Ο επικεφαλής του Google Brain λέει ότι η βαθιά μάθηση είναι πολύπλοκη και όσοι τη χειρίζονται, θα χρειαστούν αρκετή προσπάθεια για να τα καταφέρουν.
Ένα από τα πράγματα που συζητούν συχνά οι άνθρωποι και το καταδεικνύουν ως μειονέκτημα αναφορικά με την ιδιαίτερη κατηγορία της βαθιάς μάθησης ώστε να συμβάλει τα μέγιστα στην τεχνητή νοημοσύνη ΑΙ είναι ότι απαιτεί πολλά δεδομένα για να εργαστεί με αρτιότητα. Αλλά ποιος είναι ο όγκος όταν εννοούμε αρκετά δεδομένα;
“Θα έλεγα ότι κάθε επιχείρηση που έχει δεκάδες ή εκατοντάδες χιλιάδες αλληλεπιδράσεις με τους πελάτες της έχει ένα μετρήσιμο δείκτη και μια κλίμακα για να αρχίσει να σκέφτεται για τη χρήση τέτοιων πράξεων”, δήλωσε ο Jeff Dean, ένας ανώτερος συνεργάτης της Google. “Εάν έχετε μόνο δέκα παραδείγματα, προφανώς θα είναι δύσκολο να κάνετε μία σωστή εργασία στη βαθιά εκμάθηση. Αν έχετε 100.000 πράγματα που σας ενδιαφέρουν, αυτό είναι το είδος της κλίμακας όπου θα πρέπει πραγματικά να αρχίσετε να σκέφτεστε για τέτοιου είδους τεχνικές ».
Ο Dean γνωρίζει όσο κανένας άλλος τις σημαντικές λεπτομέρειες σχετικά με τη βαθιά εκμάθηση – είναι ο επικεφαλής της ομάδας του Google Brain, μια ομάδα ερευνητών που επικεντρώνεται σε ένα ευρύ φάσμα προβλημάτων στην επιστήμη των υπολογιστών και την τεχνητή νοημοσύνη. Εργάζεται με νευρωνικά δίκτυα από τη δεκαετία του 1990, όταν έγραψε την προπτυχιακή του διατριβή πάνω στα τεχνητά νευρωνικά δίκτυα.
Κατά την άποψή του, οι τεχνικές μηχανικής μάθησης έχουν την ευκαιρία να επηρεάσουν κάθε βιομηχανία, αν και ο ρυθμός με τον οποίο αυτό θα συμβεί εξαρτάται από τον κλάδο.
Υπάρχουν ακόμα πολλά εμπόδια που πρέπει να αντιμετωπίσουν οι άνθρωποι πριν να πάρουν τα δεδομένα που έχουν και να τα μετατρέψουν για να τροφοδοτήσουν την ευφυΐα των μηχανών. Προκειμένου να είναι χρήσιμα για τη μηχανική μάθηση, τα δεδομένα πρέπει να υποβάλλονται σε επεξεργασία, πράγμα που μπορεί να απαιτήσει χρόνο και (τουλάχιστον κατά την πρώτη) σημαντική ανθρώπινη παρέμβαση.
“Υπάρχει πολλή δουλειά στα συστήματα μηχανικής μάθησης που πρέπει να γίνει στο παρασκήνιο και αυτό απαιτεί πόρους, είτε εργατικό δυναμικό, είτε χρήματα “, δήλωσε ο Dean. “Επομένως απαιτείται να γίνουν πολλά από τους διαχειριστές. Πρέπει να συγκεντρώσετε τα δεδομένα όλα σε ένα μέρος, και σε πρώτη φάση χρειάζεται να γίνει κατηγοριοποίηση με ετικέτες. Στη συνέχεια να ακολουθήσει η επεξεργασία των δεδομένων για να δημιουργήσετε το σύνολο δεδομένων πού θα θέλατε για την μηχανική μάθηση”.
Ένας τομέας που η Google θέλει να αντιμετωπίσει προκειμένου να συμβάλει στη διευκόλυνση της διαδικασίας δημιουργίας μηχανικών συστημάτων μάθησης είναι να χρησιμοποιεί το machine learning για να καθορίσει το σωστό σύστημα για την επίλυση ενός συγκεκριμένου προβλήματος. Είναι ένα δύσκολο πρόβλημα που δεν έχει διαλευκανθεί μέχρι στιγμής, αλλά ο Dean είπε ότι η σκληρή εργασία επάνω στα αντικείμενο είναι ελπιδοφόρα και πιθανόν αργά ή γρήγορα να αποδώσει καρπούς.