Пять причин требующих человеко-машинного сотрудничества в будущем Big Data.

05.01.2018

Сбор, анализ и интерпретация данных становятся важными для большего количества предприятий и большего количества людей, чем когда-либо прежде. Теперь, когда у нас есть автоматизированные инструменты для обработки этих данных, мы можем принимать более правильные решения — и более экономически выгодно. Поскольку все больше компаний используют эту тактику, конкуренция возрастает, и становится еще более необходимо использовать эту эффективность. Однако реальное будущее управления данными связано не только с машинами, но и с человеко-машинными интерфейсами и сотрудничеством.
Почему люди все еще необходимы (и почему нам нужны машины).

У нас уже есть машины, которые могут побеждать людей в играх чистой логики — даже смехотворно сложных, таких как Go — поэтому, предполагая, что алгоритмы машинного обучения станут еще лучше в течение следующих нескольких лет, почему люди даже будут необходимы в сборе и интерпретации больших данные? И если люди как-то лучше принимают эти решения, зачем беспокоиться о создании машин?

1. Машины нуждаются в направлении. Машины — или, по крайней мере, те, которые мы можем предвидеть, — обладают высокой квалификацией в ответах на вопросы и ужасны при создании вопросов, которые необходимо задать. Большие данные прекрасно освещают эту проблему; Представьте, что у вас есть квадриллионы точек данных, собранных от миллионов людей. По всей вероятности, если бы вы знали правильные вопросы, чтобы спросить, и у вас была машина для сбора данных, вы могли бы легко найти ответ, который вы ищете. Но машины не видят шаблонов или значений в данных; они могут только получить его или объединить его способами, предписанными людьми. Соответственно, люди остаются необходимой частью уравнения.

2. Не все вещи легко поддаются количественной оценке. Вы также должны понимать, что не все решения легко поддаются количественной оценке. В некоторых сценариях вам будут представлены два варианта, один из которых по своей сути более экономичен, без реальных недостатков. Но в других решениях это не так ясно. В качестве примера возьмем управление портфелем проектов; вы не можете использовать один критерий или даже неизменную совокупность критериев, чтобы приоритезировать один проект над другим. Вот почему для машин полезно количественно определять и проектировать то, что они могут, но людям по-прежнему необходимо сделать окончательный звонок.

3. Человеческие уклоны. Когда вы сталкиваетесь с объективными ценностями и данными, мы не можем не искажать эту информацию, основанную на наших собственных постоянных когнитивных уклонах. Например, если мы отбросим данные с предположением, которое уже имеет в виду, даже если оно будет только тонким, а в фоновом режиме — мы найдем и определим приоритеты любых данных, которые подтвердят эти предположения. Машины не могут этого сделать, потому что они не будут выходить за пределы установленных для них логических параметров.

4. Ограничения на обработку. AI еще не превзойдет общие способности человеческого мозга, но в конкретных приложениях его нельзя превзойти. Все, что требует математических вычислений, может быть сделано быстрее машиной, чем с человеком, пытающимся использовать ручной подход. Однако у машин также есть ограничения; люди видят сложные наборы данных и автоматически отфильтровывают то, что не нужно, инстинктивно хонинговать на шаблонах высокого уровня. В машинах эти шаблоны нужно изучать или открывать с нуля, иначе они будут грубыми вычислениями по одному за раз, пока они не придут к выводу; вот почему Go намного сложнее для компьютерных программ, чем для шахмат. Поскольку люди и машины имеют ограничения на обработку, они нуждаются друг в друге, чтобы продвигаться вперед.
5. Долгосрочная гибкость. Великие мыслители долго размышляли о силе машинно-человеческого интерфейса, и некоторые (как Илон Маск) прилагают все усилия, чтобы сделать его реальностью. Нам не нужны машины, встроенные в наши мозги, но работа с человеко-машинным интерфейсом дает нам гораздо большую гибкость в будущих разработках, чем отказ от технологий или приоритетное использование исключительно технологий.

Большие данные были огромным технологическим шагом вперед для человечества, особенно в технологическом секторе, но если мы будем использовать его эффективно, нам нужно подумать о том, как мы можем применять и интерпретировать его как с машинами, так и с людьми. Только вместе мы будем иметь как вычислительную мощность, необходимую для того, чтобы сделать большие данные экономичными, так и изобретательность, чтобы избежать пределов чистой обработки машины.