John Jantsch (00:00): Hey, HubSpot'un yıllık gelen konferansının yaklaştığını biliyor muydunuz?Bu doğru. 5 Eylül'den 8 Eylül'e kadar Boston'da olacak. Inbound, her yıl işletme, satış, pazarlama, müşteri başarısı, operasyonlar ve daha pek çok alanda liderleri bir araya getiriyor. İşinizi sürdürülebilir bir şekilde ölçeklendirmek için uygulamaya koyabileceğiniz en son bilinmesi gereken trendleri ve taktikleri keşfedebileceksiniz. Sektör uzmanlarından öğrenebilir ve dikkatleri üzerine çekme konusunda inanılmaz yeteneklerden ilham alabilirsiniz. Bu yıl Reese Witherspoon, Derek Jeter, Guy Raz gibi isimler sahneye çıkacak. inbound.com'u ziyaret edin ve biletinizi bugün alın. pişman olmayacaksın Bu programlamanın ilham vermesi ve yeniden şarj olması garanti edilir. Bu doğru. Biletinizi bugün almak için inbound.com'a gidin.

(01:03): Merhaba, Koli Bandı Pazarlama Podcast'inin başka bir bölümüne hoş geldiniz.Bu John Jantsch'tır. Bugünkü konuğum Kenneth Wenger. Kendisi bir yazar, Toronto Metropolitan Üniversitesi'nde araştırma görevlisi ve Squint AI Inc.'in CTO'su. Araştırma ilgi alanları, teknolojinin sorumlu kullanımına dayalı bir gelecek inşa etmemizi sağlamak için insanlar ve makinelerin kesişiminde yatıyor. Bugün kitabı hakkında konuşacağız Algoritma Bize Karşı mı Plan Yapıyor?: Meslekten Olmayan Bir Kişinin Yapay Zekanın Kavramları, Matematiği ve Tuzakları Rehberi. Ken, gösteriye hoş geldin.

Kenneth Wenger (01:40): Merhaba John.Çok teşekkür ederim. Beni kabul ettiğin için teşekkürler.

John Jantsch (01:42): Kitap hakkında konuşacağız ama ben, sadece merak ediyorum, Squint AI ne yapıyor?

Kenneth Wenger (01:47): Bu harika bir soru.Şaşılık ai, um, biraz araştırma yapmak ve bize olanak sağlayan bir platform geliştirmek için oluşturduğumuz bir şirket, um,

(02:00): Yapay zekayı daha sorumlu bir şekilde yapın.Tamam aşkım. Tamam aşkım. Bu konuya gireceğimizden eminim ama kitapta birçok durumda buna değiniyorum, ai, ai, ai'nin etik kullanımı hakkında konuştuğumuz yer, bazı ai'nin düşüşleri. Ve böylece Squint ile yaptığımız şey, AI'yı bu algoritmaların ne zaman çalışmadığını anlamamıza izin verecek şekilde kullanmamızı sağlayan bir ortamı nasıl yaratmaya çalışacağımızı anlamaya çalışıyoruz. en iyi hallerinde, hata yaptıklarında vb. Evet,

John Jantsch (02:30): Evet.Yani, kitabınızın adı The Algorithm Plotting Against, bu biraz provokatif bir soru. Yani, eminim ki orada hayır diyen insanlar vardır. ve bazıları, kesinlikle, kesinlikle diyor. Öyleyse neden soruyu soruyorsun?

Kenneth Wenger (02:49): Şey, çünkü ben aslında bunun farklı anlamlara sahip birçok farklı insan tarafından sorulan bir soru olduğunu hissediyorum.Sağ? Yani bu, AI varoluşsal bir tehdit oluşturuyor mu sorusuyla neredeyse aynı. Ben, ben, farklı insanlar için farklı şeyler ifade eden bir soru. Sağ. Bu yüzden kitapta buna girmek ve iki şey yapmaya çalışmak istedim. İlk olarak, insanlara bu soruyu kendileri için doğru anlayabilecekleri araçlar sunun. Ve önce bu tartışmada nasıl, nerede durduklarını anlayın ve sonra ikinci olarak, um, bilirsiniz, yol boyunca benim fikrimi de belirtin.

John Jantsch (03:21): Evet, evet.Ve muhtemelen bu soruyu istediğim kadar zarif bir şekilde sormadım. Aslında soruyu sormanızın harika olduğunu düşünüyorum, çünkü nihayetinde yapmaya çalıştığımız şey, bu yapay zeka için doğru veya bu yapay zeka için doğru değil demek yerine insanların kendi kararlarını vermelerine izin vermek. . Sağ.

Kenneth Wenger (03:36): Doğru.Bu doğru. Ve, ve, ve tekrar, özellikle de incelikli bir problem olduğu için. Evet. Ve farklı insanlar için farklı şeyler ifade ediyor.

John Jantsch (03:44): Yani bu gerçekten zor bir soru, ama size soracağım, bilirsiniz, gerçekten yapay zeka sürekliliğinin neresindeyiz?Demek istediğim, uzun yıllardır bu konuyla ilgilenen insanlar, bunun her gün kullandığımız ve kanıksadığımız pek çok şeyin içine yerleştirildiğini fark ediyor, açıkçası biz ChatGPT olarak şu anda en azından sahip olduğumuz tamamen farklı bir insan yelpazesini ortaya çıkardık. ne olduğuna dair konuşan bir kelime dağarcığı. Ama hatırlıyorum, bilirsiniz, 30 yıldır öyleydim, kendi işim oldu. Yani, internetimiz yoktu , web sitelerimiz yoktu, bilirsiniz, artık kesinlikle bir rol oynayan mobil cihazlarımız yoktu, ama hatırlıyorum, bunların her biri ortaya çıktıkça insanlar, ah, sonumuz geldi. Bitti . Sağ. Yani, şu anda ai'yi çevreleyen bu türden pek çok dil var, ama sizce evrimin sürekliliğinde gerçekten neredeyiz?

Kenneth Wenger (04:32): Biliyorsunuz, bu harika bir soru çünkü aslında daha yolun başında olduğumuzu düşünüyorum.Evet. Bence, bilirsin, çok kısa bir süre içinde dikkate değer bir ilerleme kaydettik, ama bence hala çok erken aşamalardayız. Biliyorsunuz, yapay zekayı şu anda nerede olduğumuzu düşünürseniz, on yıl önceydik, biraz ilerleme kaydettik. Ama bence, temelde, bilimsel düzeyde, sadece yüzeyi çizmeye başladık. Size bazı örnekler vereceğim. Yani başlangıçta, bilirsiniz, ilk modeller, bize bu yeni soru sorma yönteminin, bilirsiniz, esasen sinir ağlarının olduğuna dair bazı kanıtlar vermede gerçekten harikaydılar. Evet evet. Sağ. Çok karmaşık denklemler. Bu karmaşık denklemleri çalıştırmak için GPU'ları kullanırsanız, o zaman gerçekten oldukça karmaşık sorunları çözebiliriz. Bu, 2012'de ve ardından 2017'den sonra fark ettiğimiz bir şeydi, dolayısıyla 2012 ile 2017 arasında ilerleme çok doğrusaldı.

(05:28): Biliyorsunuz yeni modeller yaratıldı, yeni fikirler önerildi ama işler çok doğrusal bir şekilde ölçeklendi ve ilerledi.Ancak 2017'den sonra, sohbet, g, pt ve tüm bu büyük dil modellerinin arkasındaki temel mimari olan Transformer adlı modelin piyasaya sürülmesiyle, başka bir tür gerçekleştirme yaşadık. İşte o zaman, bu modelleri alıp büyütürseniz ve onları eğitmek için kullandığımız modelin boyutu ve veri kümesinin boyutu açısından ölçeklendirirseniz, katlanarak daha iyi hale geldiklerini fark ettik. Tamam aşkım. İşte o zaman bugün bulunduğumuz noktaya geldik ve fark ettik ki, sadece ölçeklendirerek, 2017'den beri temelde farklı bir şey yapmadık. veri kümesinin boyutu ve katlanarak daha iyi hale geliyorlar.

John Jantsch (06:14): Yani toplama yerine çarpma mı?

Kenneth Wenger (06:18): Şey, evet, kesinlikle.Evet. Yani, öyle değil, ilerleme üstel oldu, sadece doğrusal yörüngede değil. Evet. Ama bence, ama yine de, bu modellerde temelde çok fazla değişmediğimiz gerçeği, çok yakında azalacak. Bu benim beklentim. Ve şimdi zaman çizelgesinde neredeyiz? Orijinal sorunuz hangisiydi? Bence modellerin bugün ne yaptığını düşünürseniz, çok element yapıyorlar. Aslında çok basit istatistikler yapıyorlar. Mm-hmm. , bu modellerin yapay zeka olarak adlandırılmasının fikri değiller. Sağ. Bazen biraz yanlış bir isim olduğunu düşünüyorum. Kabul ediyorum. Ve insanların sahip olduğu bazı sorulara yol açar. Um, çünkü orada, derin zeka gibi pek bir şey olmuyor, bu sadece istatistiksel modelleme ve bunda çok basit. Ve sonra buradan nereye gideceğimizi ve geleceğin ne olacağını umuyorum, işte o zaman başlayacağız, bence olay, sadece basit istatistikler yapmakla kalmayan, sadece yapamayan modeller almaya başladığımızda her şey dramatik bir şekilde değişecek. ancak başarmaya çalıştıkları şeyin bağlamını anlayabilirler. Evet. Ve yanlış cevabı olduğu kadar doğru cevabı da anlayabiliyorlar. Yani, örneğin, onlar, onlar, onlar, onlar, onlar, onlar, onlar, onlar, onlar, onlar, onlar, onlar, onlar, onlar, onlar, onlar, onlar, onlar, onlar, onlar, onlar, onlar, onlar, onlar, ne zaman, ne zaman, ne zaman, ne zaman, bu gri alanda, gerçekten bilmedikleri şeyler hakkında dolaşıyorlar. bu mantıklı mı? Evet,

John Jantsch (07:39): Kesinlikle.Yani, yapay zeka konusunda sana tamamen katılıyorum. Aslında ona ia diyordum. Bence daha çok bilinçli otomasyon. en azından işimde, ona nasıl baktığım gibi. Soru sorma istemlerinin, bilirsiniz, birçok insan için yapay zekanın sokak kullanımı olduğu bir gün görüyor musunuz? Size sorular sormaya başladığı bir gün görüyor musunuz? Mesela, bunu neden bilmek isteyesin ki? Veya bu soruyu sorarak ne elde etmeye çalışıyorsunuz?

Kenneth Wenger (08:06): Evet.Yani, basit cevap evet. Ben, kesinlikle istiyorum. Ve bence bu, daha yüksek bir zeka düzeyine ulaşmanın nasıl bir şey olacağının bir parçası. Sadece emirlerini yerine getirmedikleri zaman, bu sadece bir araç değil. Evet evet. Ama onların, başarmaya çalıştıkları kendi amaçları var. Ve işte o zaman sorular gibi şeylerin aslında sistemden çıktığını görürsünüz, değil mi? Ulaşmak istedikleri bir hedefleri olduğunda, yani, bilirsiniz, ve sonra bu hedefe ulaşmak için bir plan yaptıklarında. İşte o zaman size sorular gibi şeylerin ortaya çıktığını görebilirsiniz. Henüz o noktaya geldiğimizi sanmıyorum ama evet, kesinlikle mümkün olduğunu düşünüyorum.

John Jantsch (08:40): Ama bu da bilim kurgu versiyonu, değil mi?Demek istediğim, insanlar, bilirsiniz, filmler, hayır, hayır, Ken, bu bilgiyi henüz öğrenemezsin. Bunu ne zaman öğrenebileceğine ben karar vereceğim. .

Kenneth Wenger (08:52): Haklısın.Demek istediğim, soru, soruyu sorma şekliniz daha çok şöyleydi, öyle mi, prensipte mümkün mü? bence kesinlikle Evet. Evet. Bunu istiyor muyuz? Yani, ben, bilmiyorum. Sanırım bu, evet, hangi kullanım durumunu düşündüğümüze bağlı. Uh, ama birinci ilke açısından evet, öyle, kesinlikle mümkün. Evet. model almak değil

John Jantsch (09:13): Bunu yap.Bu yüzden, bence çok sayıda insan var, onlar sadece yapay zekayı anlıyorlar, bir kutusu olan bu yere gidiyorum ve bir soru yazıyorum ve bir cevap veriyor. Başlıkta hem meslekten olmayan hem de matematiğe sahip olduğunuza göre, bunu nasıl yaptığına dair bize biraz meslekten olmayan kişinin versiyonunu verebilir misiniz?

Kenneth Wenger (09:33): Evet, kesinlikle.Yani, en azından deneyeceğim, izin ver, bu şekilde ifade edeyim, , o zaman, birkaç dakika önce bu modellerin aslında ne olduklarını, çok basit istatistiksel modeller olduğundan bahsettiğimde. Bunun kendisi, bu ifadenin kendisi, biraz tartışmalı çünkü günün sonunda ne tür bir zekaya sahip olduğumuzu bilmiyoruz, değil mi? Yani zekamızı düşünürseniz, bir düzeyde istatistiksel bir model olup olmadığımızı da bilmiyoruz, değil mi? Bununla birlikte, bugün ChatGPT gibi büyük dil modellerinde basit istatistiksel modeller olan AI ile kastettiğim şey, bunların çok basit bir görevi yerine getirmeleridir. Yani ChatGPT'yi düşünürseniz, yaptıkları şey aslında bir dizideki bir sonraki en iyi kelimeyi tahmin etmeye çalışmaktır. Tüm yaptıkları bu. Ve kelime, bunu yapma biçimleri, olasılık dağılımı denilen şeyi hesaplamalarıdır.

(10:31): Yani temelde a'daki, a'daki, bilgi istemindeki veya bir metin külliyatındaki herhangi bir kelime için, kelimenin o diziye ait olma olasılığını hesaplıyorlar.Sağ? Ve sonra orada doğru olma olasılığı en yüksek olan bir sonraki kelimeyi seçerler. Tamam aşkım? Şimdi, bu şu anlamda çok basit bir model. Nasıl iletişim kurduğumuzu düşünürseniz, değil mi? Biliyorsun, şu anda bir konuşma yapıyoruz. Sanırım bana bir soru sorduğunda, ben, ben duruyorum ve ne söyleyeceğimi düşünüyorum, değil mi? Yani bir dünya modelim var ve bu konuşmada bir amacım var. Neye cevap vermek istediğime dair bir fikir buluyorum ve sonra bunu size iletmek için kelimeler üretme ve onları seslendirme yeteneğimi kullanıyorum. Sağ? Beynimde büyük bir dil modeline çok benzer şekilde çalışan bir sisteme sahip olmam mümkün olabilir, yani kelimeleri söylemeye başlar başlamaz söyleyeceğim bir sonraki kelime en olası olanıdır. az önce söylediğim sözler göz önüne alındığında doğru olmak.

(11:32): Çok mümkün.Bu doğru. Bununla birlikte, farklı olan şu ki, en azından gizli bir alanda söyleyeceklerime dair bir planım var. Zaten bir biçimde kodladım. Karşılaşmak istediğim şey, nasıl söylediğim, bu kelimeleri üretme yeteneğinin bir dil modeline çok benzeyebileceği. Ancak fark şu ki, büyük bir dil modeli ne söyleyeceğini anlamaya çalışırken aynı zamanda bu sözcükleri de buluyor. Mm-hmm. , Sağ? bu mantıklı mı? Yani biraz saçmalıyor gibiler ve bazen çok uzun konuşurlarsa saçma sapan bir alanda saçma sapan konuşuyorlar. Evet. Evet. Çünkü söyleyene kadar ne söyleyeceklerini bilmiyorlar. . Evet. Yani, bu çok temel bir fark. Evet.

John Jantsch (12:20): Ben, ben, kesinlikle bu doğrultuda oldukça ilginç bazı çıktılar gördüm.Ama, bilirsin, bunun hakkında konuştuğunu duyduğuma göre, yani, birçok yönden yaptığımız şey, bize öğretilenlerin bir veri tabanını sorgulamak, kullandığımız kelimeler mi? Çalıştığımız kavramlara ek olarak bilmek ve ifade edebilmek. Demek istediğim, bazı yönlerden bunu bana sorguluyoruz, yönlendiriyoruz ya da size bir soru soruyorum, yani, benzer şekilde çalışıyor. söyler misin

Kenneth Wenger (12:47): Bir soru sormak ve sonra onu cevaplamak benzerdir, ancak farklı olan, tarif etmeye çalıştığınız kavramdır.Yani, yine, bana bir soru sorduğunda, bunun hakkında düşünürüm ve bulurum, bu yüzden, yine, beni hayata geçirmek için şimdiye kadar benim için çalışan bir dünya modelim var, değil mi? Ve bu dünya modeli, farklı kavramları farklı şekillerde anlamamı sağlıyor. Ve sorunuzu yanıtlamak üzereyken, bunun hakkında düşünürüm, bir yanıt formüle ederim ve sonra bunu size iletmenin bir yolunu bulurum. Tamam aşkım? Bu adım, bu dil modellerinin yaptıklarında eksik, değil mi? Bir istem alıyorlar, ancak herhangi bir hedefle bir yanıt formüle ettikleri bir adım yok, değil mi? Sağ? Evet. Bir amaç. Esasen bir metin alıyorlar ve üretilirken anlaşılan bir dizi kelime üretmeye çalışıyorlar, değil mi? Nihai bir plan yok. Yani bu çok temel bir fark.

John Jantsch (13:54): Ve şimdi sponsorumuz Made Simple pazarlamasından bir söz dinleyelim.Bu, Dr. Jj Peterson tarafından sunulan bir podcast'tir ve size HubSpot Podcast Network tarafından sunulur, pazarlamayı kolaylaştıran iş profesyonelleri için ses hedefi, size pazarlamanızı kolaylaştırmak ve daha da önemlisi çalışmasını sağlamak için pratik ipuçları sunar. Yakın tarihli bir bölümde JJ ve April, StoryBrand sertifikalı rehberler ve ajans sahipleriyle ChatGPT'nin pazarlama amaçları için nasıl kullanılacağı hakkında sohbet ediyor. Bunun bugün ne kadar önemli olduğunu hepimiz biliyoruz. Made in Simple'ı dinleyin. Podcast'lerinizi nereden alırsanız alın.

(14:30): Hey, pazarlama ajansı sahipleri, biliyorsunuz, size işinizi sadece 90 günde ikiye katlamanın veya paranızı geri almanın anahtarlarını öğretebilirim.Kulağa ilginç geliyor. Tek yapmanız gereken, rakiplerinizi alakasız hale getirmenize, hizmetleriniz için bir prim talep etmenize ve belki de ek yük eklemeden ölçeklendirmenize izin verecek üç adımlı sürecimizi lisanslamak. Ve işte en iyi kısım. Yaklaşan bir ajans sertifikasyon yoğun görünümüne katılarak tüm bu sistemi acenteniz için lisanslayabilirsiniz, neden çarkı yaratıyorsunuz? Oluşturmamız 20 yıldan fazla süren bir dizi araç kullanın. Ve bugün sahip olabilirsiniz, dtm.world/certification adresinden kontrol edin. Bu, DTM dünya eğik çizgi sertifikasıdır.

(15:18): Geleceğin ne getireceğini bilmek istiyorum ama kitapta daldığınız birkaç şey üzerinde durmak istiyorum.Medyanın yaydığı korkudan başka ne var? , AI'ya güvenmenin gerçek, bilirsiniz ve bariz tuzakları nelerdir?

Kenneth Wenger (15:38): Bence en büyük sorun ve kitabı yazmaya başladığımda beni asıl motive eden şeylerden biri, kitabın iki nedenden dolayı güçlü bir araç olması.Görünüşe göre kullanımı çok kolay, değil mi? Evet. Bir hafta sonunu python öğrenerek geçirebilir, birkaç satır yazabilir ve daha önce bir kütüphane kullanarak dönüştüremediğiniz verileri dönüştürebilir, analiz edebilir, ayrıştırabilirsiniz. Yani ne yaptığınızı gerçekten anlamanıza gerek yok ve yararlı görünen bazı sonuçlar elde edebilirsiniz, tamam mı? Mm-hmm. , ama bu süreçte ısıtma, değil mi? Çok fazla, büyük miktarda veri alıp, bir şekilde değiştirip yanıt alabilmeniz, ortada ne olduğunu anlamadan bir sonuç alabilmeniz, elde ettiğiniz sonuçları yanlış anlamanız için çok büyük yankılara sahip. , Sağ? Ve sonra, bu araçları bir dünyada kullanıyorsanız, değil mi?

(16:42): Bir şekilde, diğer insanları etkileyebilecek şekilde.Örneğin, diyelim ki bir finans kuruluşunda çalışıyorsunuz ve, ve, ve kime kredi vermeniz, kime kredi vermeniz, onaylanmanız gerektiğini anlamak için bir model buldunuz. için, bir kredi limiti için kredi için ve kim yapmamalısınız. Şimdi, şu anda, bankaların kendi modelleri var, ama elbette, yapay zekayı bunun dışında bırakırsanız, geleneksel olarak bu modeller istatistikçiler tarafından derinlemesine düşünülür ve arada bir yanlış şeyler yapabilirler, ama en azından büyük bir güçleri vardır. Verileri analiz etmenin, verileri önyargılı hale getirmenin ne anlama geldiğinin resmi, değil mi? Verilerdeki yanlılığın yansımaları nelerdir? Tüm bu şeylerden nasıl kurtulursunuz, iyi bir istatistikçinin yapmak için eğitilmesi gereken şeylerdir. Ama şimdi, istatistikçileri çıkarırsanız, çünkü herkes verileri analiz etmek ve bir tahminde bulunmak için bir model kullanabilir, o zaman olan şey, sizin için, bilirsiniz, yan etkileri olabilecek insanların kredi limitlerini reddetmek ve onaylamaktır. , biliyorsunuz, verilerdeki çok olumsuz önyargı tarafından yönlendiriliyor, değil mi?

(17:44): Yani toplumun belli bir kesimini olumsuz etkileyebilir.Belki de sadece belirli bir mahallede yaşadıkları için artık kredi limiti alamayanlar vardır, mm-hmm. veya onlar, bilirsin, bunun bir sorun olabilmesinin birçok nedeni var,

John Jantsch (17:57): Ama bu önceden bir faktör değil miydi?Yani, kesinlikle mahalleler dikkate alınır. , bilirsiniz, bir parçası olarak, bilirsiniz, analog modellerde bile bence.

Kenneth Wenger (18:06): Evet, kesinlikle.Dediğim gibi, her zaman ön yargı sorunu yaşadık, değil mi? Verilerde, değil mi? Ama geleneksel olarak, umarsınız ki iki şey olur. İlk olarak, karmaşık bir problem olduğu için bir model bulan kişinin biraz tatmin edici istatistik eğitimi alması gerektiğini umarsınız. Evet. Sağ? Ve a, etik bir istatistikçinin verilerdeki yanlılıkla nasıl başa çıkacağını düşünmesi gerekir, değil mi? Yani bu bir numara. İkincisi, şu anda sahip olduğumuz sorun şu ki, her şeyden önce, o kesin karara sahip olmanıza gerek yok. Ne olduğunu anlamadan modeli kullanabilirsiniz, değil mi? Sağ. Ve daha da kötüsü, bu modellerle aslında nasıl olduğunu anlayamıyoruz veya geleneksel olarak modelin veya tahminin nasıl geldiğini anlamak çok zor. Dolayısıyla, kredi limitiniz reddedilirse veya kefalet kitabında bahsettiğim gibi, örneğin bir mahkeme davasında, tartışmak çok zordur, peki, neden ben? Neden, neden bu şey reddedildi? Ve sonra, bir kararın olduğu geleneksel yaklaşımla tekrar denetleme sürecinden geçerseniz, her zaman sorabilirsiniz, peki bunu nasıl modellediniz? Uh, bu kişi neden bir denetimde bu özel davayı reddetti? Mm-hmm. örneğin bir sinir ağı ile bu çok daha karmaşık hale gelir.

John Jantsch (19:21): Yani, yani, yani diyorsunuz ki, ilk sorunlardan biri, insanların çıktıya, verilere güvenmesi.Yani, bilirsin, ben onu çok basit bir şekilde kullanıyorum. Bir pazarlama şirketi yönetiyorum ve bunu çoğu zaman bize kopya fikirler vermek, bize ana başlık fikirleri vermek, bilirsiniz, şeyler için kullanırız. Bu yüzden orada gerçekten herhangi bir gerçek tehlike varmış gibi hissetmiyorum, belki de herkes gibi ses çıkarmaktan başka. kopyanızda. Ama diyorsunuz ki, insanlar bilgi sahibi olması gereken kararlar almak için bunlara güvenmeye başladıkça çoğu zaman tahminler yanlış çıkıyor.

Kenneth Wenger (19:57): Evet.Ve çok var, bu yüzden cevap evet. Şimdi bunun iki nedeni var. Ve bu arada, geri dönüp şunu söylememe izin verin, tabii ki bunu bir spektrum olarak düşünmeniz gereken kullanım durumları var, değil mi? Evet gibi, evet. Bir şeyi yanlış anlamanın sonuçlarının diğer durumlardan daha kötü olduğu durumlar vardır, değil mi? Dediğiniz gibi, bir kopya oluşturmaya çalışıyorsanız ve bunun saçma olduğunu biliyorsanız, o zaman devam edin ve onu değiştirin. Ve günün sonunda, muhtemelen yine de gözden geçireceksin. Yani, bu daha düşük, muhtemelen daha düşük bir maliyettir. Oradaki bir hatanın maliyeti, örneğin adli bir süreçte bir modelin kullanılması durumunda olduğundan daha düşük olacaktır. Sağ? Sağ. Sağ. Şimdi, bu modellerin bazen hata yapması gerçeğiyle ilgili olarak, bunun nedeni, bu modellerin gerçekte çalışma şeklidir ve yanıltıcı olabilecek kısım, onlar için gerçekten iyi çalışma eğiliminde olmalarıdır. verilerdeki alanlar, yani gerçekten iyi anladıkları.

(20:56): Yani, bir veri seti düşünürseniz, öyle değil mi?Böylece, bu veri kümesindeki verilerin çoğu için bir veri kümesi kullanılarak eğitildiler, onu gerçekten iyi modelleyebilecekler. İşte bu yüzden, diyelim ki, belirli bir veri setinde %90 doğru performans gösteren modeller elde edersiniz. Sorun şu ki, gerçekten iyi modelleme yapamadıkları %10 için, oradaki hatalar dikkate değer ve bir şekilde bir insan bu hataları yapamayacak. Evet. Peki, bu durumlarda ne olur, her şeyden önce, aldığımız bu modelleri eğitirken, bilirsiniz, bu özel veri setinde %10 hata oranı elde ederiz deriz. Sorun şu ki, bunu üretime aldığınızda, bu hataların görülme oranlarının gerçek dünyada aynı olacağını bilmiyorsunuz, değil mi?

(21:40): Hatalara yol açan veri noktalarını, veri kümenizde olduğundan çok daha yüksek oranda aldığınız bir duruma düşebilirsiniz.Sadece bir problem. İkinci sorun ise, eğer bir kullanım durumundaysanız, eğer üretiminiz, bilirsiniz, uygulamanız, bir hatanın mal olabileceği bir yerdeyse, örneğin tıbbi kullanım durumunda veya kendi kendine sürüş durumunda, geri dönüp neden bir şeyleri yanlış anladığınızı, modelin neden bir şeyleri yanlış yaptığını açıklamanız gerektiğinde ve bu, bir insanın yanlış yapacağından çok tuhaf bir şekilde farklı. Bugün bu sistemlerin güvenlik açısından kritik alanlarda konuşlandırılmasına sahip olmamamızın temel nedenlerinden biri de budur. Ve bu arada, splint'i yaratmamızın temel nedenlerinden biri de bu, özellikle bu problemlerin üstesinden gelmek, özellikle modellerin işleri doğru yaptığını anlayabilecek bir model seti veya sistem nasıl oluşturabileceğimizi bulmaktır. çalışma zamanında işleri yanlış anladıklarında. Çünkü bence gerçekten bu noktada olması gerektiği kadar ilerlememiş olmamızın temel nedenlerinden biri de bu. Çünkü modeller gerçekten iyi çalıştığında, uh, verileri modelleyebildiklerinde harika çalışıyorlar. Ancak verilerin bu bölümünü modelleyemedikleri durumlarda, hatalar inanılmaz, değil mi? İnsanların bu tür şeyleri asla yapmayacağı şeyler

John Jantsch (23:00): Hata.Evet evet evet. Ve tabii ki, bu kesinlikle çözülecek, herhangi biri yapay zeka veya başka bir şey tarafından yönlendirilen bir insan uzay gemisi göndermeye güvenmeden önce çözülmesi gerekiyor, değil mi? Demek istediğim, insan hayatının risk altında olduğunu bildiğinde, güven duyman gerekir. Ve bu karar verme sürecine güvenemezseniz, bu kesinlikle insanları teknolojiyi kullanmaktan alıkoyacaktır, sanırım.

Kenneth Wenger (23:24): Değil mi?Veya bunları, dediğim gibi, tıbbi alanlarda, örneğin kanser teşhisinde yardımcı olmak için kullanmak, değil mi? Bir modelin belirli kanser türlerini tespit edebilmesini istiyorsanız, diyelim ki biyopsi taramaları, modele güvenebilmek istersiniz. Şimdi herhangi bir şey, herhangi bir model aslında, bilirsiniz, hatalar yapacaktır. Hiçbir şey mükemmel değildir, ancak iki şeyin olmasını istersiniz. İlk olarak, modelin yapabileceği hata türlerini en aza indirebilmek istiyorsunuz ve modelin tahmin kalitesinin çok iyi olmadığına dair bazı göstergelere ihtiyacınız var. Buna sahip olmak istemezsin. Evet. İkincisi, bir kez bir hata olduğunda, hatanın olmasının nedeninin, verilerin kalitesinin bir insanın bile daha iyisini yapamayacağı kadar yüksek olması olduğunu savunabilmelisiniz. Evet. Modellerin bir insan doktorun bakıp "Bu açıkça Evet, yanlış" diyebileceği hatalar yapmasına izin veremeyiz.

John Jantsch (24:15): Evet.Evet. Kesinlikle. Pekala Ken, Koli Bandı Pazarlama Podcast'ine uğramak için bir dakikanızı ayırdığınız için teşekkür etmek istiyorum. İnsanlara nerede bulabileceklerini, isterseniz sizinle bağlantı kurabileceklerini ve ardından Algoritma Bize Karşı Plan mı Kuruyor?

Kenneth Wenger (24:29): Kesinlikle.Öncelikle beni ağırladığınız için çok teşekkür ederim. Harika bir sohbetti. Yani evet, kitabın bir kopyası için bana LinkedIn'den ve polis için ulaşabilir ve hem Amazon'dan hem de yayıncı web sitemizden alabilirsiniz, buna çalışma fires.org denir.

John Jantsch (24:42): Harika.Harika bir sohbetle çözdüğün için tekrar teşekkürler. Umarız, belki bir gün yolda size rastlarız.

Kenneth Wenger (24:49): Teşekkürler.

John Jantsch (24:49): Hey, gitmeden önce son bir şey daha.Pazarlama stratejisinden, taktikten önce stratejiden nasıl bahsettiğimi biliyor musun? Peki, bazen bunun neresinde durduğunuzu, pazarlama stratejisi oluşturmak için ne yapılması gerektiğini anlamak zor olabilir. Bu yüzden sizin için ücretsiz bir araç oluşturduk. Buna Pazarlama Stratejisi Değerlendirmesi denir. @marketingassessment.co, not.com, dot co'da bulabilirsiniz. Ücretsiz pazarlama değerlendirmemize göz atın ve stratejinizle bugün nerede olduğunuzu öğrenin. Bu sadece pazarlama değerlendirme.co. Aldığınız sonuçlar hakkında sizinle sohbet etmeyi çok isterim.