Это самое мощное направление разработок искусственного интеллекта, когда машины учатся на имеющихся данных и подражают некоторым аспектам деятельности человека. Как раз этим занимается компания Kaggle: мы объединяем усилия сотен тысяч экспертов для решения проблем производства и науки. И получаем уникальное видение того, на что компьютеры способны, а на что нет, в какой профессии они грозят нас заменить, а в какой нет.
Машинное обучение стало проникать в производство в начале 1990-х. Сначала роботы выполняли несложную работу: оценивали заявки на получение кредита, сортировали корреспонденцию. Но за последние несколько лет произошёл серьёзный прорыв. В 2012 году мы поставили своим сотрудникам задачу разработать алгоритм оценивания школьных сочинений. Лучшие алгоритмы выставляли ученикам те же оценки, что и учителя. В прошлом году задание было ещё сложнее: диагностировать по фотографиям глазную болезнь - диабетическую ретинопатию. И снова лучшие алгоритмы ставили те же диагнозы, что и хорошие офтальмологи.
При наличии достаточной информации машины превзойдут людей в решении таких задач. За сорокалетнюю карьеру учитель прочитывает порядка 10 000 сочинений, а офтальмолог осматривает 50 000 глаз. Компьютер "прочитает" миллион сочинений или "увидит" миллионы глаз всего за несколько минут. Нам не угнаться за машинами в выполнении заданий, где главное - высокая частота повторения операций и большой объём данных.
Но кое в чём нам всё-таки нет равных. Компьютеры плохо справляются с непривычными ситуациями. Главная проблема машинного обучения в том, что для него нужны большие массивы накопленных данных. А люди справляются и без этого. Мы способны соединять, казалось бы, разрозненные идеи, решать проблемы, с которыми сталкиваемся впервые.
Перси Спенсер, физик, работавший в годы Второй мировой войны над созданием радара, однажды заметил, что под действием магнетрона его шоколадка растаяла. Он соединил свои знания об электромагнитном излучении и навыки кулинарии и в итоге изобрёл - угадаете? - микроволновую печь.
Это занятный пример творческого подхода, но подобный синтез идей каждый из нас осуществляет тысячи раз в день - по мелочи. Машинный же разум, напротив, не может справиться с уникальными ситуациями. Именно это накладывает фундаментальные ограничения на круг работ, в которых компьютеры могут нас заменить.
Что всё это означает с точки зрения профессиональной занятости? Будущее любой работы или специальности зависит от соотношения часто повторяющихся, объёмных операций и уникальных задач. Машины всё лучше выполняют задания первого типа. Сейчас они оценивают сочинения и диагностируют болезни, а со временем научатся, например, проводить аудит или юридическую экспертизу типовых договоров. Роботов будут охотно брать на должности бухгалтеров и юристов - у людей эти профессии станут менее популярны.
Зато в решении новаторских задач машины, как я уже говорил, не преуспели. Например, реклама - она должна быть уникальной, выделяться на фоне других, чтобы привлекать внимание потребителей. Или бизнес-стратегия - она позволяет найти на рынке уникальные, ещё не освоенные ниши. Поэтому рекламу и бизнес-стратегии могут создавать только люди.
Итак, чем бы вы ни занимались, пусть каждый день ставит перед вами новые вопросы. В этом случае для работодателя вы всегда будете лучше машины.
Из выступления на конференции TED