עלייתם של מומחי תחום בלמידה עמוקה

ג'רמי הווארד הוא חוקר בינה מלאכותית והמייסד השותף של fast.ai, פלטפורמה ללא מומחים ללמוד בינה מלאכותית ולמידת מכונה. לפני שהחל את fast.ai, הוא ייסד מספר חברות - כולל FastMail ו-Enlitic, חלוצה ביישום למידה עמוקה לתחום הרפואי - והיה נשיא ומדען ראשי של פלטפורמת התחרות למידת מכונה Kaggle. 

בראיון זה, הווארד דן במה זה אומר עבור תעשיות שונות ואפילו אזורים גלובליים כעת, כאשר אנשים ללא דוקטורט ממעבדות מחקר מיוחדות יכולים לבנות ולעבוד עם מודלים של למידה עמוקה. בין שאר הנושאים תחת מטריה רחבה זו, הוא חולק את מחשבותיו כיצד להתעדכן בצורה הטובה ביותר עם טכניקות מתקדמות, הנדסה מהירה כמערכת מיומנויות חדשה, והיתרונות והחסרונות של מערכות יצירת קוד כמו קודקס.

---

עתיד: לאחר הפעלת fast.ai במשך השנים האחרונות, מהן ההשפעות שאתה רואה מכך שיש עוד כל כך הרבה אנשים מכירים את המושגים הבסיסיים של למידה עמוקה - לעומת לפני מספר שנים כשאנשים עם הידע היו חדי קרן?

ג'רמי הווארד: כשהתחלנו את fast.ai, היו, בעצם, חמש מעבדות מחקר משמעותיות באוניברסיטאות שעבדו על למידה עמוקה - והאנשים היחידים שידעו לעשות כמעט כל דבר עם למידה עמוקה היו אנשים שהיו בחמש המעבדות האלה, או היו בהן. . בסך הכל, הקוד לא פורסם, שלא לדבר על נתונים. ואפילו המסמכים לא פרסמו את הפרטים של איך לגרום לזה לעבוד בפועל, בין השאר משום שלמקומות אקדמיים לא היה אכפת במיוחד מהיישום המעשי. זה היה מאוד ממוקד בתיאוריה. 

אז כשהתחלנו, זו הייתה שאלה מאוד ספקולטיבית של, "האם אפשר לעשות למידה עמוקה ברמה עולמית ללא דוקטורט?". כעת אנו יודעים שהתשובה היא כן; הראינו את זה בקורס הראשון שלנו. הבוגרים הראשונים שלנו המשיכו ליצור פטנטים באמצעות למידה עמוקה, לבנות חברות באמצעות למידה עמוקה ולפרסם במקומות מובילים באמצעות למידה עמוקה. 

אני חושב שהשאלה שלך היא בדיוק השאלה הנכונה, שעוסקת במה שקורה כשמומחי תחום הופכים למתרגלים יעילים בלמידה עמוקה? שם ראינו את הדברים המעניינים ביותר שקורים. באופן כללי, הסטארט-אפים הטובים ביותר הם אלה שנבנו על ידי אנשים שבאופן אישי יש להם גירוד להתגרד. פעם הם היו מגייסים, אז הם עושים סטארט-אפ גיוס, או שהם היו עורכי דין, אז הם עושים סטארט-אפ חוקי, או מה שלא יהיה. והם, כמו, "אוי, אני שונא את הדבר הזה על העבודה שהייתה לי. ועכשיו, כשאני יודע על למידה עמוקה, אני יודע שכמעט יכולתי להפוך את כל העניין הזה לאוטומטי".

הרבה מהסטודנטים שלנו גם עושים או עשו את הדוקטורט שלהם, אבל לא במתמטיקה או במדעי המחשב; במקום זאת, הם עושים אותם בכימואינפורמטיקה, פרוטאומיקה, עיתונות נתונים או כל דבר אחר. ולעתים קרובות אנו מגלים שהם מסוגלים לקחת את המחקר שלהם לרמה אחרת לגמרי. לדוגמה, אנחנו מתחילים לראות לראשונה כמה מאגרי מידע גדולים וגופי נתונים של חומרי ספרייה ציבורית שמתחילים להופיע באינטרנט. ויש אנשים בתחום הזה - מדעי הספרייה - שעושים עכשיו דברים שבהם אף אחד לא עלה בדעתו שהם יכולים לעשות משהו בקנה מידה כזה קודם לכן. אבל פתאום, זה כמו, "אוי, אלוהים, תראה מה קורה כשאתה מנתח ספרייה בתור דבר". 

נתתי הרצאה בכנס גידול בעלי חיים שבו כולם דיברו על למידה עמוקה. מבחינתי זה שימוש ממש לא מובן מאליו, אבל בעיניהם זה השימוש הכי ברור. אנשים משתמשים בו כדי לפתור בעיות בעולם האמיתי תוך שימוש בנתונים מהעולם האמיתי בתוך אילוצים של העולם האמיתי.

נראה מהניסיון שלי, בשנים האחרונות, שניתן ליישם למידה עמוקה כמעט בכל תעשייה - לא כל חלק כל תעשייה, אבל כמה חלק מ כמעט כל תעשייה. 

הכרנו בחור אחד שעשה הרבה דברים מעניינים עם אבחון מלריה, שכמו שאתה יכול לדמיין, היא לא הבעיה העיקרית שאנשים בסן פרנסיסקו ניסו לפתור.

נראה כי היפוך של בסיסי ידע - למידה עמוקה המשלימה כעת למומחיות בתחום - עשוי לשנות את האיזון בין תיאוריה ליישום.

נכון, ואתה יכול לראות את זה קורה. אחד הדברים הגדולים בתחילת עידן הלמידה העמוקה היה העבודה שהמוח של גוגל עשה, שם הם ניתחו הרבה סרטוני יוטיוב וגילו ש חתולים היו גורם סמוי בסרטונים רבים. הדגם שלהם למד לזהות חתולים כי הוא ראה כל כך הרבה מהם. וזו עבודה מאוד מעניינת, אבל אף אחד לא הלך ובנה על זה חברה. 

הדברים שאנשים היו בניין - שוב, שימושי, אבל בתחומים מסוימים - כמו גוגל ואפל חיפוש תמונות תמונות הפך די טוב די מהר כי אתה יכול לחפש את הדברים שהיו בתמונות. זה ממש מועיל. וזה מסוג הדברים שכולם עבדו עליהם - או דברים ממש מופשטים או דברים אמיתיים של בעיות בעולם הראשון. אין בזה שום דבר רע, אבל יש גם הרבה דברים אחרים שצריך לעבוד עליהם. 

אז התרגשתי כאשר, אחרי כמה שנים, הסתכלתי על הדמוגרפיה של האנשים שעשו את הקורס שלנו וגיליתי שאחת הערים הגדולות מחוץ לארה"ב היא לאגוס [בירת ניגריה]. חשבתי שזה באמת נהדר כי זו קהילה שלא עסקה בעבר בלמידה עמוקה. ממש שאלתי אנשים בקורס הראשון: "מישהו כאן מאפריקה?" ואני חושב שהיה בחור אחד מחוף השנהב שהיה צריך לצרוב דברים על CD-ROM בספרייה שלו כי אין להם מספיק חיבור לאינטרנט. אז זה באמת גדל די מהר.

ואז זה היה נחמד כי התחלנו לקבל קבוצות של אנשים מאוגנדה, קניה וניגריה שטסו לסן פרנסיסקו לעשות את הקורס באופן אישי ולהכיר אחד את השני. הכרנו בחור אחד, למשל, שעשה הרבה דברים מעניינים עם אבחון מלריה, שכמו שאתם יכולים לדמיין, היא לא הבעיה העיקרית שאנשים בסן פרנסיסקו ניסו לפתור.

זה מרגיש לי ש-16 דגמי שפה גדולים שונים מאומנים ב-5% מהאינטרנט זה כמו ש-16 צינורות מים נכנסים לביתך ו-16 סטים של כבלי חשמל נכנסים לביתך. 

איך נראה מסלול הקריירה הממוצע עבור מישהו שיוצא מתוכנית למידה עמוקה כמו שלך?

זה כל כך מגוון. זה באמת השתנה הרבה מהימים הראשונים, כשזה היה רק ​​הלך הרוח הזה של המאמצים המוקדמים - האנשים שהיו במידה רבה או יזמים או דוקטורים ופוסט-דוקטורטים מוקדמים, ושפשוט אוהבים מחקר חדשני ולנסות דברים חדשים. זה כבר לא רק מאמצים מוקדמים, אלא גם אנשים שמנסים להדביק את הקצב או להתעדכן בתנועות התעשייה שלהם.

כיום, הרבה מהם הם אנשים שאומרים, "אוי, אלוהים, אני מרגיש שלמידה עמוקה מתחילה להרוס את המומחיות בתעשייה שלי. אנשים עושים דברים עם קצת למידה עמוקה שאני אפילו לא יכול להעלות על הדעת, ואני לא רוצה לפספס". יש אנשים שמסתכלים קצת יותר קדימה, והם יותר, כמו, "ובכן, אף אחד לא באמת משתמש בלמידה עמוקה בתעשייה שלי, אבל אני לא יכול לדמיין שזה אחד תעשיה זה לֹא הולך להיות מושפע, אז אני רוצה להיות הראשון". 

יש אנשים בהחלט שיש להם רעיון לחברה שהם רוצים לבנות. 

הדבר השני שאנחנו מקבלים הרבה הוא שחברות שולחות חבורה מצוותי המחקר או ההנדסה שלהן לעשות את הקורס רק בגלל שהן מרגישות שזו יכולת ארגונית שצריכה להיות להן. וזה מועיל במיוחד עם ממשקי ה-API המקוונים שקיימים עכשיו שאנשים יכולים לשחק איתם - קודקס or DALL-E או מה שלא יהיה - וקבלו תחושה של, "אה, זה קצת כמו משהו שאני עושה בעבודה שלי, אבל זה קצת שונה אם הייתי יכול לצבוט את זה בדרכים האלה." 

עם זאת, למודלים האלה יש גם תופעת לוואי מצערת, אולי, של הגברת הנטייה של אנשים להרגיש כאילו חדשנות בינה מלאכותית מיועדת רק לחברות גדולות, ושזה מחוץ ליכולות שלהן. הם עשויים לבחור להיות צרכנים פסיביים של הטכנולוגיה כי הם לא מאמינים שיש להם שום יכולת לבנות משהו באופן אישי שיהיה טוב יותר ממה שגוגל או OpenAI עשויות לבנות.

מודל שמחליט אם נראה שאתה אוהב סרט או לא, ומודל שיכול ליצור הייקוס יהיו זהים ב-98%. . . זה מאוד מאוד נדיר שאנחנו באמת צריכים לאמן דוגמנית ענקית מאפס על חלק גדול מהאינטרנט.

גם אם זה המקרה - אם אינך יכול לבנות חוץ את OpenAI או Google - בוודאי שיש דרך לנצל את מה שהם עשו, של גישת API לדגמים חזקים להפליא, נכון?

הדבר הראשון שיש לומר הוא זה לא נכון, לא במובן כללי כלשהו, ​​לפחות. יש התפצלות מסוימת של אימוני בינה מלאכותית שמתרחשת כעת: יש את הצד של גוגל ו-OpenAI, שכל כולו יצירת מודלים כלליים ככל האפשר, וכמעט תמיד, לחוקרים האלה יש את המטרה במפורש להגיע ל-AGI. אני לא מגיב אם זה טוב או רע; זה בהחלט גורם לחפצים שימושיים עבורנו האנשים הרגילים, אז זה בסדר. 

עם זאת, יש דרך שונה לחלוטין, שהיא זו שכמעט כל התלמידים שלנו עוברים, והיא: "איך אוכל לפתור את הבעיות בעולם האמיתי של אנשים בקהילה שלי בצורה פרגמטית ככל האפשר?" ויש הרבה פחות חפיפה ממה שאתה עשוי לחשוב בין שתי השיטות, שני מערכי הנתונים, שתי הטכניקות.

בעולם שלי, אנחנו אף פעם לא מאמנים דוגמנית מאפס, בעצם. זה תמיד כוונון עדין. אז אנחנו בהחלט ממנפים את העבודה של החבר'ה הגדולים, אבל זה תמיד זמינים בחינם, דגמים להורדה. דברים כמו מודלים של שפות גדולות בקוד פתוח BigScience מאוד עוזר לזה. 

עם זאת, הם כנראה הולכים לפגר 6 עד 12 חודשים אחרי החבר'ה הגדולים עד שאולי נמצא דרך דמוקרטית יותר לעשות זאת. זה מרגיש לי ש-16 דגמי שפה גדולים שונים מאומנים ב-5% מהאינטרנט זה כמו ש-16 צינורות מים נכנסים לביתך ו-16 סטים של כבלי חשמל נכנסים לביתך. זה מרגיש כאילו זה צריך להיות יותר שירות ציבורי. זה נהדר שיש תחרות, אבל זה גם יהיה נחמד אם יהיה שיתוף פעולה טוב יותר, כדי שלא כולנו היינו צריכים לבזבז את הזמן שלנו על אותו הדבר.

אז, כן, בסופו של דבר אנחנו מכווננים, למטרות הספציפיות שלנו, מודלים שאנשים אחרים בנו. וזה בערך כמו איך הגנום האנושי וגנום הקוף כמעט זהים לחלוטין, למעט כמה אחוזים פה ושם, שלמעשה מסתבר שהם עושים הבדל גדול. זה אותו דבר עם רשתות עצביות: מודל שמחליט אם נראה שאתה אוהב סרט או לא, ומודל שיכול ליצור הייקוס יהיו זהים ב-98% כי רוב זה עוסק בהבנת העולם, ובהבנת שפה וכדומה. . זה מאוד מאוד נדיר שאנחנו באמת צריכים לאמן דוגמנית ענקית מאפס על חלק גדול מהאינטרנט.

ובגלל זה אתה בהחלט יכול להתחרות בגוגל וב-OpenAI - כי הם כנראה אפילו לא יהיו במרחב שלך. אם אתה מנסה ליצור משהו שיהפוך את עבודתם של עורכי דין לאוטומטיים, או לעזור בתכנון חוסן אסון, או ליצור הבנה טובה יותר של שפה מגדרית במהלך 100 השנים האחרונות או כל דבר אחר, אתה לא מתחרה בגוגל, אתה מתחרה עם הנישה הזו שנמצאת בדומיין שלך.

יש מיומנות קידוד משמעותית כרגע לדעת איך ללכת מהר יותר. . . בכך שהוא באמת טוב בהמצאת הערות הקודקס הנכונות. . . עבור הרבה אנשים, זה כנראה דבר חשוב יותר ומיידי ללמוד מאשר להיות ממש טוב בקידוד.

כמה חשוב להתעדכן בכל ההתקדמות בתחום ה-AI, במיוחד אם אתה עובד איתו בקנה מידה קטן יותר?

אף אחד לא יכול לעמוד בקצב של כל ההתקדמות. אתה צריך לעמוד בקצב כמה התקדמות, אבל הטכניקות האמיתיות שאנו עובדים איתן משתנות, בימינו, לאט מאוד. כמות ההבדל בין קורס fast.ai 2017 לקורס fast.ai 2018 היה עצום, ובין הקורסים 2018 ו-2019 הוא היה עצום-ish. כיום, מעט מאוד שינויים במהלך תקופה של שנתיים.

הדברים שאנו חושבים שהם משמעותיים באמת, כמו עלייתו של ארכיטקטורת שנאים, למשל, הוא למעשה בן כמה שנים עכשיו ובעיקר הוא רק חבורה של שכבות רשת עצביות סמוכות ופשוטות עם הזנה קדימה, וכמה מוצרי נקודה. זה נהדר, אבל למי שרוצה להבין את זה, מי שכבר מבין convnets, רשתות חוזרות, ובסיסי תפיסות רב שכבתיות, זה כמו כמה שעות עבודה.

אחד הדברים הגדולים שקרו בשנתיים האחרונות הוא שיותר אנשים מתחילים להבין את ההיבטים המעשיים של איך לאמן דוגמנית ביעילות. לדוגמה, DeepMind לאחרונה שחרר עיתון זה בעצם הראה שכל דגמי השפה שם בחוץ היו פחות יעילים באופן דרמטי ממה שהם צריכים להיות, פשוטו כמשמעו כי הם לא עשו דברים בסיסיים. פייסבוק - ובאופן ספציפי, מתמחה בפייסבוק היה הכותב הראשי של העיתון - בנה דבר שנקרא ConvNeXt, שזה בעצם אומר, "הנה מה יקרה אם ניקח רשת נוירונים קונבולוציונית רגילה ופשוט נכניס את השינויים הברורים שכולם יודעים עליהם." והם בעצם מודל התדמית המתקדם עכשיו. 

אז, כן, להישאר מעודכן עם היסודות הבסיסיים של איך לבנות מודלים טובים של למידה עמוקה זה הרבה פחות קשה ממה שזה נראה. ובטח שלא חייבים לקרוא כל מאמר בתחום. במיוחד בשלב הזה, עכשיו כשהדברים הולכים כל כך הרבה פחות מהר.

אבל אני כן חושב שמועיל שתהיה לך הבנה רחבה, לא רק של התחום המיוחד שלך. נניח שאתה איש ראיית מחשב, זה עוזר מאוד להיות טוב גם ב-NLP, סינון שיתופי וניתוח טבלאי - ולהיפך כי אין כמעט מספיק האבקה צולבת בין הקבוצות הללו. ומדי פעם מישהו מציץ באזור אחר, גונב כמה מהרעיונות שלו ומגיע עם תוצאה פורצת דרך. 

זה בדיוק מה שעשיתי איתו ULMFiT לפני ארבע או חמש שנים. אמרתי, "בואו ניישם את כל טכניקות הלמידה הבסיסיות של העברת ראייה ממוחשבת ל-NLP," וקיבלתי תוצאה עדכנית לפי מיילים. חוקרים ב-OpenAI עשה משהו דומה, אבל החלפתי את ה-RNN שלי בשנאי והגדילו אותו, וזה הפך להיות GPT. כולנו יודעים איך זה הלך. 

להישאר מעודכן עם היסודות הבסיסיים של איך לבנות מודלים טובים של למידה עמוקה זה הרבה פחות קשה ממה שזה נראה. ובטח שלא חייבים לקרוא כל מאמר בתחום.

הזכרת שראינו שינוי של תפקוד צעד ב-AI בשלושה עד שישה החודשים האחרונים. אתה יכול לפרט על זה?

למעשה הייתי קורא לזה א וו ולא א פונקציית צעד. אני חושב שאנחנו על עקומה אקספוננציאלית, ומדי פעם אפשר להבחין שבאמת נראה שהדברים הואצו בצורה ניכרת. המקום אליו הגענו הוא שדוגמניות שהוכשרו מראש שהוכשרו על גופים גדולים מאוד של טקסט ותמונות עכשיו יכולים לעשות דברים מרשימים מאוד ב-One-shot או מעט-שוט בדרכים כלליות למדי, בין השאר בגלל שבחודשים האחרונים אנשים השתפרו. בהבנה הנדסה מהירה. בעיקרו של דבר, לדעת איך לשאול את השאלה הנכונה - "הסבר את ההגיון שלך" שלב אחר שלב של הנחיות. 

ואנחנו מגלים שהמודלים האלה באמת מסוגלים לעשות דברים שהרבה אקדמאים אמרו לנו שהם לא אפשריים במונחים של הבנה קומפוזיונית של העולם והיכולת להראות חשיבה שלב אחר שלב. הרבה אנשים אמרו, "הו, אתה צריך להשתמש בטכניקות סמליות; רשתות עצביות ולמידה עמוקה לעולם לא יגיעו לשם". ובכן, מסתבר שכן. אני חושב שכשכולנו יכולים לראות שהוא יכול לעשות את הדברים האלה שאנשים טענו שהוא לעולם לא יוכל לעשות, זה עושה אותנו קצת יותר נועזים לנסות לעשות איתם יותר.

זה מזכיר לי את הפעם הראשונה שראיתי סרטון באינטרנט, שאני זוכר שהראיתי לאמא שלי כי זה היה סרטון פיזיותרפיה, והיא פיזיותרפיסטית. זה היה סרטון של תרגיל ניידות משותפת בכתף ​​שלך, ואני חושב שזה היה 128 על 128 פיקסלים. זה היה שחור ולבן, דחוס מאוד, ואולי בערך 3 או 4 שניות. התרגשתי מאוד, ואמרתי לאמא שלי, "וואו, תראי את זה: סרטון באינטרנט!" וכמובן, היא לא התרגשה בכלל. היא אמרה, "מה התועלת בזה? זה הדבר הכי חסר טעם שראיתי אי פעם".

כמובן, חשבתי שיום אחד זה הולך להיות אלף על אלף פיקסלים, 60 פריימים בשנייה, צבע מלא, סרטון יפהפה. ההוכחה קיימת, עכשיו זה רק מחכה שהשאר ידביקו את הקצב. 

אז אני חושב שכאשר אנשים ראו את התמונות האיכותיות באמת מלמידה עמוקה בימים הראשונים, לא הייתה הרבה התרגשות כי רוב האנשים לא מבינים שהטכנולוגיה מתקדמת כך. עכשיו, כשאנחנו באמת יכולים לייצר תמונות באיכות גבוהה בצבע מלא שנראות הרבה יותר טוב ממה שכמעט כל אחד מאיתנו יכול לצלם או לצלם, אנשים לא צריכים שום דמיון. הם יכולים פשוט לִרְאוֹת שמה שנעשה עכשיו הוא מאוד מרשים. אני חושב שזה עושה הבדל גדול.

אני מרגיש כאילו HCI הוא החלק החסר הגדול ביותר כמעט בכל פרויקט למידה עמוקה שראיתי. . . אם הייתי ב-HCI, הייתי רוצה שכל התחום שלי יתמקד בשאלה איך אנחנו מתקשרים עם אלגוריתמי למידה עמוקה.

הרעיון של הנדסה מהירה - אם לא כקריירה חדשה לגמרי, אבל לפחות כמערך מיומנויות חדש - הוא באמת מעניין.

זה כן, ואני נורא בזה. לדוגמה, DALL-E לא ממש יודע לכתוב טקסט כמו שצריך, מה שלא תהיה בעיה חוץ מזה שהוא אוהב לשים טקסט בכל התמונות המדממות שלו. אז תמיד יש את הסמלים האקראיים האלה ואני לא יכול, במשך חיי, להבין איך להמציא הנחיה שאין בה טקסט. ואז לפעמים, אני פשוט אשנה מילה באקראי לכאן או לכאן, ופתאום, לאף אחד מהם כבר אין טקסט. יש בזה איזה טריק, ועדיין לא ממש הבנתי את זה.

כמו כן, למשל, ישנה מיומנות קידוד משמעותית כרגע לדעת איך ללכת מהר יותר - במיוחד, אם אתה לא קודן טוב במיוחד - בכך שאתה ממש טוב בלמציא את ההערות הנכונות בקודקס כדי שזה ייצור לך דברים . ולדעת אילו סוגי שגיאות הוא נוטה לעשות, באיזה סוגי דברים הוא טוב ורע בהם, ולדעת איך לגרום לזה ליצור מבחן לדבר שהוא זה עתה בנה עבורך.

עבור הרבה אנשים, זה כנראה דבר חשוב יותר ומיידי ללמוד מאשר להיות ממש טוב בקידוד.

ספציפית לגבי Codex, מה דעתך על הרעיון של קוד שנוצר על ידי מכונה?

I כתב פוסט בבלוג על זה כאשר GitHub Copilot יצא, למעשה. באותו זמן, הייתי כמו, "וואו, זה ממש מגניב ומרשים, אבל אני לא ממש בטוח עד כמה זה שימושי." ואני עדיין לא בטוח.

אחת הסיבות העיקריות היא שלדעתי כולנו יודעים שלמודלים של למידה עמוקה אין הבנה אם הם צודקים או לא. Codex השתפר מאוד מאז שבדקתי את הגרסה הראשונה שלו, אבל הוא עדיין כותב הרבה קוד שגוי. כמו כן, הוא כותב קוד מילולי מכיוון שהוא יוצר מְמוּצָע קוד. מבחינתי, לקחת קוד ממוצע ולהפוך אותו לקוד שאני אוהב ואני יודע שהוא נכון זה הרבה יותר איטי מאשר לכתוב אותו מאפס - לפחות בשפות שאני מכיר היטב. 

אבל אני מרגיש שיש כאן שאלה שלמה של ממשק אדם-מחשב (HCI), ו אני מרגיש ש-HCI הוא החלק החסר הגדול ביותר כמעט בכל פרויקט למידה עמוקה שראיתי: כמעט אף פעם הדברים האלה לא מחליפים באופן מלא בני אדם. לכן, אנחנו עובדים יַחַד עם האלגוריתמים האלה. אם הייתי ב-HCI, הייתי רוצה שכל התחום שלי יתמקד בשאלה איך אנחנו מתקשרים עם אלגוריתמי למידה עמוקה. מכיוון שלמדנו עשרות שנים של אינטראקציה עם ממשקי משתמש גרפיים, ממשקי שורת פקודה וממשקי אינטרנט, אבל זה דבר אחר לגמרי. 

ואני לא יודע איך אני כמתכנת מתקשר בצורה הטובה ביותר עם משהו כמו קודקס. אני בטוח שיש דרכים רבות עוצמה לעשות את זה עבור כל תחום - יצירת ממשקים וקשירת נתונים, בניית אלגוריתמים וכדומה - אבל אין לי מושג מה הדברים האלה.

פורסם ב -21 ביולי 2022