Открытие — основа нашего бытия. Мы существуем, чтобы исследовать и открывать. машинное обучение и алгоритмы лишают нас этого.

Давайте рассмотрим простую ситуацию: вы заходите в магазин каждый понедельник и покупаете один и тот же товар (скажем, хлеб — для простоты). В следующий раз, когда вы окажетесь в магазине, в этот понедельник, скорее всего, вы купите тот же самый товар. Это рутина.

Машинное обучение (ML) изучает наборы данных и пытается создать ожидаемый результат. Если бы мы создали машину, которая определяла бы вероятность того, что вы купите хлеб, подавая ему следующие значения:

  • День
  • Купленные товары

При небольшом наборе данных машина очень быстро узнает, что вы покупаете хлеб в понедельник. Теперь, используя эти данные в Интернете, можно легко создать рекомендательную систему. Используя ML, мы можем определить, что вам *может* понадобиться на основе вашей предыдущей покупки (это было сделано в течение длительного времени без возможностей ML).

Переходя к другому медиа, YouTube использует алгоритм рекомендаций, который определяет, что вы, скорее всего, нажмете, основываясь на ваших предыдущих привычках просмотра. Провели много времени за просмотром вашего любимого кулинарного канала в последнее время? Вы можете поспорить, что YouTube порекомендует свое последнее видео при следующей загрузке домашней страницы. Там больше сложности, но это широкое объяснение. Netflix также использует тот же подход. Их конечная цель — заставить вас пользоваться их услугами как можно чаще.

Итак, почему это плохо, что YouTube рекомендует мне вещи, которые я, вероятно, захочу посмотреть, или почему мой поставщик продуктов знает, что я, вероятно, куплю в понедельник?

Алгоритмы решают сложную проблему, упрощая ее. Тебе понравилось это видео вчера, значит оно тебе понравится и сегодня, верно? Нет, не совсем. Люди намного сложнее, чем это. И именно поэтому машинное обучение убьет нас самих.

Суть в том, что мы позволяем алгоритму определять наши решения в жизни.

Люди могут быть предсказуемы, но никогда не предсказуемы полностью. Привлекая искусственный интеллект для помощи в принятии решений, мы бессознательно направляем свои идеи в эхо-камеру и с каждым днем ​​становимся все менее и менее разнообразными. Мы передаем принятие решений машине, которая существует на основе «удовлетворения наших потребностей», но передает все наше многообразие в качестве несанкционированной оплаты.

На первый взгляд, позволить машине решать, что вы будете смотреть сегодня вечером, может показаться неплохим делом. На самом деле, это избавляет от стресса при выборе чего-то для просмотра, верно?

Вы когда-нибудь смотрели одно и то же шоу несколько раз, потому что «не можете найти ничего другого»? Ага. Вы кормите ML. Если машина предложит вам снова посмотреть любимое шоу пятую ночь подряд, вы можете гарантировать, что завтра вы будете смотреть «Анатомию страсти»… снова. И опять.

Я не говорю, что машинное обучение — это плохо. На самом деле, у него есть некоторые реальные приложения. Машинное обучение использовалось для прогнозирования рака с ошеломляющей точностью, прогнозирования и смягчения последствий пробок и даже прогнозирования стабильности сети. Все это замечательные приложения машинного обучения.

Но машинное обучение уничтожает нас при принятии разноплановых решений. Думать нестандартно. Выйти из эхо-камеры, из нашей зоны комфорта и сделать что-то новое. Но когда ML начинает принимать решения о том, что мы смотрим, с кем дружим и что едим на ужин, мы начинаем терять ту идентичность, которая делает нас уникальными.

Как гласит известная цитата: «Жизнь начинается в конце нашей зоны комфорта» — позволяя машине определять наши жизненные решения, мы всегда будем в нашей зоне комфорта.

Это не жизнь.