Nvidia tidligere i denne måned
der blev lanceret en massiv presse på for intelligente maskiner, herunder hvad der er sandsynligvis den dyreste volumen arbejdsstation i verden, der er bygget til dette formål.
IBM, som har en tæt sammenhæng med Nvidia,
der blev lanceret en quantum computing-processor, der har en god chance for massivt at øge hastighed og intelligens tænker systemer.
IBM har også været den mest aggressive i at fremme tanken om, at disse systemer kan have en dramatisk effekt på effektiviteten af mennesker, der bruger dem. Jeg tror, at efter i sidste uge, uanset dine personlige politiske præferencer, du sandsynligvis ønsker en masse folk i Washington var forbundet til disse maskiner, fordi det føles som det land, der bliver drevet af partipolitiske idioter i øjeblikket.
En dyb learning system kunne have vendt valgresultatet. Det er for sent for det, men det kunne stadig slå Trump fra et forulykket tog ind i den bedste præsident, landet nogensinde har haft. Endvidere, det kunne faktisk give et sundhedssystem, som er både omfattende OG økonomisk.
Jeg vil forklare og luk derefter med mit produkt af ugen: den arbejdsstation, der har potentiale til at gøre dig overmenneskelige — og det koster kun DKK 70K!
Formand Trump
En af de ting, man lærer ved at gå gennem et af de meget få formelle CEO træningsprogrammer, der findes i verden, er betydningen af kausalitet — med andre ord, den forståelse, at du ikke kan gøre eller lave noget med held, medmindre du forstår dybt den mekanisme, der vil, eller ikke, skal du oprette den.
Mange af de grundlæggende færdigheder til effektivt lederskab er ikke undervist i, — de er bygget gennem erfaring. Problemet med erfaring er, at vi har en tendens til at huske selektivt til de ting, der havde størst gavnlig virkning, og at støtte en opfattelse af, at vi ikke laver fejl. Også, de fleste af os har en tendens til at lære af vores egne erfaringer, men ikke af andres erfaringer.
I hjertet af Trump train wreck er formandens modstand mod at acceptere sine egne fejltagelser eller at lære fra de andre. Tingene startede dårligt, og nu ser det ud til at blive værre og
spinding ud af kontrol.
Det er den slags ting, en dyb learning system kunne lave. Det er ikke kun lærer af sine egne fejl, men også aggregater den historie, der er blevet fodret ind i det og lærer af de fejl og konklusioner af peer-maskiner.
Gennemføres korrekt, det ville fremvise i realtid, og i grufulde detaljer, resultatet af en Basun beslutning. Du skal blot placere den mellem formanden og Twitter ville massivt ændre karakter Formand Trump ‘ s tweets.
I betragtning af formanden uvilje til at læse, studere eller indrømme fejl, kan han være den plakat barn til den type person, der vil drage størst fordel af denne form for et system. En dyb læring AI-system er designet til at gøre deres bedste, hvad formanden synes ikke at ønsker at gøre overhovedet.
Hillary Clinton
Hillary Clintons kampagne var en anden slags train wreck. Tidlig på, at jeg påpegede, at jeg troede, hun ville tabe, fordi Bill Clinton ville være mere vellykkede på
forårsager hende til at tabe end at Trump ville være til at regne ud, hvordan til at tabe, uden at det ser ud som han gjorde det med vilje.
For et par uger tilbage, nu ex-chef for FBI vidnede om, at Bill Clinton
faktisk var den udløsende faktor for hans sen indberetning om Clinton ‘ s e-mails, som måske spillede en stor rolle i hendes tab.
Hvad der skulle have været indlysende var, at på trods af Regningen er verbal støtte, Hillary ‘ s sejr ville have været en massiv uacceptabelt tab for ham. At være meget status-orienteret, han kunne ikke acceptere, at gå fra at være husket som den 42nd Præsident til at blive husket som den første mand i en kvindes job — den første mandlige Første Dame.
Der var ingen måde han kunne bringe det op uden at lyde som en idiot, men en person i den kampagne, der skulle have markeret det, og den løsning ville have været let. Enten omdøbe og flytte den rolle, som langt mere magtfulde, — noget, der ville have nydt hver præsidentens ægtefælle, som fulgte med ham-eller gøre, hvad Trump effektivt har gjort:
Få en anden til at udfylde det. Bill kunne have fået titel af “formand emeritus” eller noget, der er lige så imponerende-klingende.
Uddannet dyb læring systemer, der kan se mønstre, som vi kan gå glip af-og i dette tilfælde, at det mønster, der skulle have opstået, var, at folk ikke kan lide at tage titlen demotions. De, der er stærkt drevet af status skiller sig ud i denne gruppe. Hvor ofte er folk degraderet succes, selv hvis de ændrer selskaber, og hvor ofte har det ikke arbejde? Svarene er sjældent og meget.
Ved hjælp af en dyb learning system til at analysere en strategi, der sandsynligvis ville have påpeget, at en af Hillary Clinton ‘ s største aktiver, Bill, var på vej til at blive en belastning. Det kunne have hjulpet hende med at gøre en række problematiske beslutninger, som ressourceudnyttelse, mere effektivt. Det kan også har markeret, at en strategi for nedsættende Trump ‘ s vælgere ville motivere dem til at stemme, mens du gør noget for at få sine egne folk til stemmeurnerne, fordi det er, hvad der typisk sker.
Universal Healthcare
Det store problem med både Obama og Trump indsats er, at de blev grundlagt på flere løgne, som alt for mange mennesker tror. De tre kritiske ligger, er disse: 1. at du kan lave noget der er til at betale overkommelig ved at få regeringen til at betale for det; 2. du kan tilføje et meget dyrt ny regering service uden at hæve skatter og afgifter; og 3. at forsikringen kan dække præ-eksisterende forhold.
Den første er en løgn, fordi regeringen tilsyn tilføjer cost — det fjerner den ikke. Alene, det er blot en anden dyre lag af ledelse, og de yderligere omkostninger, der stadig sendes videre til dig.
Den anden er Economics 101. Penge til at betale for noget er at komme fra et sted. Obamacare var kreativ, men fordi det krævede, at folk, der ikke havde brug for forsikringen til at købe det, forsikringspræmier blev en skat, der var ikke kaldes en skat. Jeg kunne kalde en and, en hund, og det ville stadig være en and.
For det tredje, er det klart, at de fleste folk ikke forstår, hvordan forsikrings-værker. Det er ikke en service — det er gambling. Meget lyst til at gå til Vegas, i fællesskab, at vi taber. Hvad sker er, at du satser det forsikringsselskab du vil blive syge, mens de bet du ikke. Det gebyr, der afspejler de odds plus overhead og fortjeneste.
Det virker, fordi den kollektive gebyrer, der dækker omkostningerne, når forsikringsselskab taber. Men med præ-eksisterende forhold, det ville være som at have en automat, der altid er betalt ud. Der er ikke gambling længere-det er som at satse på en hest efter hest race er slut. At købe den vindende billet, du vil sandsynligvis nødt til at betale den pålydende værdi plus overhead for håndtering af transaktionen.
Nu, det er ikke ualmindeligt for en person, der ikke har en forsikring, kan du prøve at købe det, efter at de har et tab, at forsikringen kunne have dækket. Sige, at du ville have betalt $5K for hus, forsikring, men du ikke får det. Så har du et brand med en $200K tab. Selvfølgelig, det ser NU godt til at betale $5K for at få $200K tilbage — men fra forsikringsselskabet perspektiv, det ville være at gå-ud-af-forretning dum.
Hvad en dyb learning system vil gøre, er ikke kun flag, der stort set alle er vildledende dig om dette emne, men også give dig eksempler på, hvor behandlingen fungerer bedst, og anbefaler, at sti. Det ville sandsynligvis være en single-payer system, hvor behandlingen ikke er håndteret gennem forsikring, men som en offentlig service — og forvaltes bedre end de fleste DMV kontorer nu er. Mit bedste bud lige nu er at en maskine ikke vil
pick Luxemburg som eksempel (Australien er rangeret som nummer 8).
Indpakning Op: Dyb Læring
En af de mangler, der af mennesker er, at vi er meget selektive omkring, hvad vi vælger at bevare. Den mest magtfulde af usa ofte er mere drevet til syne, end rent faktisk at være lige, fører til værter af undgåelige fejl. Selv om vi har mere information på vores fingerspidser end nogensinde før, vi har en aversion mod at bruge det — at vælge at lære af vores fejl i stedet for at tage en indsats for at undgå dem.
Dette er præcis det modsatte af dyb læring systemer, og det er grunden til, at de allerede er bedre til at køre bil-og på papiret bedre på fly. De mangler kreativiteten og ud-af-boksen tænkning, der definerer de bedste af os, men de kan undgå den slags fejl, at en tur op i den bedste af os. Kort sagt, de anvendes korrekt, en dyb læring system, der kunne slå nogen af os ind i en “huuuuuge” succes.
Lad os håbe at det sker, før en stor-nok undgåelige fejl viser os ind i fossiler.
Den form for cloud service, som vil give mulighed for, jeg har beskrevet ovenfor sandsynligvis vil komme med en forholdsvis overkommelig månedlig pris i sidste ende, men vi er mindst fem og mere sandsynligt, 10 år væk fra det.
Hvis du ønskede at skabe en sikker, personlig service til en person, som Donald Trump eller Hillary Clinton, så ville du sandsynligvis vil begynde med en helt unik arbejdsstation med fokus på dyb læring og dedikeret til dem.
Indtil denne måned, sådan en ting var ikke til rådighed — men det ændrede sig, med lanceringen af den
Nvidia DGX-Stationen.
Nvidia DGX
Station
Det er ikke en billig dato på næsten $70K — ja, det er halvfjerds tusind dollars — og du vil stadig nødt til at udvikle den forbindelse AI og tog det. Men, når de er uddannet, denne lille hvalp kunne være din “må ikke komme i fængsel i første-plads” – kort.
Hvad ville du betale for at blive overmennesker?
For nu, dette er for det meste bruges til dem, der ønsker at udvikle en dyb learning system, og priserne vil helt sikkert komme ned som mere mainstream hardware leverandører bevæge sig til denne mulighed. Men en person, der siger, var en milliardær, og hvem der kan tillade sig at gøre noget som dette arbejde — oh, og der ikke ønsker
for at anklages — måske være villige til at finansiere den første. Bare at sige.
I alle tilfælde, selv om det sandsynligvis er den dyreste mainstream arbejdsstation i verden, er det sandsynligt er prisen værd, og så Nvidia DGX-Stationen er mit produkt af ugen.
Rob Enderle har været en ECT News Network klummeskribent siden 2003. Hans forskningsområder omfatter AI, autonom kørsel, droner, personlige teknologi, nye teknologi, regulering, retssager, M&E, og teknologi i politik. Han har bachelorstuderendes grader i merchandising og arbejdskraft management, og har en MBA i human resources, marketing og datalogi. Han er også en certificeret management revisor. Enderle i øjeblikket er formand og ledende analytiker i Enderle Group. Han arbejdede tidligere som senior research fellow ved Giga Information Group og Forrester. E-Mail Rob.