Profil anzeigen

Magie, Big Data und Deep Learning ✨

Ich habe einen guten Teil des Wochenendes damit verbracht über zwei Texte nachzudenken, die ich an di
Magie, Big Data und Deep Learning ✨
Von Johannes Klingebiel • Ausgabe #76 • Im Browser ansehen
Ich habe einen guten Teil des Wochenendes damit verbracht über zwei Texte nachzudenken, die ich an dieser Stelle gerne unkommentiert empfehlen möchte.
Ich weiß das sind sehr allgemeiner Teaser (sorry), aber es ist schwierig alle Gedanken zu beiden Texten in Worte zu fassen.
Also, rockt die Woche!
Johannes
P.S.: Es gibt einen Cyber-March des Kommando Cyber- und Informationsraum der Bundeswehr. Und nein, es ist leider nicht der Matrix-Soundtrack.
P.P.S.: Hallo an die über 60 neuen Abonnenten seit Anfang des Jahres! 🎉👋

Ich hatte in der letzten E-Mail 2017 geschrieben, dass ich glaube, dass der KI-Hype 2018 abflauen wird. Ein Argument hierfür ist, dass Machine Learning, insbesondere Deep Learning (DL) klare Grenzen hat, die langsam deutlich werden. Gary Marcus hat diese in seinem Papier “Deep Learning: A Critical Appraisal” zusammengefasst und identifiziert 10 Limits der Technologie, darunter die große Datenmenge, die starke Spezialisierung und die Tatsache, dass DL nicht zwischen Kausalität und Korrelation unterscheiden kann. (Wired hat hier die Punkte auch noch einmal zusammengefasst.) Er kommt schließlich zu dem Schluss, dass DL nicht zu einer “starken” Intelligenz führen wird.
+ Oft wird auch vergessen, dass DL ein direkter Erbe von “Big Data” im technischen Sinne und im Sinne des Hypes ist. Und auch hier die Erinnerung: Big Data bleibt in vielen Feldern weit hinter seinen Versprechen.
+ Ein problematischeres Feld ist auch das Marketing und Verständnis von KI als magisches Werkzeug, um alle Probleme der Welt zu lösen, auch bekannt als “AI is the new electricity”. Die Anthropologin Madeleine Elish hat diese Thematik ebenfalls in einem langen, aber lesenswerten Paper beschrieben. (Und ja, es gibt auch hier eine Zusammenfassung 😉)
To evoke magic is not only to provide an alternative regime of causal relations, but also to minimize attention to the methods and resources required to carry out a particular effect. Magic denies an accounting of what went into making something work, or that it required work at all.
+ All das fällt auch mit dem zweiten in der Einleitung verlinkten Text zusammen, den ich an dieser Stelle noch einmal empfehlen werde.
That feels to me like the magic of AI marketing: you label something as AI and it sounds impressive, but under the hood it’s Naive Bayes—it’s whatever the simplest thing you can get up and running. And there’s a mysticism around the difficulty of the technology, even though the simplest thing gets you most of the way there.
Kurz gesagt: Machine Learning wird uns nicht zu einer “echten” künstlichen Intelligenz führen und wir brauchen eine deutlich kritischere Beobachtung der Unternehmen, die DL-Modelle in jeden Aspekt unserer Gesellschaft bringen wollen. Um noch einmal das Interview zu zitieren zum Thema KI und FinTech:
[My] consistent point of view is that any of these companies should be presumed to be incredibly racist unless presenting you with mountains of evidence otherwise. Anybody that says, “We’re an AI company that’s making smarter loans”: racist. Absolutely, 100%.
+ Ich habe auf Github eine kritische Leseliste für Journalisten zum Thema KI gestartet, die ich in den nächsten Wochen und Monaten noch weiter ausbauen werde.
(All das bedeutet aber auf der anderen Seite nicht, dass die Fortschritte in der Forschung nicht echt sind. Das sind sie, aber die Entwicklung wird langsamer von statten gehen, als es einige erwarten.)
Über Arbeitsplätze und Tätigkeiten
Technology Review hat einen kurzen Text über alle Studien, die sich mit der Automatisierung von Arbeitsplätzen beschäftigen, veröffentlicht. Die Schlussfolgerung der Autoren:
We have no idea how many jobs will actually be lost to the march of technological progress.
Ich habe schon etwas länger den Gedanken, dass wir eine deutlich differenzierte Diskussion führen müssen. Was automatisiert wird, sind selten ganze Arbeitsplätze, sonder vielmehr einzelne Tätigkeiten, wie bspw. am Fließband schweißen oder eben den Kalender pflegen. Arbeitsplätze werden verschwinden, wenn sie a) einer einzelnen Tätigkeit bestehen, b) durch Automatisierung weniger Arbeiter ähnlich effizient sein können und c) sich keine neuen Tätigkeiten aus der Automatisierung ergeben.
+ Eine Übersicht, welche Eigenschaften eine Tätigkeit haben muss, um anfällig für eine Automatisierung durch Machine Learning zu sein. [PDF] (Spoiler: Es sind sehr spezifische Eigenschaften)
+ Auch eine interessante Beobachtung von T3N: Amazons neuer kassenloser Supermarkt beschäftigt tatsächlich mehr Mitarbeiter, als ein klassischer Convenience Store.
Merkwürdiges & Anderes
[🎥] Video [🚀] Science Fiction [📄] PDF-Datei

Hat Dir diese Ausgabe gefallen?
Johannes Klingebiel

Ein unregelmäßiges Zine rund um Technologie, Internet, Publishing und Merkwürdiges.

Wenn Du keine weiteren Ausgaben mehr erhalten möchtest, kannst Du den Newsletter hier abbestellen.
Wenn Dir dieser Newsletter weitergeleitet wurde und er Dir gefällt, kannst Du ihn hier abonnieren.
Powered by Revue
Esswurmstraße 25, 81371 München, Germany