John Jantsch (00:00): Ehi, lo sapevi che sta arrivando la conferenza annuale inbound di HubSpot?Giusto. Sarà a Boston dal 5 all'8 settembre. Ogni anno l'inbound riunisce leader di business, vendite, marketing, successo dei clienti, operazioni e altro ancora. Sarai in grado di scoprire tutte le ultime tendenze e tattiche indispensabili che puoi effettivamente mettere in atto per scalare la tua attività in modo sostenibile. Puoi imparare dagli esperti del settore ed essere ispirato da incredibili talenti sotto i riflettori. Quest'anno appariranno artisti del calibro di Reese Witherspoon, Derek Jeter e Guy Raz. Visita inbound.com e acquista il tuo biglietto oggi stesso. Non te ne pentirai. Questa programmazione è garantita per ispirare e ricaricare. Giusto. Vai su inbound.com per ottenere il tuo biglietto oggi.

(01:03): Salve e benvenuti a un altro episodio del podcast Duct Tape Marketing.Questo è John Jantsch. Il mio ospite oggi è Kenneth Wenger. È autore, ricercatore presso la Toronto Metropolitan University e CTO di Squint AI Inc. I suoi interessi di ricerca risiedono nell'intersezione tra esseri umani e macchine, assicurandoci di costruire un futuro basato sull'uso responsabile della tecnologia. Oggi parleremo del suo libro Is the Algorithm Plotting Against Us?: A Layperson's Guide to the Concepts, Math, and Pitfalls of AI. Quindi, Ken, benvenuto allo spettacolo.

Kenneth Wenger (01:40): Ciao, John.Grazie mille. Grazie per avermi ospitato.

John Jantsch (01:42): Quindi, parleremo del libro, ma io, sono solo curioso, cosa, cosa fa Squint AI?

Kenneth Wenger (01:47): Questa è un'ottima domanda.Quindi, squint ai, um, è un'azienda che abbiamo creato per, um, fare qualche ricerca e sviluppare una piattaforma che ci permetta di, um,

(02:00): Fai, fai l'IA in un modo più responsabile, uh.Va bene. Va bene. Quindi, uh, sono sicuro che ci occuperemo di questo, ma lo accenno, uh, anche nel libro in molti casi, dove parliamo di, uh, ai, uso etico di ai, alcuni dei cadute di ai. E quindi quello che stiamo facendo con Squint è cercare di capire, sai, come provare a creare un ambiente che ci permetta di usare l'intelligenza artificiale in un modo che ci permetta di capire quando questi algoritmi non stanno funzionando al loro meglio, quando commettono errori e così via. Sì,

John Jantsch (02:30): Sì.Quindi, il titolo del tuo libro è The Algorithm Plotting Against, questa è una domanda un po' provocatoria. Voglio dire, ovviamente sono sicuro che ci sono persone là fuori che stanno dicendo di no , e alcuni dicono, beh, assolutamente. Quindi, allora perché porre la domanda allora?

Kenneth Wenger (02:49): Beh, perché io, in realtà sento che questa è una domanda che viene posta da molte persone diverse con in realtà un significato diverso.Giusto? Quindi è quasi la stessa domanda se l'IA rappresenta una minaccia esistenziale? Io, io, è una domanda che significa cose diverse per persone diverse. Giusto. Quindi volevo entrare in questo nel libro e provare a fare due cose. Innanzitutto, offri alle persone gli strumenti per essere in grado di comprendere da sole questa domanda, giusto. E prima capire come, dove si trovano in quel dibattito, e poi secondo, um, sai, fornire anche la mia opinione lungo la strada.

John Jantsch (03:21): Sì, sì.E probabilmente non ho fatto quella domanda con l'eleganza che avrei voluto. In realtà penso che sia fantastico che tu faccia la domanda, perché alla fine quello che stiamo cercando di fare è lasciare che le persone prendano le proprie decisioni piuttosto che dire, questo è vero per l'IA o questo non è vero per l'IA . Giusto.

Kenneth Wenger (03:36): Esatto.Giusto. E, e, e ancora, soprattutto perché è un problema sfumato. Sì. E significa cose diverse per persone diverse.

John Jantsch (03:44): Quindi questa è una domanda davvero difficile, ma ti chiederò, sai, dove siamo davvero nel continuum dell'IA?Voglio dire, le persone che si occupano di questo argomento da molti anni si rendono conto che è stato integrato in molte cose che usiamo ogni giorno e che diamo per scontate, ovviamente noi ChatGPT abbiamo coinvolto un intero spettro di persone che ora, sai, almeno hanno un vocabolario parlante di quello che è. Ma ricordo, sai, sono stato, sono stato, ho avuto la mia attività per 30 anni. Voglio dire, non avevamo il web , non avevamo siti web, sai, non avevamo dispositivi mobili che sicuramente ora hanno un ruolo, ma ricordo che quando ognuno di questi è arrivato, le persone dicevano, oh, siamo condannati. È finita . Giusto. Quindi, quindi attualmente c'è molto di quel tipo di linguaggio che circonda l'ai, ma dove pensi che siamo davvero nel continuum dell'evoluzione?

Kenneth Wenger (04:32): Sai, questa è un'ottima domanda perché penso che in realtà siamo molto presto.Sì. Penso che, sai, abbiamo fatto notevoli progressi in un periodo di tempo molto breve, ma penso che sia ancora, siamo nelle primissime fasi. Sai, se pensi a dove siamo adesso, eravamo un decennio fa, abbiamo fatto dei progressi. Ma penso che, fondamentalmente, a livello scientifico, abbiamo solo iniziato a grattare la superficie. Ti faccio alcuni esempi. Quindi inizialmente, sai, i primi modelli, sono stati bravissimi a darci davvero qualche prova che questo nuovo modo di porre domande, sai, essenzialmente le reti neurali. Yeah Yeah. Giusto. Sono equazioni molto complesse. Uh, se usi le GPU per eseguire queste equazioni complesse, allora possiamo effettivamente risolvere problemi piuttosto complessi. Questo è qualcosa che abbiamo realizzato intorno al 2012 e poi dopo il 2017, quindi tra il 2012 e il 2017 il progresso è stato molto lineare.

(05:28): Sai, sono stati creati nuovi modelli, sono state proposte nuove idee, ma le cose sono andate in scala e sono progredite in modo molto lineare.Ma dopo il 2017, con l'introduzione del modello chiamato Transformer, che è l'architettura di base dietro chat, g, pt e tutti questi grandi modelli linguistici, abbiamo avuto un altro tipo di realizzazione. È stato allora che ci siamo resi conto che se prendi quei modelli e li ingrandisci e li ingrandisci, in termini di dimensione del modello e dimensione del set di dati che abbiamo usato per addestrarli, migliorano esponenzialmente. Va bene. Ed è allora che siamo arrivati ​​al punto in cui siamo oggi, dove ci siamo resi conto che semplicemente ridimensionandoli, ancora una volta, non abbiamo fatto nulla di fondamentalmente diverso dal 2017. Tutto ciò che abbiamo fatto è aumentare le dimensioni del modello, aumentare la dimensione del set di dati e stanno migliorando in modo esponenziale.

John Jantsch (06:14): Allora, moltiplicazione piuttosto che addizione?

Kenneth Wenger (06:18): Beh, sì, esattamente.Sì. Quindi, quindi non lo è, il progresso è stato esponenziale, non solo nella traiettoria lineare. Sì. Ma penso, ma ancora una volta, il fatto che non siamo cambiati molto fondamentalmente in questi modelli, si ridurrà molto presto. È la mia aspettativa. E ora a che punto siamo sulla linea temporale? Qual era la tua domanda originale. Penso che se pensi a cosa stanno facendo i modelli oggi, stanno facendo molto elemento. Stanno facendo statistiche molto semplici, essenzialmente. Mmhmm. , non sono l'idea di questi modelli chiamati intelligenza artificiale. Giusto. Penso che a volte sia un termine un po' improprio. Sono d'accordo. E porta ad alcune delle domande che le persone hanno. Ehm, perché lì non c'è molto come l'intelligenza profonda in corso, è solo un modello statistico e molto semplice. E poi dove stiamo andando da qui e cosa spero sia il futuro, è allora che inizieremo, penso che le cose cambieranno radicalmente quando inizieremo a ottenere modelli in grado non solo di, non solo di fare semplici statistiche, ma sono in grado di comprendere il contesto di ciò che stanno cercando di ottenere. Sì. E sono in grado di capire, sai, la risposta giusta così come quella sbagliata. Quindi, ad esempio, loro, loro, loro, sono in grado di sapere quando parlano di cose che sanno e quando stanno aggirando questa zona grigia di cose che non sanno veramente. Ha senso? Sì,

John Jantsch (07:39): Assolutamente.Voglio dire, sono totalmente d'accordo con te sull'intelligenza artificiale. In realtà l'ho chiamato ia. Penso che sia più un'automazione informata. è un po' come la vedo io, almeno nel mio lavoro. Vedi un giorno in cui, sai, i suggerimenti che fanno domande sono, sai, questo è un po 'l'uso di strada, se vuoi, dell'IA per molte persone. Vedi un giorno in cui inizia a farti delle domande? Tipo, perché vorresti saperlo? O cosa stai cercando di ottenere facendo questa domanda?

Kenneth Wenger (08:06): Sì.Quindi la, la, la semplice risposta è sì. Io, lo faccio sicuramente. E penso che faccia parte di cosa significherebbe raggiungere un'intelligenza di livello superiore. È quando non stanno solo eseguendo i tuoi ordini, non è solo uno strumento. Yeah Yeah. Uh, ma loro, in un certo senso hanno il loro scopo che stanno cercando di raggiungere. E quindi è allora che vedresti cose come domande essenzialmente, uh, sorgere dal sistema, giusto? È quando loro, hanno un, un, un obiettivo a cui vogliono arrivare, che è, sai, e, e poi escogitano un piano per raggiungere quell'obiettivo. È allora che puoi vedere l'emergere di cose come domande per te. Non credo che ci siamo ancora arrivati, ma sì, penso che sia certamente possibile.

John Jantsch (08:40): Ma anche questa è la versione fantascientifica, giusto?Voglio dire, dove le persone iniziano a dire, sai, i film, è come, no, no, Ken, non conosci ancora quell'informazione. Deciderò quando potrai saperlo .

Kenneth Wenger (08:52): Beh, hai ragione.Voglio dire, la domanda, il modo in cui l'hai posta era più del tipo, è possibile in linea di principio? Penso assolutamente. SÌ. Sì. Lo vogliamo? Voglio dire, io, io non lo so. Immagino che faccia parte di, sì, dipende dal caso d'uso a cui stiamo pensando. Uh, ma dal primo punto di vista del principio Sì, lo è, è certamente possibile. Sì. Non per ottenere un modello

John Jantsch (09:13): Fallo.Quindi, penso che ci siano decine e decine di persone, capiscono solo l'intelligenza artificiale se vado in questo posto dove ha una scatola e digito una domanda e sputa una risposta. Dato che hai sia profano che matematica nel titolo, potresti darci una specie di versione per profano di come lo fa?

Kenneth Wenger (09:33): Sì, assolutamente.Quindi, beh, almeno ci proverò, mettiamola così, , quando, pochi istanti fa, quando ho detto che questi modelli, essenzialmente quello che sono, sono modelli statistici molto semplici. Quella stessa, quella stessa frase, è un po' controversa perché alla fine non sappiamo che tipo di intelligenza abbiamo, giusto? Quindi, se pensi alla nostra intelligenza, non sappiamo se a un certo livello siamo anche un modello statistico, giusto? Tuttavia, ciò che intendo per intelligenza artificiale oggi in modelli linguistici di grandi dimensioni come ChatGPT come semplici modelli statistici, ciò che intendo con ciò è che stanno eseguendo un compito molto semplice. Quindi, se pensi a ChatGPT, quello che stanno facendo è provare, essenzialmente, a prevedere la parola migliore successiva in una sequenza. Questo è tutto ciò che stanno facendo. E la parola, il modo in cui lo fanno è che calcolano quella che viene chiamata distribuzione di probabilità.

(10:31): Quindi sostanzialmente per ogni parola in a, in a, in un prompt o in un corpus di testo, calcolano la probabilità che la parola appartenga a quella sequenza.Giusto? E poi scelgono la parola successiva con la più alta probabilità di essere corretta lì. Va bene? Ora, questo è un modello molto semplice nel senso seguente. Se pensi a come comunichiamo, giusto? Sai, stiamo avendo una conversazione in questo momento. Penso che quando mi fai una domanda, io... mi fermo e penso a quello che sto per dire, giusto? Quindi ho un modello del mondo e ho uno scopo in quella conversazione. Mi viene in mente l'idea di ciò a cui voglio rispondere, e poi uso la mia capacità di produrre parole e di suonarle per comunicarlo a te. Giusto? Potrebbe essere possibile che io abbia un sistema nel mio cervello che funziona in modo molto simile a un grande modello linguistico, nel senso che non appena comincio a dire parole, la parola successiva che sto per dire è quella più probabile per essere corretti, date le parole che ho appena detto.

(11:32): È molto probabile.È vero. Tuttavia, ciò che è diverso è che almeno ho già un piano di ciò che sto per dire in uno spazio latente. Ho già codificato in qualche forma. Quello che voglio trasmettere, come lo dico, che la capacità di pro di produrre quelle parole potrebbe essere molto simile a un modello linguistico. Ma la differenza è che un modello linguistico di grandi dimensioni sta cercando di capire cosa dirà oltre a trovare quelle parole allo stesso tempo. Mmhmm. , Giusto? Ha senso? Quindi è un po' come se stessero divagando, ea volte se parlano troppo a lungo, divagano in un territorio senza senso. Sì. Sì. Perché non sanno cosa diranno finché non lo dicono. . Sì. Quindi, questa è una differenza fondamentale. Sì.

John Jantsch (12:20): Io, io, ho sicuramente visto un risultato piuttosto interessante in questo senso.Ma, sai, come ti ho sentito parlare di questo, voglio dire, in molti modi quello che stiamo facendo è interrogare un database di ciò che ci è stato insegnato, sono le parole che noi conoscere oltre ai concetti che abbiamo studiato, uh, e siamo in grado di articolare. Voglio dire, in qualche modo me lo stiamo chiedendo, suggerendo o anche io facendo una domanda a te, voglio dire, funziona in modo simile. Diresti

Kenneth Wenger (12:47): L'aspetto di porre una domanda e poi rispondere, è simile, ma ciò che è diverso è il concetto che stai cercando di descrivere.Quindi, ancora una volta, quando mi fai una domanda, ci penso e mi viene in mente, quindi io, ancora una volta, ho un modello del mondo che funziona finora per me per farmi passare la vita, giusto? E quel modello del mondo mi permette di comprendere concetti diversi in modi diversi. E quando sto per rispondere alla tua domanda, ci penso, formulo una risposta e poi trovo un modo per comunicartelo. Va bene? Quel passaggio manca da ciò che stanno facendo questi modelli linguistici, giusto? Stanno ricevendo un suggerimento, ma non c'è fase in cui stanno formulando una risposta con qualche obiettivo, giusto? Giusto? SÌ. Qualche scopo. Stanno essenzialmente ricevendo un testo e stanno cercando di generare una sequenza di parole che vengono capite mentre vengono prodotte, giusto? Non c'è un piano definitivo. Quindi, questa è una differenza fondamentale.

John Jantsch (13:54): E ora, sentiamo una parola dal nostro sponsor, marketing Made Simple.È un podcast ospitato dal Dr. Jj Peterson e ti viene offerto da HubSpot Podcast Network, la destinazione audio per i professionisti del marketing reso semplice, ti offre suggerimenti pratici per semplificare il tuo marketing e, cosa più importante, farlo funzionare. E in un recente episodio, JJ e April hanno parlato con le guide e i proprietari di agenzie certificate StoryBrand su come utilizzare ChatGPT per scopi di marketing. Sappiamo tutti quanto sia importante oggi. Ascolta il marketing reso semplice. Ovunque trovi i tuoi podcast.

(14:30): Ehi, proprietari di agenzie di marketing, sai, posso insegnarti le chiavi per raddoppiare la tua attività in soli 90 giorni o rimborsarti.Sembra interessante. Tutto quello che devi fare è concedere in licenza il nostro processo in tre fasi che ti consentirà di rendere i tuoi concorrenti irrilevanti, addebitare un premio per i tuoi servizi e scalare forse senza aggiungere spese generali. Ed ecco la parte migliore. Puoi concedere in licenza l'intero sistema per la tua agenzia semplicemente partecipando a un'imminente occhiata intensiva alla certificazione dell'agenzia, perché creare la ruota? Usa una serie di strumenti che abbiamo impiegato oltre 20 anni per creare. E puoi averli oggi, dai un'occhiata a dtm.world/certification. Questa è la certificazione della barra mondiale DTM.

(15:18): Voglio arrivare ad apprezzare ciò che riserva il futuro, ma voglio soffermarmi su un paio di cose in cui ti immergi nel libro.Quali sono, sai, oltre alla paura che i media diffondono , quali sono le vere e ovvie insidie ​​nell'affidarsi all'intelligenza artificiale?

Kenneth Wenger (15:38): Penso che il problema più grande, e uno dei, voglio dire il, il, il vero motivatore per me quando ho iniziato a scrivere il libro è che è uno strumento potente per due motivi.È molto facile da usare, a quanto pare, giusto? Sì. Puoi passare un fine settimana imparando Python, puoi scrivere poche righe e puoi trasformare, puoi analizzare, puoi analizzare dati che prima non potevi semplicemente usando una libreria. Quindi non devi davvero capire cosa stai facendo e puoi ottenere qualche risultato che sembra utile, ok? Mmhmm. , ma riscaldando in quel processo, giusto? Il fatto che tu possa prendere molti dati, una grande quantità di dati, modificarli in qualche modo e ottenere una risposta, ottenere qualche risultato senza capire cosa sta succedendo nel mezzo, ha enormi ripercussioni per fraintendere i risultati che stai ottenendo , Giusto? E poi se stai usando questi strumenti in un mondo, giusto?

(16:42): In un, in, in un modo che può influenzare altre persone.Ad esempio, sai, diciamo che lavori in un istituto finanziario e, e, e, e ti viene in mente un modello per capire, uh, a chi dovresti, a chi dovresti dare un po' di credito, ottenere, sai, l'approvazione per, per credito per una linea di credito e per chi non dovresti. Ora, in questo momento, le banche hanno i propri modelli, ma certo, se si toglie l'intelligenza artificiale, tradizionalmente quei modelli sono pensati dagli statistici e possono sbagliare di tanto in tanto, ma almeno hanno un grande vantaggio immagine di cosa significa, sai, analizzare i dati, distorcere i dati, giusto? Quali sono le ripercussioni del bias nei dati? Come sbarazzarsi di tutte queste cose sono cose che un buon statistico dovrebbe essere addestrato a fare. Ma ora, se rimuovi gli statistici, perché chiunque può usare un modello per analizzare i dati e ottenere qualche previsione, allora quello che succede è che finisci per negare e approvare linee di credito a persone che, con te, sai, con ripercussioni che potrebbero essere , sai, guidato da pregiudizi molto negativi nei dati, giusto?

(17:44): Ad esempio, potrebbe influenzare una certa parte della popolazione, uh, negativamente.Forse ce ne sono alcuni che non possono più ottenere una linea di credito solo perché vivono in un particolare quartiere mm-hmm. , o loro, sai, ci sono molte ragioni per cui questo potrebbe essere un problema,

John Jantsch (17:57): Ma non era questo un fattore in precedenza?Voglio dire, certamente i quartieri sono considerati , sai, come parte del, sai, anche nei modelli analogici, credo.

Kenneth Wenger (18:06): Sì, assolutamente.Quindi, come ho detto, abbiamo sempre avuto problemi con i pregiudizi, giusto? Nei dati, giusto? Ma tradizionalmente, speri, quindi accadono due cose. In primo luogo, speri che chiunque escogiti un modello, solo perché è un problema complesso, debba avere una formazione statistica soddisfacente. Sì. Giusto? E uno, uno statistico etico dovrebbe considerare come affrontare il bias nei dati, giusto? Quindi questo è il numero uno. Numero due, il problema che abbiamo in questo momento è che, prima di tutto, non c'è bisogno di prendere quella decisione prestabilita. Puoi semplicemente usare il modello senza capire cosa sta succedendo, giusto? Giusto. E poi quel che è peggio è che con questi modelli non riusciamo effettivamente a capire come, o tradizionalmente è molto difficile capire come sia arrivato il modello o la previsione. Quindi, se ti viene negata una linea di credito o, come dico nel libro, la cauzione, per esempio, in un caso giudiziario, uh, è molto difficile discutere, beh, perché io? Perché, perché mi è stata negata questa cosa? E poi se ripercorri il processo di auditing con l'approccio tradizionale in cui hai una decisione, puoi sempre chiedere, quindi come hai modellato questo? Uh, perché a questa persona è stato negato questo caso particolare in un audit? Mmhmm. con una, una, una rete neurale, per esempio, diventa molto più complicata.

John Jantsch (19:21): Quindi, voglio dire, quindi quello che stai dicendo, uno dei problemi iniziali è che le persone si affidano all'output, ai dati.Voglio dire, anche, sai, lo uso in un modo molto semplice. Gestisco una società di marketing e la usiamo molte volte per darci idee di copia, darci idee per i titoli dei titoli, sai, per le cose. Quindi non mi sento davvero come se ci fosse alcun pericolo reale lì dentro se non quello di suonare come tutti gli altri nella tua copia Uh, ma, ma stai dicendo che, sai, quando le persone iniziano a fare affidamento su questi per prendere decisioni che dovrebbero essere informate, molte volte le previsioni sono sbagliate.

Kenneth Wenger (19:57): Sì.E, e c'è molto, quindi la risposta è sì. Ora, ci sono due ragioni per questo. E a proposito, vorrei solo tornare indietro per dire che ci sono casi d'uso in cui, ovviamente, devi pensare a questo come a uno spettro, giusto? Come sì, sì. Ci sono casi in cui le ripercussioni di aver sbagliato qualcosa sono peggiori di altri casi, giusto? Quindi, come dici tu, se stai cercando di generare una copia e sai, se non ha senso, allora vai avanti e cambiala. E alla fine della giornata, probabilmente lo esaminerai comunque. Quindi, quindi questo è un costo inferiore, probabilmente inferiore. Il costo di un errore lì sarà inferiore rispetto, nel caso, sai, all'utilizzo di un modello in un, in un processo giudiziario, per esempio. Giusto? Giusto. Giusto. Ora, per quanto riguarda il fatto che questi modelli a volte ottengono, commettono errori, la ragione è che il modo in cui questi modelli funzionano effettivamente è che loro, e, e la parte che può essere ingannevole è che tendono a funzionare davvero bene per aree nei dati cioè, che capiscono molto bene.

(20:56): Quindi, se pensi a un set di dati, giusto?Quindi sono addestrati usando un set di dati per la maggior parte dei dati in quel set di dati, saranno in grado di modellarlo davvero bene. Ed è per questo che ottieni modelli con prestazioni, diciamo, accurate al 90% su un particolare set di dati. Il problema è che per il 10% in cui non sono in grado di modellare molto bene, gli errori sono notevoli e in un modo che un essere umano non sarebbe in grado di commettere quegli errori. Sì. Quindi cosa succede in quei casi in cui, prima di tutto, quando addestriamo questi modelli che otteniamo, diciamo, beh, sai, otteniamo un tasso di errore del 10% in questo particolare set di dati. L'unico problema è che quando lo metti in produzione, non sai che il tasso di incidenza di quegli errori sarà lo stesso nel mondo reale, giusto?

(21:40): Potresti finire, uh, trovarti in una situazione in cui ottieni quei punti dati che portano a errori a un tasso molto più alto di quello che hai fatto nel tuo set di dati.Solo un problema. Il secondo problema è che se, se sei in un caso d'uso, se la tua produzione, sai, applicazione, è tale che un errore potrebbe costare, come diciamo in un caso d'uso medico o nella guida autonoma, quando devi tornare indietro e spiegare perché hai sbagliato qualcosa, perché il modello ha sbagliato qualcosa, ed è così stranamente diverso da ciò che un essere umano sbaglierebbe. Questo è uno dei motivi fondamentali per cui oggi questi sistemi non vengono implementati in domini critici per la sicurezza. E a proposito, questo è uno dei motivi fondamentali per cui abbiamo creato splint, è affrontare in modo specifico quei problemi, è capire come possiamo creare un insieme di modelli o un sistema in grado di capire in modo specifico quando i modelli stanno facendo le cose per bene e quando stanno sbagliando le cose in fase di esecuzione. Perché penso davvero che sia, è uno dei motivi fondamentali per cui non siamo avanzati tanto quanto avremmo dovuto a questo punto. È perché quando i modelli funzionano davvero bene, uh, quando sono in grado di modellare i dati, allora funzionano alla grande. Ma per i casi in cui non possono modellare quella sezione dei dati, gli errori sono semplicemente incredibili, giusto? Sono cose che gli umani non farebbero mai di quel tipo

John Jantsch (23:00): Errore.Si si si. E, e ovviamente, sai, questo sarà sicuramente, questo deve essere risolto prima che qualcuno si fidi di inviare, sai, un'astronave umana, sai, guidata dall'IA o qualcosa del genere, giusto? Voglio dire, quando sai che la vita umana è a rischio, sai, devi avere fiducia. E quindi se non puoi fidarti di quel processo decisionale, questo sicuramente impedirà alle persone di impiegare la tecnologia, suppongo.

Kenneth Wenger (23:24): Giusto?O usarli, ad esempio, per aiutare, come stavo dicendo, nei domini medici, ad esempio nella diagnosi del cancro, giusto? Se vuoi che un modello sia in grado di rilevare determinati tipi di cancro, date diciamo le scansioni della biopsia, vuoi poterti fidare del modello. Ora qualsiasi cosa, essenzialmente qualsiasi modello, sai, commetterà errori. Niente è mai perfetto, ma tu vuoi che accadano due cose. Innanzitutto, vuoi essere in grado di ridurre al minimo i tipi di errori che il modello può commettere e devi avere qualche indicazione che la qualità della previsione del modello non è eccezionale. Non vuoi averlo. Sì. E in secondo luogo, una volta che si verifica un errore, devi essere in grado di difendere che il motivo per cui è avvenuto l'errore è perché la qualità dei dati era tale che, sai, nemmeno un essere umano potrebbe fare di meglio. Sì. Non possiamo permettere che i modelli commettano errori che un medico umano guarderebbe e direbbe, beh, questo è chiaramente Sì, sbagliato.

John Jantsch (24:15): Sì.Sì. Assolutamente. Bene, Ken, voglio, uh, voglio ringraziarti per esserti preso un momento per fermarti al Duct Tape Marketing Podcast. Vuoi dire alle persone dove possono trovare, connettersi con te se lo desideri, e poi ovviamente dove possono ritirare una copia di Is the Algorithm Plotting against Us?

Kenneth Wenger (24:29): Assolutamente.Grazie mille, prima di tutto per avermi ospitato. È stata una bella conversazione. Quindi sì, puoi contattarmi su LinkedIn e per il poliziotto per una copia del libro e ottenerlo sia da, uh, Amazon che dal sito web del nostro editore, il, si chiama working fires.org.

John Jantsch (24:42): Fantastico.Bene, ancora una volta, grazie per aver risolto con un'ottima conversazione. Se tutto va bene, forse ti incontreremo uno di questi giorni là fuori per strada.

Kenneth Wenger (24:49): Grazie.

John Jantsch (24:49): Ehi, e un'ultima cosa prima di andare.Sai come parlo di strategia di marketing, strategia prima di tattica? Bene, a volte può essere difficile capire dove ti trovi, cosa bisogna fare per quanto riguarda la creazione di una strategia di marketing. Quindi abbiamo creato uno strumento gratuito per te. Si chiama valutazione della strategia di marketing. Puoi trovarlo su @marketingassessment.co, not.com, punto co. Dai un'occhiata alla nostra valutazione di marketing gratuita e scopri a che punto sei con la tua strategia oggi. Questo è solo marketing assessment.co. Mi piacerebbe parlare con te dei risultati che ottieni.