John Jantsch (00:00): Hei, tahukah Anda bahwa konferensi masuk tahunan HubSpot akan segera hadir?Itu benar. Itu akan berada di Boston dari tanggal 5 September sampai tanggal delapan. Setiap tahun, inbound menyatukan para pemimpin di seluruh bisnis, penjualan, pemasaran, kesuksesan pelanggan, operasi, dan banyak lagi. Anda akan dapat menemukan semua tren dan taktik terbaru yang harus Anda ketahui yang benar-benar dapat Anda terapkan untuk meningkatkan skala bisnis Anda secara berkelanjutan. Anda dapat belajar dari pakar industri dan terinspirasi oleh talenta sorotan yang luar biasa. Tahun ini, orang-orang seperti Reese Witherspoon, Derek Jeter, Guy Raz, semuanya akan tampil. Kunjungi inbound.com dan dapatkan tiket Anda hari ini. Anda tidak akan menyesal. Pemrograman ini dijamin untuk menginspirasi dan mengisi ulang. Itu benar. Buka inbound.com untuk mendapatkan tiket Anda hari ini.

(01:03): Halo dan selamat datang di episode lain Podcast Pemasaran Duct Tape.Ini adalah John Jantsch. Tamu saya hari ini adalah Kenneth Wenger. Dia seorang penulis, sarjana peneliti di Toronto Metropolitan University dan CTO dari Squint AI Inc. Minat penelitiannya terletak pada persimpangan antara manusia dan mesin, memastikan bahwa kita membangun masa depan berdasarkan penggunaan teknologi yang bertanggung jawab. Kita akan berbicara tentang bukunya hari ini Is the Algorithm Plotting Against Us?: Panduan Orang Awam untuk Konsep, Matematika, dan Jebakan AI. Jadi, Ken, selamat datang di acara itu.

Kenneth Wenger (01:40): Hai, John.Terima kasih banyak. Terima kasih sudah menerima saya.

John Jantsch (01:42): Jadi, kita akan berbicara tentang bukunya, tapi saya, saya hanya ingin tahu, apa yang dilakukan Squint AI?

Kenneth Wenger (01:47): Itu pertanyaan yang bagus.Jadi, squint ai, um, adalah perusahaan yang kami buat untuk, um, melakukan penelitian dan mengembangkan platform yang memungkinkan kami untuk, um,

(02:00): Lakukan, lakukan AI dengan cara yang lebih bertanggung jawab.Oke. Oke. Jadi, eh, saya yakin kita akan membahasnya, tapi saya menyentuhnya, eh, dalam banyak kasus buku juga, di mana kita berbicara tentang, eh, ai, penggunaan etis ai, beberapa kejatuhan ai. Jadi yang kami lakukan dengan Squint adalah kami mencoba mencari tahu, Anda tahu, bagaimana kami mencoba membuat lingkungan yang memungkinkan kami menggunakan AI dengan cara yang memungkinkan kami memahami saat algoritme ini tidak berfungsi yang terbaik, ketika mereka membuat kesalahan dan sebagainya. Ya,

John Jantsch (02:30): Ya.Jadi, judul buku Anda adalah The Algorithm Plotting Against, ini pertanyaan yang sedikit provokatif. Maksud saya, jelas saya yakin ada orang di luar sana yang mengatakan tidak , dan beberapa mengatakan, baik, tentu saja. Jadi, jadi mengapa mengajukan pertanyaan itu?

Kenneth Wenger (02:49): Ya, karena saya, saya sebenarnya merasa itu adalah pertanyaan yang ditanyakan oleh banyak orang dengan arti yang berbeda.Benar? Jadi, hampir sama dengan pertanyaan apakah AI merupakan ancaman eksistensial? Saya, saya, itu adalah pertanyaan yang memiliki arti berbeda bagi orang yang berbeda. Benar. Jadi saya ingin membahasnya di buku dan mencoba melakukan dua hal. Pertama, tawarkan alat kepada orang-orang untuk dapat memahami pertanyaan itu sendiri, bukan. Dan pertama cari tahu bagaimana, di mana posisi mereka dalam debat itu, lalu kedua, um, Anda tahu, berikan juga pendapat saya di sepanjang jalan.

John Jantsch (03:21): Ya, ya.Dan saya mungkin tidak menanyakan pertanyaan itu seanggun yang saya inginkan. Saya benar-benar berpikir itu bagus jika Anda mengajukan pertanyaan, karena pada akhirnya apa yang kami coba lakukan adalah membiarkan orang mengambil keputusan sendiri daripada mengatakan, ini benar untuk ai, atau ini tidak benar untuk AI . Benar.

Kenneth Wenger (03:36): Benar.Itu benar. Dan, dan, dan lagi, terutama karena ini masalah bernuansa. Ya. Dan itu berarti hal yang berbeda untuk orang yang berbeda.

John Jantsch (03:44): Jadi ini adalah pertanyaan yang sangat sulit, tetapi saya akan bertanya kepada Anda, Anda tahu, di mana kita sebenarnya dalam rangkaian AI?Maksud saya, orang-orang yang telah membahas topik ini selama bertahun-tahun menyadari bahwa ini dibangun ke dalam banyak hal yang kita gunakan setiap hari dan dianggap biasa, jelas kami ChatGPT menghadirkan spektrum orang yang berbeda yang sekarang, Anda tahu, setidaknya memiliki kosakata berbicara tentang apa itu. Tapi saya ingat, Anda tahu, saya sudah, saya sudah, saya sudah punya bisnis sendiri 30 tahun. Maksud saya, kami tidak memiliki web , kami tidak memiliki situs web, Anda tahu, kami tidak memiliki perangkat seluler yang pasti sekarang berperan, tetapi saya ingat saat setiap perangkat itu muncul, orang-orang seperti, oh, kami akan hancur. Ini sudah berakhir . Benar. Jadi, saat ini ada banyak jenis bahasa yang mengelilingi ai, tetapi menurut Anda di manakah kita sebenarnya berada dalam kontinum evolusi?

Kenneth Wenger (04:32): Anda tahu, itu pertanyaan yang bagus karena menurut saya kita sebenarnya masih sangat awal.Ya. Saya pikir, Anda tahu, kami, kami telah membuat kemajuan luar biasa dalam waktu yang sangat singkat, tetapi saya pikir itu masih, kami berada di tahap paling awal. Anda tahu, jika Anda memikirkan ai di mana kita berada sekarang, kita satu dekade yang lalu, kita telah membuat beberapa kemajuan. Tapi saya pikir, pada dasarnya, pada tingkat ilmiah, kita baru mulai menggores permukaannya. Saya akan memberi Anda beberapa contoh. Jadi pada awalnya, Anda tahu, model pertama, mereka hebat dalam memberi kami beberapa bukti bahwa cara baru mengajukan pertanyaan ini, Anda tahu, jaringan saraf pada dasarnya. Ya, ya. Benar. Mereka persamaan yang sangat kompleks. Uh, jika Anda menggunakan GPU untuk menjalankan persamaan rumit ini, maka kita sebenarnya dapat memecahkan masalah yang cukup rumit. Itu adalah sesuatu yang kami sadari sekitar tahun 2012 dan kemudian setelah sekitar tahun 2017, jadi antara tahun 2012 dan 2017, kemajuannya sangat linier.

(05:28): Anda tahu, model-model baru telah dibuat, ide-ide baru telah diajukan, tetapi semuanya berkembang dan berkembang sangat linier.Namun setelah tahun 2017, dengan diperkenalkannya model yang disebut Transformer, yang merupakan arsitektur dasar di balik chat, g, pt, dan semua model bahasa besar ini, kami memiliki realisasi lain. Saat itulah kami menyadari bahwa jika Anda mengambil model tersebut dan memperbesarnya dan memperbesarnya, dalam hal ukuran model dan ukuran kumpulan data yang kami gunakan untuk melatihnya, model tersebut menjadi lebih baik secara eksponensial. Oke. Dan saat itulah kami sampai pada titik di mana kami hari ini, di mana kami menyadari bahwa hanya dengan menskalakannya, sekali lagi, kami belum melakukan sesuatu yang berbeda secara mendasar sejak 2017. Yang kami lakukan hanyalah memperbesar ukuran model, menambah ukuran dataset, dan mereka menjadi lebih baik secara eksponensial.

John Jantsch (06:14): Jadi, perkalian bukan penjumlahan?

Kenneth Wenger (06:18): Ya, persis.Ya. Jadi, jadi tidak, kemajuannya eksponensial, tidak hanya dalam lintasan linier. Ya. Tapi saya pikir, tetapi sekali lagi, fakta bahwa kami tidak banyak berubah secara mendasar dalam model ini, itu akan segera berkurang. Ini harapan saya. Dan sekarang di mana kita di timeline? Yang merupakan pertanyaan awal Anda. Saya pikir jika Anda berpikir tentang apa yang dilakukan model hari ini, mereka melakukannya dengan sangat baik. Mereka melakukan statistik yang sangat sederhana, pada dasarnya. Mm-hmm. , mereka bukan ide, model ini disebut kecerdasan buatan. Benar. Saya pikir itu kadang-kadang agak keliru. Saya setuju. Dan itu mengarah pada beberapa pertanyaan yang dimiliki orang-orang. Um, karena di sana, tidak banyak intelijen mendalam yang terjadi, itu hanya pemodelan statistik dan sangat sederhana. Dan kemudian ke mana kita akan pergi dari sini dan apa yang saya harapkan di masa depan, saat itulah kita mulai, saya pikir masalahnya, banyak hal akan berubah secara dramatis saat kita mulai mendapatkan model yang tidak hanya mampu, tidak hanya melakukan statistik sederhana, tetapi mampu memahami konteks dari apa yang mereka coba capai. Ya. Dan mampu memahami, lho, jawaban yang benar sekaligus jawaban yang salah. Jadi, misalnya, mereka, mereka, mereka, mereka dapat mengetahui ketika mereka berbicara tentang hal-hal yang mereka ketahui dan ketika mereka melewati area abu-abu dari hal-hal yang tidak benar-benar mereka ketahui. Apakah itu masuk akal? Ya,

John Jantsch (07:39): Tentu saja.Maksud saya, saya sangat setuju dengan Anda tentang kecerdasan buatan. Aku sebenarnya sudah menyebutnya ia. Saya pikir ini lebih merupakan otomatisasi informasi. adalah jenis bagaimana saya melihatnya, setidaknya dalam pekerjaan saya. Apakah Anda melihat suatu hari di mana, Anda tahu, pertanyaan yang diajukan adalah, Anda tahu, itu semacam, penggunaan jalan, jika Anda mau, AI untuk banyak orang. Apakah Anda melihat hari di mana ia mulai mengajukan pertanyaan kembali kepada Anda? Seperti, mengapa Anda ingin tahu itu? Atau apa yang ingin Anda capai, eh, dengan mengajukan pertanyaan ini?

Kenneth Wenger (08:06): Ya.Jadi, itu, jawaban sederhananya adalah ya. Saya, saya pasti melakukannya. Dan saya pikir itu bagian dari apa, seperti apa mencapai tingkat kecerdasan yang lebih tinggi. Saat itulah mereka tidak hanya melakukan penawaran Anda, itu bukan hanya alat. Ya, ya. Eh, tapi mereka, mereka punya tujuan sendiri yang ingin mereka capai. Dan saat itulah Anda akan melihat hal-hal seperti pertanyaan pada dasarnya, eh, muncul dari sistem, bukan? Apakah ketika mereka, mereka memiliki, sebuah, tujuan yang ingin mereka capai, yaitu, Anda tahu, dan kemudian mereka menyusun rencana untuk mencapai tujuan itu. Saat itulah Anda bisa melihat munculnya hal-hal seperti pertanyaan kepada Anda. Saya tidak berpikir kita sampai di sana, tapi ya, saya pikir itu pasti mungkin.

John Jantsch (08:40): Tapi itu versi sci-fi juga, kan?Maksud saya, di mana orang mulai berkata, Anda tahu, filmnya, seperti, tidak, tidak, Ken, Anda belum mengetahui informasi itu. Saya akan memutuskan kapan Anda bisa mengetahuinya .

Kenneth Wenger (08:52): Ya, Anda benar.Maksud saya, pertanyaannya, cara Anda mengajukan pertanyaan lebih seperti, apakah mungkin pada prinsipnya? Saya pikir benar-benar. Ya. Ya. Apakah kita menginginkan itu? Maksudku, aku, aku tidak tahu. Saya kira itu bagian dari, ya, itu tergantung pada kasus penggunaan apa yang sedang kita pikirkan. Eh, tapi dari perspektif prinsip pertama Ya, memang, itu mungkin. Ya. Bukan untuk mendapatkan model

John Jantsch (09:13): Lakukan itu.Jadi saya, saya pikir ada banyak sekali orang, mereka hanya memahami AI jika saya pergi ke tempat ini di mana ada kotak dan saya mengetik pertanyaan dan itu mengeluarkan jawaban. Karena Anda memiliki orang awam dan matematika dalam judulnya, dapatkah Anda memberi kami semacam versi orang awam tentang cara melakukannya?

Kenneth Wenger (09:33): Ya, tentu saja.Jadi, setidaknya saya akan mencoba, biar begini, , ketika, beberapa saat yang lalu ketika saya menyebutkan bahwa model ini, pada dasarnya apa adanya, mereka adalah model statistik yang sangat sederhana. Itu sendiri, frasa itu sendiri, sedikit, kontroversial karena pada akhirnya, kita tidak tahu kecerdasan seperti apa yang kita miliki, bukan? Jadi jika Anda memikirkan tentang kecerdasan kita, kita tidak tahu apakah pada tingkat tertentu kita juga merupakan model statistik, bukan? Namun, yang saya maksud dengan AI hari ini dalam model bahasa besar seperti ChatGPT adalah model statistik sederhana, yang saya maksud adalah mereka melakukan tugas yang sangat sederhana. Jadi jika Anda memikirkan ChatGPT, yang mereka lakukan adalah mencoba, pada dasarnya untuk memprediksi kata terbaik berikutnya secara berurutan. Itu saja yang mereka lakukan. Dan intinya, cara mereka melakukannya adalah mereka menghitung apa yang disebut distribusi probabilitas.

(10:31): Jadi pada dasarnya untuk kata apa pun di a, di a, di prompt atau di kumpulan teks, mereka menghitung kemungkinan kata itu termasuk dalam urutan itu.Benar? Dan kemudian mereka memilih, kata berikutnya dengan probabilitas tertinggi untuk benar di sana. Oke? Sekarang, itu adalah model yang sangat sederhana dalam pengertian berikut. Jika Anda berpikir tentang bagaimana kita berkomunikasi, bukan? Anda tahu, kami sedang melakukan percakapan sekarang. Saya pikir ketika Anda mengajukan pertanyaan kepada saya, saya, saya berhenti dan berpikir tentang apa yang akan saya katakan, bukan? Jadi saya memiliki model dunia, dan saya memiliki tujuan dalam percakapan itu. Saya mendapatkan ide tentang apa yang ingin saya tanggapi, dan kemudian saya menggunakan kemampuan saya untuk menghasilkan kata-kata dan menyuarakannya untuk mengomunikasikannya dengan Anda. Benar? Mungkin saja saya memiliki sistem di otak saya yang bekerja sangat mirip dengan model bahasa besar, dalam artian begitu saya mulai mengucapkan kata-kata, kata berikutnya yang akan saya ucapkan adalah yang paling mungkin. untuk menjadi benar, mengingat kata-kata yang baru saja saya katakan.

(11:32): Sangat mungkin.Itu benar. Namun, yang berbeda adalah setidaknya saya sudah memiliki rencana tentang apa yang akan saya katakan di ruang laten. Saya sudah menyandikan dalam beberapa bentuk. Apa yang ingin saya sampaikan, bagaimana saya mengatakannya, bahwa kemampuan pro untuk menghasilkan kata-kata itu mungkin sangat mirip dengan model bahasa. Namun perbedaannya adalah bahwa model bahasa yang besar sedang mencoba mencari tahu apa yang akan dikatakannya serta memunculkan kata-kata itu pada saat yang bersamaan. Mm-hmm. , Kanan? Apakah itu masuk akal? Jadi agak seperti mereka mengoceh, dan terkadang jika mereka berbicara terlalu lama, mereka mengoceh di wilayah yang tidak masuk akal. Ya. Ya. Karena mereka tidak tahu apa yang akan mereka katakan sampai mereka mengatakannya. . Ya. Nah, jadi itulah perbedaan yang sangat mendasar. Ya.

John Jantsch (12:20): Saya, saya, saya pasti telah melihat beberapa keluaran yang cukup menarik di sepanjang garis itu.Tapi, Anda tahu, ketika saya mendengar Anda berbicara tentang itu, maksud saya, dalam banyak hal yang kami lakukan adalah kami menanyakan basis data dari apa yang telah diajarkan kepada kami, adalah, kata-kata yang kami tahu selain konsep yang telah kita pelajari, eh, dan mampu mengartikulasikan. Maksud saya, dalam beberapa hal kami menanyakan hal itu kepada saya, mendorong atau saya juga mengajukan pertanyaan kepada Anda, maksud saya, cara kerjanya serupa. Apakah Anda akan berkata

Kenneth Wenger (12:47): Aspek mengajukan pertanyaan dan kemudian menjawabnya, serupa, tetapi yang berbeda adalah, konsep yang ingin Anda gambarkan.Jadi, sekali lagi, ketika Anda mengajukan pertanyaan kepada saya, saya memikirkannya, dan saya muncul, jadi saya, sekali lagi, saya memiliki model dunia yang bekerja sejauh ini untuk membantu saya menjalani hidup, bukan? Dan model dunia itu memungkinkan saya memahami konsep yang berbeda dengan cara yang berbeda. Dan ketika saya akan menjawab pertanyaan Anda, saya memikirkannya, saya merumuskan jawaban, dan kemudian saya mencari cara untuk mengomunikasikannya dengan Anda. Oke? Langkah itu hilang dari apa yang dilakukan model bahasa ini, bukan? Mereka mendapat prompt, tetapi tidak ada langkah di mana mereka merumuskan respons dengan beberapa tujuan, bukan? Benar? Ya. Beberapa tujuan. Mereka pada dasarnya mendapatkan teks, dan mereka mencoba membuat urutan kata yang sedang dipikirkan saat diproduksi, bukan? Tidak ada rencana akhir. Sehingga, itulah perbedaan yang sangat mendasar.

John Jantsch (13:54): Dan sekarang, mari kita dengarkan sepatah kata dari sponsor kita, pemasaran Made Simple.Ini adalah podcast yang diselenggarakan oleh Dr. J j Peterson dan dipersembahkan oleh HubSpot Podcast Network, tujuan audio untuk pemasaran profesional bisnis yang dibuat sederhana, memberi Anda tip praktis untuk membuat pemasaran Anda mudah dan yang lebih penting, membuatnya berhasil. Dan dalam episode terbaru, JJ dan April mengobrol dengan pemandu bersertifikat StoryBrand dan pemilik agensi tentang cara menggunakan ChatGPT untuk tujuan pemasaran. Kita semua tahu betapa pentingnya itu hari ini. Dengarkan pemasaran Made Simple. Di mana pun Anda mendapatkan podcast.

(14:30): Hei, pemilik agen pemasaran, Anda tahu, saya bisa mengajari Anda kunci untuk menggandakan bisnis Anda hanya dalam 90 hari, atau uang Anda kembali.Kedengarannya menarik. Yang harus Anda lakukan adalah melisensikan proses tiga langkah kami yang akan memungkinkan Anda membuat pesaing Anda tidak relevan, membebankan biaya premium untuk layanan Anda, dan menskalakan mungkin tanpa menambahkan biaya tambahan. Dan inilah bagian terbaiknya. Anda dapat melisensikan seluruh sistem ini untuk agensi Anda hanya dengan berpartisipasi dalam tampilan intensif sertifikasi agensi yang akan datang, mengapa membuat kemudi? Gunakan seperangkat alat yang membutuhkan waktu lebih dari 20 tahun untuk kami buat. Dan Anda dapat memilikinya hari ini, lihat di dtm.world/certification. Itu sertifikasi tebas dunia DTM.

(15:18): Saya ingin menyukai apa yang akan terjadi di masa depan, tetapi saya ingin memikirkan beberapa hal yang Anda selami di dalam buku ini.Apa, Anda tahu, selain ketakutan yang disebarkan media , apa jebakan yang nyata, Anda tahu, dan jelas dari mengandalkan AI?

Kenneth Wenger (15:38): Saya pikir masalah terbesar, dan salah satu, maksud saya, motivator sebenarnya bagi saya ketika saya mulai menulis buku ini adalah bahwa ini adalah alat yang ampuh karena dua alasan.Sangat mudah digunakan, sepertinya, bukan? Ya. Anda dapat menghabiskan akhir pekan mempelajari python, Anda dapat menulis beberapa baris, dan Anda dapat mengubah, Anda dapat menganalisis, Anda dapat mengurai data yang sebelumnya tidak dapat Anda lakukan hanya dengan menggunakan perpustakaan. Jadi Anda tidak benar-benar harus memahami apa yang Anda lakukan, dan Anda bisa mendapatkan hasil yang terlihat berguna, oke? Mm-hmm. , tapi pemanasan dalam proses itu, kan? Fakta bahwa Anda dapat mengambil banyak data, sejumlah besar data, memodifikasinya dengan cara tertentu, dan mendapatkan tanggapan, mendapatkan beberapa hasil tanpa memahami apa yang terjadi di tengah, memiliki akibat yang sangat besar karena kesalahpahaman terhadap hasil yang Anda peroleh , Kanan? Lalu jika Anda menggunakan, alat ini di dunia, bukan?

(16:42): Dalam, dalam, dengan cara yang dapat mempengaruhi orang lain.Misalnya, Anda tahu, katakanlah Anda bekerja di lembaga keuangan dan, dan, dan, dan Anda membuat model untuk mencari tahu, eh, siapa yang harus Anda beri kredit, dapatkan, Anda tahu, disetujui untuk, untuk kredit untuk batas kredit, dan siapa yang tidak seharusnya. Sekarang, saat ini, bank memiliki model mereka sendiri, tetapi tentu saja, jika Anda mengeluarkan AI darinya, secara tradisional model tersebut dipikirkan oleh ahli statistik, dan mereka mungkin salah sesekali, tetapi setidaknya mereka memiliki besar gambaran tentang apa artinya, Anda tahu, menganalisis data, membiaskan data, bukan? Apa dampak dari bias dalam data? Bagaimana Anda menyingkirkan semua hal ini adalah hal-hal yang harus dilatih oleh ahli statistik yang baik. Tapi sekarang, jika Anda menghapus ahli statistik, karena siapa pun dapat menggunakan model untuk menganalisis data dan mendapatkan beberapa prediksi, maka yang terjadi adalah Anda akhirnya menolak dan menyetujui jalur kredit untuk orang yang, bersama Anda, Anda tahu, dengan akibat yang bisa jadi , Anda tahu, didorong oleh bias yang sangat negatif dalam data, bukan?

(17:44): Seperti, hal itu dapat memengaruhi sebagian populasi tertentu, eh, secara negatif.Mungkin ada beberapa yang tidak bisa mendapatkan kredit lagi hanya karena mereka tinggal di lingkungan tertentu mm-hmm. , atau mereka, Anda tahu, ada banyak alasan mengapa ini bisa menjadi masalah,

John Jantsch (17:57): Tapi bukankah itu faktor sebelumnya?Maksud saya, tentu saja lingkungan dipertimbangkan , Anda tahu, sebagai bagian dari, Anda tahu, bahkan dalam model analog, menurut saya.

Kenneth Wenger (18:06): Ya, tentu saja.Jadi seperti yang saya katakan, kami selalu bermasalah dengan bias, bukan? Di data, kan? Tapi secara tradisional, Anda akan berharap, jadi dua hal akan terjadi. Pertama, Anda akan berharap siapa pun yang menghasilkan model, hanya karena itu adalah masalah yang kompleks, mereka harus memiliki beberapa pelatihan statistik yang memuaskan. Ya. Benar? Dan seorang ahli statistik etis harus mempertimbangkan bagaimana menghadapi bias dalam data, bukan? Jadi itu nomor satu. Nomor dua, masalah yang kita miliki saat ini adalah, pertama-tama, Anda tidak perlu memiliki keputusan tetap itu. Anda bisa saja menggunakan model tanpa memahami apa yang terjadi, bukan? Benar. Dan yang lebih buruk adalah bahwa dengan model ini, kita tidak dapat benar-benar memahami bagaimana, atau secara tradisional sangat sulit untuk memahami bagaimana model itu tiba atau diprediksi. Jadi jika Anda ditolak baik batas kredit atau, seperti yang saya bicarakan di jaminan buku, misalnya, dalam, dalam kasus pengadilan, eh, sangat sulit untuk, untuk berdebat, mengapa saya? Mengapa, mengapa saya menolak hal ini? Dan kemudian jika Anda melalui proses audit lagi dengan pendekatan tradisional di mana Anda memiliki keputusan, Anda selalu dapat bertanya, jadi bagaimana Anda membuat model ini? Uh, kenapa orang ini menolak kasus khusus ini dalam audit? Mm-hmm. dengan a, a, jaringan saraf, misalnya, itu menjadi jauh lebih rumit.

John Jantsch (19:21): Jadi saya, maksud saya, jadi apa yang Anda katakan, salah satu masalah awalnya adalah orang mengandalkan keluaran, data.Maksud saya, bahkan, Anda tahu, saya menggunakannya dengan cara yang sangat sederhana. Saya menjalankan perusahaan pemasaran dan kami sering menggunakannya untuk memberi kami gagasan salinan, memberi kami gagasan judul utama, Anda tahu, untuk berbagai hal. Jadi saya tidak merasa ada bahaya nyata di sana selain mungkin terdengar seperti orang lain dalam salinan Anda. Eh, tapi, tapi Anda mengatakan bahwa, Anda tahu, karena orang mulai mengandalkan ini untuk membuat keputusan yang seharusnya diinformasikan, sering kali prediksi salah.

Kenneth Wenger (19:57): Ya.Dan, dan ada sangat, jadi jawabannya adalah ya. Sekarang, ada dua alasan untuk itu. Dan omong-omong, izinkan saya kembali untuk mengatakan bahwa ada kasus penggunaan di mana, tentu saja Anda harus memikirkannya sebagai, sebagai spektrum, bukan? Seperti ya, ya. Ada kasus di mana akibat melakukan kesalahan lebih buruk daripada kasus lain, bukan? Jadi seperti yang Anda katakan, jika Anda mencoba membuat beberapa salinan dan Anda tahu, jika itu tidak masuk akal, maka Anda langsung saja mengubahnya. Dan pada akhirnya, Anda mungkin akan tetap meninjaunya. Jadi, jadi itu lebih rendah, mungkin biayanya lebih rendah. Biaya kesalahan di sana akan lebih rendah daripada dalam kasus, Anda tahu, menggunakan model dalam proses peradilan, misalnya. Benar? Benar. Benar. Sekarang, sehubungan dengan fakta bahwa model ini kadang-kadang mendapatkan, membuat kesalahan, alasannya adalah bahwa cara kerja model ini sebenarnya adalah bahwa mereka, dan, dan bagian yang dapat menipu adalah bahwa mereka cenderung bekerja dengan sangat baik untuk area dalam data yaitu, yang mereka pahami dengan sangat baik.

(20:56): Jadi, jika Anda berpikir tentang kumpulan data, bukan?Jadi mereka dilatih menggunakan kumpulan data untuk sebagian besar data dalam kumpulan data itu, mereka akan dapat memodelkannya dengan sangat baik. Dan itulah mengapa Anda mendapatkan model yang berkinerja, katakanlah, 90% akurat pada kumpulan data tertentu. Masalahnya adalah untuk 10% di mana mereka tidak dapat membuat model dengan sangat baik, kesalahannya luar biasa dan manusia tidak akan dapat membuat kesalahan itu. Ya. Jadi apa yang terjadi dalam kasus-kasus itu, pertama-tama, ketika kami melatih model-model ini yang kami dapatkan, kami katakan, Anda tahu, kami mendapatkan tingkat kesalahan 10% dalam kumpulan data khusus ini. Satu masalah adalah ketika Anda memasukkannya ke dalam produksi, Anda tidak tahu bahwa tingkat insiden kesalahan tersebut akan sama di dunia nyata, bukan?

(21:40): Anda mungkin berakhir, eh, berada dalam situasi di mana Anda mendapatkan poin data yang menyebabkan kesalahan pada tingkat yang jauh lebih tinggi daripada yang Anda lakukan di kumpulan data Anda.Hanya satu masalah. Masalah kedua adalah jika, jika Anda berada dalam, jika kasus penggunaan Anda, jika produksi Anda, Anda tahu, aplikasi, di situlah kesalahan dapat dihitung biayanya, seperti katakanlah dalam kasus penggunaan medis atau dalam mengemudi sendiri, ketika Anda harus kembali dan menjelaskan mengapa Anda melakukan kesalahan, mengapa modelnya melakukan kesalahan, dan itu sangat berbeda dari kesalahan manusia. Itulah salah satu alasan mendasar mengapa kami tidak menerapkan sistem ini di seluruh domain kritis keamanan saat ini. Dan omong-omong, itulah salah satu alasan mendasar mengapa kami membuat bidai, adalah untuk mengatasi masalah tersebut secara khusus, adalah untuk mencari tahu bagaimana kami dapat membuat sekumpulan model atau sistem yang dapat memahami secara spesifik saat model bekerja dengan benar dan ketika mereka melakukan kesalahan saat runtime. Karena menurut saya begitu, itu salah satu alasan mendasar mengapa kita belum maju sebanyak yang seharusnya kita miliki saat ini. Itu karena ketika model bekerja dengan sangat baik, eh, ketika mereka dapat memodelkan data, maka mereka bekerja dengan baik. Tetapi untuk kasus di mana mereka tidak dapat memodelkan bagian data itu, kesalahannya tidak dapat dipercaya, bukan? Itu adalah hal-hal yang manusia tidak akan pernah buat seperti itu

John Jantsch (23:00): Kesalahan.Ya ya ya. Dan, dan jelas, Anda tahu, itu pasti, itu harus diselesaikan sebelum ada yang percaya mengirim, Anda tahu, pesawat ruang angkasa manusia, Anda tahu, dipandu oleh AI atau semacamnya, bukan? Maksud saya, saat Anda tahu nyawa manusia terancam, Anda tahu, Anda harus memiliki kepercayaan. Jadi jika Anda tidak dapat mempercayai pengambilan keputusan itu, itu pasti akan membuat orang tidak menggunakan teknologinya, saya kira.

Kenneth Wenger (23:24): Benar?Atau menggunakannya, misalnya, untuk membantu, seperti yang saya katakan, dalam bidang medis, misalnya, diagnosis kanker, bukan? Jika Anda ingin model dapat mendeteksi jenis kanker tertentu, misalkan pemindaian biopsi, Anda ingin dapat mempercayai model tersebut. Sekarang apa pun, model apa pun pada dasarnya, Anda tahu, itu akan membuat kesalahan. Tidak ada yang sempurna, tetapi Anda ingin dua hal terjadi. Pertama, Anda ingin dapat meminimalkan jenis kesalahan yang dapat dilakukan model, dan Anda perlu memiliki indikasi bahwa kualitas prediksi model tidak bagus. Anda tidak ingin memiliki itu. Ya. Dan kedua, begitu kesalahan terjadi, Anda harus dapat membela bahwa alasan terjadinya kesalahan adalah karena, kualitas data sedemikian rupa sehingga, Anda tahu, bahkan manusia pun tidak dapat berbuat lebih baik. Ya. Kami tidak dapat membuat model membuat kesalahan yang akan dilihat oleh dokter manusia dan berkata, ini jelas Ya, salah.

John Jantsch (24:15): Ya.Ya. Sangat. Nah, Ken, saya ingin mengambil, eh, saya ingin berterima kasih karena telah meluangkan waktu untuk mampir ke Podcast Pemasaran Duct Tape. Anda ingin memberi tahu orang-orang di mana mereka dapat menemukan, terhubung dengan Anda jika Anda mau, dan jelas di mana mereka dapat mengambil salinan Apakah Algoritma Merencanakan Melawan Kita?

Kenneth Wenger (24:29): Tentu saja.Terima kasih banyak, pertama-tama untuk memiliki saya. Itu adalah percakapan yang hebat. Jadi ya, Anda dapat menghubungi saya di LinkedIn dan untuk polisi untuk mendapatkan salinan buku tersebut dan mendapatkannya dari, eh, Amazon serta dari situs web penerbit kami, yang disebut working fires.org.

John Jantsch (24:42): Luar biasa.Yah, sekali lagi, terima kasih telah menyelesaikannya dengan percakapan yang bagus. Mudah-mudahan, kami mungkin akan bertemu dengan Anda suatu hari nanti di jalan.

Kenneth Wenger (24:49): Terima kasih.

John Jantsch (24:49): Hei, dan satu hal terakhir sebelum Anda pergi.Anda tahu bagaimana saya berbicara tentang strategi pemasaran, strategi sebelum taktik? Nah, terkadang sulit untuk memahami di mana posisi Anda, apa yang perlu dilakukan sehubungan dengan pembuatan strategi pemasaran. Jadi kami membuat alat gratis untuk Anda. Ini disebut Penilaian Strategi Pemasaran. Anda dapat menemukannya di @marketingassessment.co, not.com, dot co. Lihat penilaian pemasaran gratis kami dan pelajari posisi Anda dengan strategi Anda hari ini. Itu hanya penilaian pemasaran.co. Saya ingin mengobrol dengan Anda tentang hasil yang Anda dapatkan.