny można zrozumieć i uzasadnić, tak model dobrany przez komputer jest niewytłumaczalny, nawet dla twórców aplikacji. Oznacza to więc, że popularne stwierdzenie „bo komputer tak wyliczył” (zapraszam po więcej Maszyna myśli, człowiek nie), które kiedyś było używane w kontekście zwyczajnej niewiedzy albo lenistwa, by zrozumieć, tak dzisiaj będzie używane coraz częściej, bowiem naprawdę nikt nie będzie w stanie wyniku komputera zinterpretować i wybronić. Możemy w ten sposób dojść do abstrakcyjnej sytuacji, że komputer wypluje wynik kompletnie bez sensu, ale będziemy uznawać wyższość maszyny, bo przecież się nie myli.

Czytając co nieco o nauczaniu maszynowym, nasuwa się pytanie – czyżby SkyNet był coraz bliżej? Naukowcy twierdzą, że nie, w końcu maszyny uczą się, by pomagać człowiekowi i wyręczać z (monotonnych) zadań, chociaż grupa niezgadzająca się z tą tezą będzie rosła tak szybko, jak szybko uczenie maszynowe będzie odgrywać coraz większa rolę w naszym życiu.

Comments
  • Piterus 1 marca 2018 at 21:46

    Szanuję.

  • NC 8 marca 2018 at 18:40

    Polecam odcinek z Archiwum X 11×07 o wiele mówiącym tytule „Rm9sbG93ZXJz”. Pokazany jest w nim świat, jaki już niedługo może nas otaczać, czyli wszędzie roboty, które będą człowieka na każdym kroku uszczęśliwiać, nawet jeśli on tego nie chce.

  • Ferex 10 marca 2018 at 22:56

    Czy tylko ja przez chwilę poczułem się jakbym słuchał wykładu na studiach?

  • NC 12 marca 2018 at 17:39

    Cześć Ferex ? Poczułeś się jak na wykładzie? Nie do końca. Na wykładzie miałbyś suchą teorię, którą prowadzący prowadzi w ten sam sposób od 30 lat, a pytanie „po co mi to?” nie padnie, bo wszyscy boją się złej miny profesora i oblanego egzaminu .

  • emil 12 marca 2018 at 22:16

    To miałeś chujowych profesorów Kamilu U nas od razu padały sformułowania tak naprawdę po co nam to, profesor taki z 40 letnim stażem odparł „Żeby to ode mnie zależało to ja bym tych głupot nie opowiadał”, zrekompensował nam to potem na egzaminie że tych najgroszych rzeczy nie dał To materiał na osobną notkę bo on przychodził jedynie z aktówką, miał Kodeksy i ustawy, stał na środku sali bądź chodził i opowiadał z głowy. Drugie zajęcia, przychodzi tłumok i odpala laptopa i czyta nam ustawę po kolei a na koniec i tak podeśle zagadnienia, szkoda mojego i jego czasu ;p

  • Piterus 12 marca 2018 at 23:13

    Jak wyżej, zajęcia zajęciom nie równe. Ogólnie słowo wykład się tak trochę pejoratywnie kojarzy chyba, bo właśnie z taką suchą gadką, mówi się nawet przecież „jeju, znów mi wykład robisz”, ale to już taki offtop trochę

  • nc fon 17 marca 2018 at 12:20

    Emil, tylko widzisz, jaki jest sens, że koleś stanie na środku i powie „gdyby nie to, że musze, to bym tego nie gadał”? Motywacja i mobilizacja słuchaczy od razu leci na łeb na szyję.

    A puszczenie slajdów to wg mnie najgorszy sposób na wykład, bo slajdy się po prostu „przewraca” do przodu i tylko wybiórczo komentuje. Slajdy są dobre przy jakiś prezentacjach, jeśli chcemy coś omówić, nie zagłębiając się w szczegóły. 5 minut i nikt nie pamięta o czym to było, ale wnioski końcowe i to, że „było to jakoś logicznie wytłumaczone” zostają.

    Jak dla mnie wykłady powinny opierać się na suchej teorii wraz z solidnymi zastosowaniami w ćwiczeniach, zarówno na kartce papieru jak i na ekranie monitora. No i przede wszystkim, tematyka wykładów powinna być dostosowana do czasów obecnych oraz niedalekiej przyszłości. Jesteśmy w trakcie czwartej rewolucji przemysłowej, komputery i algorytmy stają się ważniejsze od ludzi, więc uniwersytety powinny wziąć to pod uwagę podczas proponowania tematyki wykładów – ale nie, lepiej dać profesorom emerytom do klepania te same wykłady od 50 lat.

  • NC 25 marca 2018 at 15:11

    Materiał dodatkowy:
    Robot Sophia https://www.youtube.com/watch?v=78-1MlkxyqI
    Robot Erica https://www.youtube.com/watch?v=87heidlFqG4

    Czy rzeczywiście chcemy robotów na co dzień?

  • Piterus 25 marca 2018 at 21:53

    Na jednym z lotnisk w PL przy wyjeździe często się maszyna psuje – ta wiecie, że opłacony bilet się skanuje i szlaban się otwiera. Czasem myślę, czy nie lepiej byłoby tam gościa w budce postawić, który by to skanował po prostu. On by robotę miał, a i by nie było, że coś nie działa

  • NC 26 marca 2018 at 19:12

    Ano oczywiście, że byłoby lepiej. Tak jak napisałeś, chłop miałby robotę, a i pasażerom chyba lepiej, jak obsługuje ich człowiek.

    Ale niestety idziemy w kierunku wszechobecnej optymalizacji, czyli ma być lepiej, szybciej i taniej. Wiadomo, że postawienie osoby zamiast maszyny nie jest w myśl optymalizacji, bo może się pomylić, będzie pracował ciut wolniej niż maszyna no i krzyknie sobie stawkę godzinową wiedząc, ile hajsu zarabiają inni na lotnisku.

    Najgorsze jest jednak to, że brnąć w kierunku optymalizacji, w końcu trafimy w ślepy zaułek.

  • Gudio 26 marca 2018 at 19:24

    Polecam serial „Westworld”.

  • Post a comment

    Jeśli chcesz poprawić komentarz JUŻ ZAPISANY, odśwież stronę. Pojawi się wówczas odnośnik, który należy nacisnąć. Możesz to zrobić jedynie w ciągu 5 minut od opublikowania komentarza.

Powered by WordPress | Designed by: Free WordPress Themes | Compare Free WordPress Themes, Compare Premium WordPress Themes and