W poprzedniej części naszej serii Zrozumieć uczenie maszynowe pokazywaliśmy, że maszyny uczą się przez wykonywanie wielu doświadczeń i wyciąganie na ich podstawie wniosków. Dodaliśmy również, że maszyna jest w stanie na podstawie tych doświadczeń znaleźć sprawdzające się schematy, ale w ich interpretowaniu często człowiek okazuje się lepszy.
Komputer otrzymawszy listę symptomów na które cierpi pacjent, może porównać je z bazą danych zdiagnozowanych pacjentów i postawić swoją predykcję diagnozy. Ale doświadczony lekarz, mający prawdopodobnie w pamięci mniejszą liczbę przypadków, wciąż postawi pewniejszą diagnozę – bierze pod uwagę wiele czynników których nie można zapisać jasno w formie danych.
Po co nam zatem nauczanie maszynowe? Czy są takie sytuacje, w których jest ono ważne?.
Nawet sprawny pracownik banku, będzie w stanie ocenić dziennie zdolność kredytową jedynie kilkudziesięciu petentów. Poza tym, spójrzmy prawdzie w oczy – jesteśmy tylko ludźmi i w pracy ulegamy zmęczeniu czy roztargnieniu. Komputer może przez ten czas dokonać podobnej decyzji dla dziesiątek tysięcy potencjalnych kredytobiorców, z niezmienną efektywnością.
1:0 dla maszyn.
Wyobraź sobie, że jesteś agentem ubezpieczeniowym i masz za zadanie ocenić prawdopodobieństwo wystąpienia szkody u osoby ubezpieczanej… Do dyspozycji masz szereg danych, przecież żyjemy w czasach Big Data, np. płeć, wiek, zawód, zarobki, sytuację kredytową, częstotliwość podróży, typ lokum, stan cywilny, miejsce zamieszkania….Stop! I teraz spróbuj ocenić jaki wpływ mają te czynniki na możliwość spowodowania wypadku przez tą osobę. W pewnym momencie, poddamy się i wybierzemy 2-3 najważniejsze naszym zdaniem parametry do oceny. A maszyna? Maszyna oceni wpływ poszczególnych zmiennych dla wszystkich ubezpieczających się i bez problemu weźmie pod uwagę 1000 zmiennych, szeregując je od najważniejszych do najmniej ważnych. I to w mgnieniu oka.
2:0 dla maszyn.
Eksperci często mają problem z określeniem dokładnych prawdopodobieństw i modyfikacji swojej oceny na podstawie analizy kosztów. Ekspert będzie oceniał czy dana osoba spłaci kredyt i pomyli się relatywnie rzadko, traktując pomyłki w obie strony jednakowo (przydzielenie kredytu nierzetelnemu kredytobiorcy oraz nie przydzielenie takiemu, który spłaci kredyt). Jeśli jednak powiemy mu, że uznajemy koszt dania kredytu osobie nierzetelnej za 3 razy większy niż odmówienia kredytu osobie, która go spłaci, ekspert będzie miał problem ze zmianą swojego systemu oceniania – jest on dla niego intuicyjny nie ścisły.
Maszyna natomiast idealnie ustawi swoją ocenę prawdopodobieństwa tego wydarzenia, tak by zminimalizować koszta.
3:0 dla maszyn…przykro mi, ludzie.
Każdy podejmując decyzję musi się liczyć, że będzie ona błędna. W następnej części opowiemy o tym jak maszyny minimalizują ryzyko podjęcia błędnej decyzji.