Γουίλσον Πανγκ, Συγγραφέας του Real World AI – Σειρά Συνεντεύξεων

Ο Γουίλσον Πανγκ εντάχθηκε στην Appen τον Νοέμβριο του 2018 ως Διευθύνων Σύμβουλος Τεχνολογίας και είναι υπεύθυνος για τα προϊόντα και την τεχνολογία της εταιρείας. Ο Γουίλσον έχει πάνω από δεκαεννέα χρόνια εμπειρίας στη μηχανική λογισμικού και την επιστήμη των δεδομένων. Πριν από την ένταξή του στην Appen, ο Γουίλσον ήταν Διευθυντής Δεδομένων της Ctrip στην Κίνα, της δεύτερης μεγαλύτερης εταιρείας διαδικτυακών ταξιδιωτικών υπηρεσιών στον κόσμο, όπου ηγήθηκε ομάδων μηχανικών δεδομένων, αναλυτών, προϊοντικών διευθυντών δεδομένων και επιστημόνων για τη βελτίωση της εμπειρίας του χρήστη και την αύξηση της λειτουργικής αποτελεσματικότητας που οδήγησε στην ανάπτυξη της επιχείρησης. Πριν από αυτό, ήταν ανώτερος διευθυντής μηχανικής στο eBay στην Καλιφόρνια και παρείχε ηγεσία σε διάφορους τομείς, συμπεριλαμβανομένων των υπηρεσιών δεδομένων και λύσεων, επιστήμης αναζήτησης, τεχνολογίας μάρκετινγκ και συστημάτων χρέωσης. Εργάστηκε ως αρχιτέκτονας στην IBM πριν από το eBay, κατασκευάζοντας τεχνολογικές λύσεις για διάφορους πελάτες. Ο Γουίλσον απέκτησε το μεταπτυχιακό και το πτυχίο του στη μηχανική ηλεκτρονικών από το Πανεπιστήμιο Zhejiang στην Κίνα.

Συζητάμε το νέο του βιβλίο: Το Πραγματικό Κόσμο του AI: Ένας Πρακτικός Οδηγός για την Υπεύθυνη Μηχανική Μάθηση

Περιγράψτε πώς, όταν ηγήθηκες των ομάδων επιστήμης αναζήτησης του eBay, μια από τις πρώτες σας μαθήματα με τη μηχανική μάθηση ήταν η κατανόηση της σημασίας της γνώσης των μετρήσεων που πρέπει να μετρηθούν. Το παράδειγμα που δόθηκε ήταν πώς το μέτρο “αγορές ανά συνεδρία” δεν έλαβε υπόψη την οικονομική αξία ενός αντικειμένου. Πώς μπορούν οι εταιρείες να κατανοήσουν ποια μέτρα πρέπει να μετρηθούν για να αποφευχθούν παρόμοια προβλήματα;

Ξεκινήστε με τους στόχους που αποδίδει η ομάδα σας στο μοντέλο AI – στην περίπτωσή μας, θέλαμε να οδηγήσουμε περισσότερα έσοδα με τη μηχανική μάθηση. Όταν συνδέσετε μετρήσεις με τους στόχους, σκεφτείτε ποια μηχανική θα παράγουν αυτές οι μετρήσεις, μια φορά που θα κυκλοφορήσετε το μοντέλο και οι άνθρωποι θα αρχίσουν να αλληλεπιδρούν με αυτό, αλλά και να σημειώσετε τις υποθέσεις σας. Στην περίπτωσή μας, υποθέσαμε ότι το μοντέλο θα βελτιστοποιήσει τα έσοδα, αλλά ο αριθμός των αγορών ανά συνεδρία δεν μετέτρεψε σε αυτό, επειδή το μοντέλο βελτιστοποιούσε για υψηλό αριθμό πωλήσεων χαμηλής αξίας, και στο τέλος της ημέρας δεν κερδίζαμε περισσότερα χρήματα. Μόλις συνειδητοποιήσαμε αυτό, смог να αλλάξουμε τις μετρήσεις και να κατευθύνουμε το μοντέλο στη σωστή κατεύθυνση. Έτσι, η καθορισμός των μετρήσεων και η σημείωση των υποθέσεων είναι κρίσιμες για την επιτυχία του έργου.

Τι έμαθες προσωπικά από την έρευνα και τη συγγραφή αυτού του βιβλίου;

Έχουμε πολλά διαφορετικά προβλήματα που μπορούν να λυθούν από το AI από διαφορετικές εταιρείες και βιομηχανίες. Οι περιπτώσεις χρήσης μπορούν να είναι πολύ διαφορετικές, η λύση AI μπορεί να είναι διαφορετική, τα δεδομένα για την εκπαίδευση της λύσης AI μπορεί να είναι διαφορετικά. Ωστόσο, ανεξάρτητα από όλες αυτές τις διαφορές, τα λάθη που κάνουν οι άνθρωποι κατά τη διάρκεια του ταξιδιού τους στο AI είναι khá παρόμοια. Αυτά τα λάθη συνέβησαν ξανά και ξανά σε όλων των ειδών τις εταιρείες από όλων των ειδών τις βιομηχανίες.

Μοιραζόμαστε κάποιες κοινές besten πρακτικές όταν εφαρμόζουμε έργα AI με την ελπίδα να βοηθήσουμε περισσότερους ανθρώπους και εταιρείες να αποφύγουν αυτά τα λάθη και να κερδίσουν την εμπιστοσύνη να αναπτύξουν υπεύθυνο AI.

Τι είναι κάποια από τα πιο σημαντικά μαθήματα που ελπίζετε ότι οι άνθρωποι θα πάρουν από την ανάγνωση αυτού;

Πιστεύουμε έντονα ότι οι σκέπτες, υπεύθυνες και ηθικές χρήσεις της τεχνολογίας μηχανικής μάθησης μπορούν να κάνουν τον κόσμο ένα πιο δίκαιο, δίκαιο και περιεκτικό τόπο. Η τεχνολογία μηχανικής μάθησης υπόσχεται να αναμορφώσει όλα τα πεδία του επιχειρηματικού κόσμου, αλλά δεν πρέπει να είναι δύσκολο. Υπάρχουν δοκιμασμένες και εγκεκριμένες μεθόδους και διαδικασίες που οι ομάδες μπορούν να ακολουθήσουν και να κερδίσουν την εμπιστοσύνη να αναπτύξουν παραγωγή.

Ένα άλλο κρίσιμο μάθημα είναι ότι οι ιδιοκτήτες της γραμμής επιχείρησης (όπως οι προϊοντικοί διευθυντές) και τα μέλη της ομάδας από την πιο τεχνική πλευρά (όπως οι μηχανικοί και οι επιστήμονες δεδομένων) πρέπει να μιλήσουν μια κοινή γλώσσα. Για να αναπτύξουν επιτυχώς AI, οι ηγέτες πρέπει να γεφυρώσουν το χάσμα μεταξύ των ομάδων, παρέχοντας στους ειδικούς επιχειρήσεων και τους διευθυντές enough контекст για να συνομιλήσουν αποτελεσματικά με τους τεχνικούς υλοποιητές.

Πολλοί άνθρωποι σκέφτονται πρώτα τον κώδικα όταν σκέφτονται το AI. Ένα από τα κρίσιμα μαθήματα στο βιβλίο είναι ότι τα δεδομένα είναι κρίσιμα για την επιτυχία του μοντέλου AI. Υπάρχει πολύ που συνδέεται με τα δεδομένα από τη συλλογή έως την επισήμανση, την αποθήκευση και κάθε βήμα θα επηρεάσει την επιτυχία του μοντέλου. Οι πιο επιτυχημένες αναπτύξεις AI είναι αυτές που δίνουν μεγάλη έμφαση στα δεδομένα και αγωνίζονται να βελτιώσουν συνεχώς αυτό το μέρος του μοντέλου ML.

Όλα τα πραγματικά AI απαιτούν μια διαλειτουργική ομάδα και einen καινοτόμο πνεύμα.

Συζητήθηκε η καθορισμός του πότε η ακρίβεια ενός μοντέλου AI είναι αρκετά υψηλή για να υποστηρίξει τη χρήση AI. Ποια είναι η πιο εύκολη τρόπος για να αξιολογήσετε τον τύπο ακρίβειας που χρειάζεται;

Εξαρτάται από τις περιπτώσεις χρήσης και την αντοχή στο ρίσκο. Οι ομάδες που αναπτύσσουν AI πρέπει πάντα να έχουν μια φάση δοκιμών όπου καθορίζουν τα επίπεδα ακρίβειας και τα αποδεκτά όρια για τις οργανώσεις και τους ενδιαφερόμενους. Για περιπτώσεις χρήσης ζωής ή θανάτου – όπου υπάρχει πιθανότητα βλάβης εάν το AI πάει λάθος, όπως στην περίπτωση λογισμικού δίωξης, αυτονομίας οχημάτων, ιατρικών περιπτώσεων, η μπάρα είναι πολύ, πολύ υψηλή – και οι ομάδες πρέπει να θέσουν σε ισχύ μέτρα για τις περιπτώσεις που τα μοντέλα είναι λάθος. Για περιπτώσεις χρήσης που είναι πιο ανεκτικές σε λάθη – όπου υπάρχει πολλή υποκειμενικότητα στο παιχνίδι – όπως περιεχόμενο, αναζήτηση ή σχετικότητα διαφημίσεων, οι ομάδες μπορούν να βασιστούν στις υποβολές χρηστών για να συνεχίσουν να điều chỉnh τα μοντέλα τους ακόμη και κατά τη διάρκεια της παραγωγής. Φυσικά, υπάρχουν κάποιες υψηλού κινδύνου περιπτώσεις εδώ, επίσης, όπου παράνομο ή αморφωτικό υλικό μπορεί να εμφανιστεί στους χρήστες, οπότε πρέπει να υπάρχουν φραγμοί και μηχανισμοί ανατροφοδότησης.

Μπορείτε να ορίσετε τη σημασία της ορισμού της επιτυχίας για ένα έργο από την αρχή;

Είναι εξίσου σημαντικό να ξεκινήσετε με ένα επιχειρηματικό πρόβλημα όσο και να ορίσετε την επιτυχία από την αρχή, καθώς τα δύο πηγαίνουν χέρι χέρι. Ακολουθώντας το παράδειγμα στο βιβλίο για τον αυτοκινητοβιομηχάνη που χρησιμοποιεί AI για να επισήμανει εικόνες, δεν καθόρισαν τι σημαίνει επιτυχία, επειδή δεν είχαν ορίσει ένα επιχειρηματικό πρόβλημα να λυθεί. Η επιτυχία για αυτούς θα μπορούσε να είναι πολλά διαφορετικά πράγματα, γεγονός που καθιστά δύσκολο να λυθεί ένα πρόβλημα, ακόμη και για ομάδες ανθρώπων, όχι μόνο για ένα μοντέλο μηχανικής μάθησης με einen σταθερό σκοπό. Εάν είχαν ορίσει την επιτυχία ως την επισήμανση όλων των οχημάτων με δakov για να δημιουργήσουν μια λίστα οχημάτων που χρειάζονται επισκευή και είχαν ορίσει την επιτυχία ως την ακριβή επισήμανση του 80% όλων των δakov στο μενού των μεταχειρισμένων αυτοκινήτων, τότε όταν θα είχαν επισήμανει ακριβώς το 85%, η ομάδα θα είχε ονομάσει αυτό επιτυχία. Αλλά αν αυτή η επιτυχία δεν συνδέεται με το επιχειρηματικό πρόβλημα και με την άμεση επιχειρηματική επίδραση, είναι δύσκολο να αξιολογήσετε το έργο εκτός από την επικεντρωμένη ορισμό της ακρίβειας επισήμανσης σε αυτό το παράδειγμα. Εδώ, το επιχειρηματικό πρόβλημα ήταν πιο σύνθετο, και η επισήμανση δakov είναι μόνο ένα μέρος του. Στην περίπτωσή τους, θα ήταν καλύτερο να ορίσουν την επιτυχία ως εξοικονόμηση χρόνου/χρημάτων στη διαδικασία αξίωσης ή την βελτίωση της διαδικασίας επισκευών κατά X% και στη συνέχεια να μεταφράσουν την επίδραση της επισήμανσης σε πραγματικές επιχειρηματικές αποτελέσματα.

Πόσο σημαντικό είναι να διασφαλιστεί ότι τα παραδείγματα δεδομένων εκπαίδευσης καλύπτουν όλες τις περιπτώσεις χρήσης που θα συμβούν στην παραγωγή;

Είναι εξαιρετικά σημαντικό ότι το μοντέλο πρέπει να εκπαιδευτεί σε όλες τις περιπτώσεις χρήσης για να αποφευχθεί η προκατάληψη. Αλλά είναι επίσης σημαντικό να σημειωθεί ότι, ενώ είναι αδύνατο να καλύψουν απόλυτα όλες τις περιπτώσεις χρήσης στην παραγωγή, οι ομάδες που xây dựng AI πρέπει να κατανοήσουν τα δεδομένα παραγωγής, καθώς και τα δεδομένα εκπαίδευσης, ώστε να εκπαιδεύσουν το AI για αυτό που θα συναντήσει στην παραγωγή. Η πρόσβαση σε δεδομένα εκπαίδευσης που προέρχονται από μεγάλες και διαφορετικές ομάδες με διάφορες περιπτώσεις χρήσης θα είναι κρίσιμη για την επιτυχία του μοντέλου. Για παράδειγμα, ένα μοντέλο που έχει εκπαιδευτεί για να αναγνωρίσει τα κατοικίδια των ανθρώπων σε μια ανεβαμένη εικόνα πρέπει να εκπαιδευτεί σε όλα τα είδη κατοικίδιων: σκύλους, γάτες, πουλιά, μικρά θηλαστικά, ερπετά, κ.λπ. Εάν το μοντέλο έχει εκπαιδευτεί μόνο σε σκύλους, γάτες και πουλιά, τότε όταν κάποιος ανεβάσει μια εικόνα με το γουίνι πίγκου, το μοντέλο δεν θα μπορέσει να το αναγνωρίσει. Αν και αυτό είναι ένα πολύ απλό παράδειγμα, δείχνει πώς η εκπαίδευση σε όλα τα πιθανά παραδείγματα είναι κρίσιμη για την επιτυχία του μοντέλου.

Συζητήθηκε στο βιβλίο η ανάγκη να αναπτύξουν καλές συνήθειες υγιεινής δεδομένων από την κορυφή προς τα κάτω, τι είναι κάποιες κοινές πρώτες βήματα για να καλλιεργήσουν αυτή τη συνήθεια;

Οι καλές συνήθειες υγιεινής δεδομένων θα αυξήσουν τη χρησιμότητα των εσωτερικών δεδομένων και θα τις προετοιμάσουν για περιπτώσεις χρήσης ML. Όλη η εταιρεία πρέπει να γίνει καλή στην οργάνωση και τη διατήρηση των συνόλων δεδομένων. Ένας βέβαιος τρόπος για να το πετύχει αυτό είναι να το κάνουν ένα επιχειρηματικό απαιτούμενο και να το παρακολουθούν, ώστε να υπάρχουν πολύ λίγες αναφορές που θα είναι ειδικές εργασίες, και οι ομάδες θα δουλεύουν όλο και περισσότερο με δεδομένα που κατευθύνονται σε ένα κεντρικό αποθετήριο, με μια σαφή οντολογία. Μια άλλη καλή πρακτική είναι να κρατούν ένα αρχείο του πότε και πού συλλέχθηκαν τα δεδομένα και τι συνέβη σε αυτά πριν από την τοποθέτησή τους στη βάση δεδομένων, καθώς και να καθορίσουν διαδικασίες για την καθαρισμό των μη χρησιμοποιούμενων ή παλαιών δεδομένων περιοδικά.

Ευχαριστώ για τη μεγάλη συνέντευξη, για τους αναγνώστες που ενδιαφέρονται να μάθουν περισσότερα, σας συνιστώ να διαβάσετε το βιβλίο Το Πραγματικό Κόσμο του AI: Ένας Πρακτικός Οδηγός για την Υπεύθυνη Μηχανική Μάθηση.