John Jantsch(00:00): 이봐, HubSpot의 연례 인바운드 컨퍼런스가 다가오는 걸 알고 있었어?좋아요. 9월 5일부터 8일까지 보스턴에서 있을 예정입니다. 매년 인바운드는 비즈니스, 영업, 마케팅, 고객 성공, 운영 등의 분야에서 리더를 모았습니다. 지속 가능한 방식으로 비즈니스를 확장하기 위해 실제로 적용할 수 있는 모든 최신 필수 트렌드와 전술을 발견할 수 있습니다. 업계 전문가로부터 배우고 놀라운 스포트라이트 인재로부터 영감을 얻을 수 있습니다. 올해에는 Reese Witherspoon, Derek Jeter, Guy Raz 등이 모두 출연할 예정입니다. 오늘 inbound.com을 방문하여 티켓을 받으세요. 당신은 후회하지 않을 것입니다. 이 프로그래밍은 영감과 재충전을 보장합니다. 좋아요. 지금 inbound.com으로 이동하여 티켓을 받으십시오.

(01:03): 덕트 테이프 마케팅 팟캐스트의 또 다른 에피소드에 오신 것을 환영합니다.존 얀츠입니다. 오늘 내 손님은 Kenneth Wenger입니다. 그는 Toronto Metropolitan University의 저자이자 연구 학자이자 Squint AI Inc.의 CTO입니다. 그의 연구 관심 분야는 인간과 기계의 교차점에 있으며, 기술의 책임 있는 사용을 기반으로 미래를 구축하는 데 있습니다. 우리는 오늘 그의 저서 Is the Algorithm Plotting Against Us?: A Layperson's Guide to the Concepts, Math, and Pitfalls of AI에 대해 이야기할 것입니다. Ken, 쇼에 오신 것을 환영합니다.

케네스 벵거(01:40): 안녕, 존.매우 감사합니다. 초대해주셔서 감사합니다.

John Jantsch(01:42): 그래서 우리는 책에 대해 이야기할 것입니다. 하지만 저는 Squint AI가 무엇을 하는지 궁금합니다.

케네스 벵거(01:47): 좋은 질문입니다.그래서, squint ai는, 음, 우리가 연구를 하고 플랫폼을 개발하기 위해 만든 회사입니다. 음,

(02:00): 더 책임감 있는 방식으로 AI를 수행하세요.좋아요. 좋아요. 그래서, 어, 우리가 이것에 대해 다룰 것이라고 확신하지만, 어, 많은 경우 책에서도 언급합니다. 여기서 우리는 어, 인공지능, 인공지능의 윤리적 사용에 대해 이야기합니다. AI의 몰락. 그래서 우리가 Squint로 하고 있는 것은 이러한 알고리즘이 수행되지 않을 때를 이해할 수 있는 방식으로 AI를 사용할 수 있는 환경을 어떻게 만들 수 있는지 알아내려는 것입니다. 최고일 때, 실수할 때 등등. 응,

존 얀치(02:30): 네.그래서 당신 책의 제목은 The Algorithm Plotting Against입니다. 이것은 약간 도발적인 질문입니다. 내 말은, 분명히 아니라고 말하는 사람들이 있을 거라고 확신해 , 그리고 일부는 절대적으로 말합니다. 그렇다면 왜 그런 질문을 할까요?

Kenneth Wenger(02:49): 글쎄요, 저는 실제로 그것이 실제로는 다른 의미를 가진 많은 다른 사람들이 묻는 질문인 것 같아서요.오른쪽? 따라서 AI가 실존적 위협을 가하는가에 대한 질문과 거의 같습니다. 나, 나, 사람마다 다른 것을 의미하는 질문입니다. 오른쪽. 그래서 저는 책에서 그것에 대해 알아보고 두 가지 일을 시도하고 싶었습니다. 첫째, 사람들에게 스스로 그 질문을 이해할 수 있는 도구를 제공하세요. 그리고 먼저 그들이 그 논쟁에서 어떻게, 어디에 서 있는지 파악한 다음, 두 번째로, 음, 알다시피, 그 과정에서 내 의견도 제공합니다.

John Jantsch(03:21): 예, 예.그리고 아마도 제가 원하는 만큼 우아하게 그 질문을 하지 않았을 것입니다. 나는 실제로 당신이 질문을 하는 것이 좋다고 생각합니다. 왜냐하면 궁극적으로 우리가 하려는 것은 사람들이 이것이 AI의 경우에 해당하거나 AI의 경우에 해당하지 않는다고 말하는 것보다 스스로 결정하도록 하는 것이기 때문입니다. . 오른쪽.

케네스 벵거(03:36): 맞습니다.좋아요. 그리고, 그리고 또, 특히 미묘한 문제이기 때문입니다. 응. 그리고 그것은 다른 사람들에게 다른 것을 의미합니다.

John Jantsch(03:44): 정말 어려운 질문이군요. 하지만 묻겠습니다. AI의 연속체에서 우리는 실제로 어디에 있습니까?내 말은, 수년 동안 이 주제에 종사해 온 사람들은 그것이 우리가 매일 사용하고 당연하게 여기는 많은 것들에 내장되어 있다는 것을 깨닫고 있습니다. 분명히 우리 ChatGPT는 이제 적어도 알다시피, 적어도 그것이 무엇인지 말하는 어휘. 하지만 저는 기억합니다. 저는 30년 동안 제 사업을 해왔습니다. 내 말은, 우리는 웹이 없었어 , 우리는 웹사이트가 없었습니다. 아시다시피 지금 확실히 역할을 하는 모바일 장치가 없었지만 그 각각이 등장할 때 사람들은 "오, 우리는 망했어." 끝났어 . 오른쪽. 그래서 현재 AI를 둘러싼 그러한 유형의 언어가 많이 있지만, 우리가 진화의 연속체에서 실제로 어디에 있다고 생각하십니까?

Kenneth Wenger(04:32): 알다시피, 우리가 실제로 매우 초기 단계에 있다고 생각하기 때문에 좋은 질문입니다.응. 아시다시피 우리는 매우 짧은 기간에 놀라운 발전을 이루었지만 여전히 초기 단계에 있다고 생각합니다. 아시다시피 지금 우리가 있는 AI를 생각해보면 10년 전의 우리는 약간의 진전을 이뤘습니다. 하지만 근본적으로 과학적인 수준에서 우리는 이제 겨우 표면을 긁기 시작했을 뿐입니다. 몇 가지 예를 들겠습니다. 처음에 첫 번째 모델은 질문을 제기하는 이 새로운 방식이 근본적으로 신경망이라는 증거를 제공하는 데 아주 뛰어났습니다. 그래, 그래. 오른쪽. 그것들은 매우 복잡한 방정식입니다. 어, GPU를 사용하여 이러한 복잡한 방정식을 실행하면 실제로 꽤 복잡한 문제를 해결할 수 있습니다. 그것은 우리가 2012년경과 2017년경에 깨달은 것이므로 2012년과 2017년 사이에 진행 상황은 매우 선형적이었습니다.

(05:28): 새로운 모델이 만들어지고 새로운 아이디어가 제안되었지만 모든 것이 매우 선형적으로 확장되고 진행되었습니다.그러나 2017년 이후 채팅, g, pt 및 이러한 모든 대규모 언어 모델의 기본 아키텍처인 트랜스포머라는 모델이 도입되면서 우리는 또 다른 종류의 깨달음을 얻었습니다. 그 때 우리는 모델을 선택하고 확장하고 확장하면 모델의 크기와 모델을 교육하는 데 사용한 데이터 세트의 크기가 기하급수적으로 좋아진다는 것을 깨달았습니다. 좋아요. 그리고 그때 우리가 오늘날의 위치에 도달했습니다. 여기서 우리는 크기를 조정하는 것만으로 2017년 이후로 근본적으로 다른 작업을 수행하지 않았습니다. 우리가 한 모든 것은 모델의 크기를 늘리고 데이터 세트의 크기가 기하급수적으로 좋아지고 있습니다.

John Jantsch(06:14): 그래서 덧셈이 아니라 곱셈인가요?

케네스 벵거(06:18): 네, 맞습니다.응. 따라서 그렇지 않습니다. 진보는 기하급수적이었습니다. 선형 궤적에서만이 아닙니다. 응. 그러나 제 생각에는 이 모델에서 근본적으로 많이 변경되지 않았다는 사실이 곧 줄어들 것입니다. 제 기대입니다. 이제 우리는 타임라인에서 어디에 있습니까? 당신의 원래 질문은 무엇입니까? 오늘날 모델들이 하고 있는 일을 생각해보면 매우 중요한 일을 하고 있다고 생각합니다. 그들은 본질적으로 매우 간단한 통계를 수행하고 있습니다. 음-흠. , 그들은 이러한 모델이 인공 지능이라고 불리는 아이디어가 아닙니다. 오른쪽. 가끔은 좀 틀린 표현인 것 같아요. 나는 동의한다. 그리고 그것은 사람들이 가지고 있는 몇 가지 질문으로 이어집니다. 음, 진행되는 심층 지능과 같은 것이 많지 않기 때문에 통계적 모델링 일 뿐이며 매우 간단합니다. 그리고 나서 우리가 여기서 어디로 가고 있고 제가 바라는 미래는 우리가 시작할 때입니다. 제 생각에는 단순한 통계를 수행하는 것뿐만 아니라 하지만 달성하려는 내용의 맥락을 이해할 수 있습니다. 응. 그리고 정답과 오답을 모두 이해할 수 있습니다. 예를 들어, 그들은 자신이 아는 것에 대해 이야기할 때와 실제로 알지 못하는 회색 영역 주변을 둘러볼 때를 알 수 있습니다. 말이 돼? 응,

John Jantsch(07:39): 물론입니다.내 말은, 나는 인공 지능에 대해 전적으로 동의합니다. 나는 실제로 그것을 ia라고 불렀습니다. 정보에 입각 한 자동화에 더 가깝다고 생각합니다. 적어도 내 작업에서는 내가 그것을 보는 방식입니다. 아시다시피 질문 프롬프트가 많은 사람들을 위한 AI의 일종의 길거리 사용인 날을 보시나요? 질문을 다시 시작하는 날이 있습니까? 예를 들어, 왜 그것을 알고 싶어합니까? 또는 이 질문을 함으로써 무엇을 성취하려고 합니까?

케네스 벵거(08:06): 네.그래서, 그, 간단한 대답은 '예'입니다. 나는 확실히 그렇습니다. 그리고 그것이 더 높은 수준의 지능을 달성하는 것과 같은 것의 일부라고 생각합니다. 그들이 귀하의 입찰을 수행하지 않을 때입니다. 그것은 단순한 도구가 아닙니다. 그래, 그래. 어, 하지만 그들은 성취하고자 하는 나름의 목적이 있습니다. 그래서 본질적으로 시스템에서 발생하는 질문과 같은 것을 볼 수 있습니다. 그들이 도달하고 싶은 목표가 있을 때, 즉, 아시다시피, 그 목표를 달성하기 위한 계획을 알아냅니다. 그때 당신에게 질문과 같은 것들이 출현하는 것을 볼 수 있습니다. 아직 거기에 도달한 것 같지는 않지만 네, 확실히 가능하다고 생각합니다.

John Jantsch(08:40): 하지만 그것도 SF 버전이군요, 그렇죠?내 말은, 사람들이 말하기 시작하는 곳에서, 알다시피, 영화, 그것은 마치, 아니, 아니, 켄, 당신은 아직 그 정보를 알지 못합니다. 당신이 그것을 알 수있을 때 내가 결정할 것입니다 .

케네스 벵거(08:52): 네 말이 맞아.내 말은, 당신이 질문하는 방식은 원칙적으로 가능합니까? 나는 절대적으로 생각한다. 예. 응. 우리는 그것을 원합니까? 내 말은, 나는 모른다. 예, 우리가 생각하는 사용 사례에 따라 다릅니다. 어, 하지만 첫 번째 원칙의 관점에서 볼 때 네, 그렇습니다. 확실히 가능합니다. 응. 모델을 구하는 것이 아니라

John Jantsch(09:13): 그렇게 하세요.그래서 저는 점수와 점수가 있다고 생각합니다. 그들은 AI에 대해서만 이해하고 있습니다. 상자가 있는 곳으로 가서 질문을 입력하면 대답을 내뱉습니다. 제목에 평신도와 수학이 모두 포함되어 있으므로 어떻게 하는지에 대한 평신도의 버전을 제공할 수 있습니까?

케네스 벵거(09:33): 네, 물론이죠.그래서, 글쎄, 최소한 노력은 해볼게. , 몇 분 전에 제가 이러한 모델이 본질적으로 무엇인지 언급했을 때 매우 단순한 통계 모델입니다. 그 자체, 그 문구 자체, 약간의, 논란의 여지가 있습니다. 결국 우리는 우리가 어떤 종류의 지능을 가지고 있는지 모르기 때문입니다. 따라서 우리의 지능에 대해 생각해 보면 어떤 수준에서 우리가 통계적 모델이기도 하는지 알 수 없습니다. 그렇죠? 그러나 오늘날 ChatGPT와 같은 대규모 언어 모델에서 AI가 단순한 통계 모델이라는 의미는 AI가 매우 간단한 작업을 수행한다는 의미입니다. 따라서 ChatGPT를 생각해보면 그들이 하는 일은 시퀀스에서 다음으로 가장 좋은 단어를 예측하는 것입니다. 그게 그들이 하는 전부입니다. 그리고 그들이 하는 방식은 확률 분포라고 불리는 것을 계산한다는 것입니다.

(10:31): 기본적으로 a, a, 프롬프트 또는 텍스트 모음에 있는 단어에 대해 그들은 단어가 해당 시퀀스에 속할 확률을 계산합니다.오른쪽? 그런 다음 정답일 확률이 가장 높은 다음 단어를 선택합니다. 좋아요? 이제, 그것은 다음과 같은 의미에서 매우 단순한 모델입니다. 우리가 소통하는 방식을 생각해보면 맞죠? 우리는 지금 대화를 나누고 있습니다. 당신이 나에게 질문을 할 때 나는 잠시 멈추고 내가 말하려는 것에 대해 생각합니다. 그래서 저는 세상의 모델이 있고 그 대화에 목적이 있습니다. 나는 내가 응답하고 싶은 것에 대한 아이디어를 생각해 낸 다음 단어를 생성하고 발음하는 능력을 사용하여 그것을 당신과 소통합니다. 오른쪽? 단어를 말하기 시작하자마자 내가 말하려는 다음 단어가 가장 가능성이 높은 단어라는 점에서 큰 언어 모델과 매우 유사하게 작동하는 시스템이 내 뇌에 있을 수 있습니다. 내가 방금 말한 단어를 감안할 때 정확합니다.

(11:32): 가능합니다.사실입니다. 그러나 다른 점은 적어도 어떤 잠재 공간에서 내가 말하려는 것에 대한 계획을 이미 가지고 있다는 것입니다. 이미 어떤 형식으로 인코딩했습니다. 내가 전달하고 싶은 것, 내가 말하는 방식, 그러한 단어를 생산하는 능력이 언어 모델과 매우 유사할 수 있다는 것입니다. 그러나 차이점은 큰 언어 모델이 말하려는 내용을 파악하는 동시에 해당 단어를 생각해 내는 것입니다. 음-흠. , 오른쪽? 말이 돼? 그래서 그것은 그들이 장황하게 말하는 것과 같으며, 때때로 그들이 너무 오래 말을 하면 말도 안되는 영역에서 장황하게 됩니다. 응. 응. 말을 하기 전에는 무슨 말을 할지 모르기 때문입니다. . 응. 그래서 그것은 매우 근본적인 차이입니다. 응.

John Jantsch(12:20): 나, 나, 나는 그런 맥락에서 꽤 흥미로운 결과를 확실히 보았습니다.하지만, 당신이 그것에 대해 이야기하는 것을 들었을 때, 제 말은, 많은 방식으로 우리가 하고 있는 것은 우리가 배운 것의 데이터베이스를 쿼리하는 것입니다. 우리가 공부한 개념들에 더해 알고 있고, 어, 명확하게 표현할 수 있습니다. 내 말은, 어떤 면에서 우리는 저에게 그것을 묻고, 촉구하거나, 제가 여러분에게 질문을 하는 것입니다. 제 말은, 비슷하게 작동합니다. 당신은 말할 것인가?

Kenneth Wenger(12:47): 질문을 던지고 대답하는 측면은 비슷하지만 다른 점은 설명하려는 개념입니다.다시 한 번 저에게 질문을 하시면 저는 그것에 대해 생각하고 생각해냅니다. 그래서 저에게는 제가 인생을 살아갈 수 있도록 지금까지 작동하는 세계 모델이 있습니다. 그렇죠? 그리고 그 세계 모델을 통해 다양한 개념을 다양한 방식으로 이해할 수 있습니다. 여러분의 질문에 답하려고 할 때, 그것에 대해 생각하고 대답을 공식화한 다음 그것을 여러분과 소통할 방법을 찾아냅니다. 좋아요? 이 단계는 이러한 언어 모델이 수행하는 작업에서 누락되었습니다. 맞습니까? 그들은 프롬프트를 받고 있지만 어떤 목표를 가지고 응답을 공식화하는 단계가 없습니다. 오른쪽? 예. 어떤 목적. 그들은 본질적으로 텍스트를 받고 있고, 생산되는 동안 파악되는 일련의 단어를 생성하려고 합니다. 맞습니까? 궁극적인 계획은 없습니다. 그래서 그것은 매우 근본적인 차이입니다.

John Jantsch(13:54): 이제 스폰서인 마케팅 Made Simple의 소식을 들어보겠습니다.J j Peterson 박사가 주최하는 팟캐스트이며 비즈니스 전문가를 위한 오디오 목적지인 HubSpot 팟캐스트 네트워크에서 마케팅을 간단하게 만들고 마케팅을 쉽고 더 중요하게 만드는 실용적인 팁을 제공합니다. 그리고 최근 에피소드에서 JJ와 April은 StoryBrand 인증 가이드 및 대행사 소유자와 마케팅 목적으로 ChatGPT를 사용하는 방법에 대해 이야기합니다. 오늘날 그것이 얼마나 중요한지 우리 모두 알고 있습니다. 마케팅 Made Simple을 들어보세요. 팟캐스트를 받을 수 있는 모든 곳.

(14:30): 안녕하세요, 마케팅 대행사 오너 여러분, 단 90일 만에 비즈니스를 두 배로 늘리거나 환불을 받을 수 있는 비결을 알려드릴 수 있습니다.흥미로운 소리. 당신이 해야 할 일은 우리의 3단계 프로세스에 라이선스를 부여하는 것뿐입니다. 이 프로세스를 통해 경쟁업체를 무의미하게 만들 수 있고 서비스에 대해 프리미엄을 부과할 수 있으며 오버헤드를 추가하지 않고도 규모를 확장할 수 있습니다. 그리고 여기 가장 좋은 부분이 있습니다. 다가오는 에이전시 인증 인텐시브 룩에 참여하기만 하면 에이전시를 위해 이 전체 시스템에 라이선스를 부여할 수 있습니다. 휠을 만드는 이유는 무엇입니까? 만드는 데 20년이 넘게 걸린 일련의 도구를 사용합니다. 오늘 바로 받아보실 수 있습니다. dtm.world/certification에서 확인하세요. 그것이 바로 DTM 월드 슬래시 인증입니다.

(15:18): 나는 미래가 어떻게 될지 좋아하고 싶지만 책에서 당신이 파고드는 몇 가지에 대해 이야기하고 싶습니다.미디어가 퍼뜨리는 일종의 두려움 외에 무엇이 있습니까? , AI에 의존하는 실제적이고 명백한 함정은 무엇입니까?

Kenneth Wenger(15:38): 제가 책을 쓰기 시작했을 때 저에게 가장 큰 문제이자 동기 부여가 된 것 중 하나는 두 가지 이유에서 책이 강력한 도구라는 것입니다.겉보기에는 사용하기가 매우 쉽죠? 응. 주말에 파이썬을 배울 수 있고, 몇 줄을 작성할 수 있고, 변환할 수 있고, 분석할 수 있고, 이전에는 라이브러리를 사용하여 할 수 없었던 데이터를 구문 분석할 수 있습니다. 따라서 자신이 하고 있는 일을 실제로 이해할 필요가 없으며 유용해 보이는 결과를 얻을 수 있습니다. 음-흠. ,하지만 그 과정에서 가열, 맞죠? 많은 양의 데이터를 가져가서 어떤 식으로든 수정해서 응답을 받고, 중간에 무슨 일이 일어나고 있는지 이해하지 못한 채 어떤 결과를 얻을 수 있다는 사실은 자신이 얻고 있는 결과를 오해하는 데 엄청난 반향을 불러일으킨다. , 오른쪽? 그런 다음 이러한 도구를 전 세계에서 사용하고 있다면 맞습니까?

(16:42): 다른 사람에게 영향을 미칠 수 있는 방식으로.예를 들어, 당신이 금융 기관에서 일하고 있다고 가정해 봅시다. 그리고 당신이 누구에게 인정을 받아야 하는지, 누구에게 신용을 주어야 하는지, 승인을 받는지 알아내기 위한 모델을 생각해 냅니다. 신용 한도에 대한 신용을 위해, 그리고 누구를 위해. 이제 은행은 자체 모델을 가지고 있지만 AI를 제외하면 전통적으로 통계학자가 해당 모델을 고려하고 때때로 일이 잘못될 수 있지만 적어도 큰 문제가 있습니다. 데이터를 분석하고 데이터를 편향시키는 것이 무엇을 의미하는지에 대한 그림입니다. 맞습니까? 데이터 편향의 영향은 무엇입니까? 이 모든 것들을 제거하는 방법은 좋은 통계학자가 훈련을 받아야 하는 일입니다. 그러나 이제 통계학자를 제거하면 누구나 모델을 사용하여 데이터를 분석하고 예측할 수 있기 때문에 결과적으로 다음과 같은 영향을 미칠 수 있는 사람들의 신용 한도를 거부하고 승인하게 됩니다. , 아시다시피, 데이터의 매우 부정적인 편향 때문입니다. 그렇죠?

(17:44): 인구의 특정 부분에 부정적인 영향을 미칠 수 있습니다.특정 동네에 살고 있다는 이유만으로 신용 한도를 더 이상 받을 수 없는 사람들이 있을 수 있습니다. 음-흠. , 또는 그들은 이것이 문제가 될 수 있는 많은 이유가 있습니다.

John Jantsch(17:57): 하지만 이전에는 요인이 아니었습니까?내 말은, 확실히 이웃이 고려됩니다 , 아시다시피 아날로그 모델에서도 일부로 생각합니다.

케네스 벵거(18:06): 네, 물론이죠.그래서 제가 말했듯이, 우리는 항상 편견에 문제가 있었습니다, 그렇죠? 데이터에서 맞죠? 그러나 전통적으로, 당신은 희망할 것이므로 두 가지 일이 일어날 것입니다. 첫째, 복잡한 문제이기 때문에 모델을 제시하는 사람은 어느 정도 만족스러운 통계 교육을 받아야 합니다. 응. 오른쪽? 그리고 윤리적 통계학자는 데이터의 편향을 처리하는 방법을 고려해야 합니다. 맞습니까? 이것이 1순위입니다. 두 번째로, 지금 우리가 가지고 있는 문제는 무엇보다도 먼저 정해진 결정을 내릴 필요가 없다는 것입니다. 무슨 일이 일어나고 있는지 이해하지 않고 모델을 사용할 수 있습니다. 맞습니까? 오른쪽. 그리고 더 나쁜 것은 이러한 모델을 사용하면 실제로 어떻게 모델이 도착했는지 또는 예측을 이해하는 것이 전통적으로 매우 어렵다는 것입니다. 신용 한도가 거부되거나, 예를 들어 책에서 보석금에 대해 이야기한 것처럼 법정 소송에서 어, 논쟁하기가 매우 어렵습니다. 음, 왜 나야? 왜, 왜 내가 이 일을 거부당했지? 그런 다음 결정을 내리는 전통적인 접근 방식으로 다시 감사하는 과정을 거치면 항상 물어볼 수 있습니다. 그러면 이것을 어떻게 모델링 했습니까? 어, 왜 이 사람이 감사에서 이 특별한 사건을 거부당했습니까? 음-흠. 예를 들어 a, a 신경망은 훨씬 더 복잡해집니다.

John Jantsch(19:21): 내 말은, 그러니까 당신이 말하는 초기 문제 중 하나는 사람들이 출력, 즉 데이터에 의존한다는 것입니다.내 말은, 알다시피, 나는 아주 간단한 방법으로 그것을 사용합니다. 나는 마케팅 회사를 운영하고 있으며 우리에게 카피 아이디어를 제공하고 헤드라인 아이디어를 제공하기 위해 그것을 많이 사용합니다. 그래서 나는 다른 사람들처럼 들리는 것 외에는 거기에 진짜 위험이 있다고 느끼지 않습니다. 귀하의 사본에. 어, 하지만 당신은 사람들이 정보를 얻어야 하는 결정을 내리기 위해 이것들에 의존하기 시작하면서 많은 경우 예측이 틀렸다고 말하고 있습니다.

케네스 벵거(19:57): 예.그리고 매우 많기 때문에 대답은 '예'입니다. 여기에는 두 가지 이유가 있습니다. 그건 그렇고, 다시 돌아가서 이것을 스펙트럼으로 생각해야 하는 사용 사례가 있다고 말하겠습니다. 맞습니까? 예, 예. 뭔가 잘못되면 후유증이 다른 경우보다 더 심한 경우가 있죠? 그래서 당신이 말했듯이, 만약 당신이 어떤 사본을 생성하려고 시도하고 있고 그것이 무의미하다면, 당신은 계속해서 그것을 변경합니다. 그리고 하루가 끝나면 어쨌든 검토하게 될 것입니다. 그래서 그것은 더 낮고 아마도 더 낮은 비용입니다. 실수로 인한 비용은 예를 들어 사법 절차에서 모델을 사용하는 경우보다 낮을 것입니다. 오른쪽? 오른쪽. 오른쪽. 이제 이러한 모델이 때때로 실수를 한다는 사실과 관련하여 그 이유는 이러한 모델이 실제로 작동하는 방식이 작동하기 때문입니다. 데이터의 영역, 즉 그들이 정말 잘 이해하는 영역입니다.

(20:56): 그렇다면 데이터 세트에 대해 생각해보면 맞죠?그래서 그들은 그 데이터세트에 있는 대부분의 데이터에 대해 데이터세트를 사용하여 훈련을 받았고, 그들은 그것을 정말 잘 모델링할 수 있을 것입니다. 그래서 특정 데이터 세트에 대해 90% 정확한 성능을 발휘하는 모델을 얻을 수 있습니다. 문제는 그들이 정말 잘 모델링할 수 없는 10%의 경우, 거기에 있는 실수는 놀랍고 인간이 그러한 실수를 할 수 없는 방식이라는 것입니다. 응. 우선, 우리가 얻은 이러한 모델을 교육할 때 이 특정 데이터 세트에서 10%의 오류율을 얻는다고 말하는 경우에는 어떻게 됩니까? 한 가지 문제는 그것을 생산에 적용할 때 이러한 오류의 발생률이 실제 세계에서 동일할 것이라는 사실을 모른다는 것입니다.

(21:40): 데이터 세트에서보다 훨씬 더 높은 비율로 오류를 유발하는 데이터 포인트를 얻는 상황에 처하게 될 수 있습니다.한 가지 문제. 두 번째 문제는 만약 당신이 만약 당신이 사용 사례라면, 당신의 생산, 당신이 알고 있는 응용 프로그램이라면, 의료 사용 사례나 자율 주행에서와 같이 실수로 인해 비용이 발생할 수 있다는 것입니다. 돌아가서 왜 당신이 뭔가 잘못되었는지 설명해야 할 때, 왜 모델이 뭔가 잘못했는지, 그리고 그것은 인간이 잘못하는 것과는 너무나 기이하게 다릅니다. 이것이 오늘날 안전이 중요한 영역에 이러한 시스템을 배포하지 않는 근본적인 이유 중 하나입니다. 그건 그렇고, 그것이 우리가 splint를 만든 근본적인 이유 중 하나입니다. 구체적으로 이러한 문제를 해결하기 위해 모델 세트 또는 모델이 일을 올바르게 수행할 때를 구체적으로 이해할 수 있는 시스템을 만드는 방법을 알아내고 런타임에 문제가 발생했을 때. 정말 그렇다고 생각하기 때문에 현 시점에서 우리가 가져야 할 만큼 발전하지 못한 근본적인 이유 중 하나입니다. 모델이 정말 잘 작동할 때, 어, 데이터를 모델링할 수 있을 때 잘 작동합니다. 하지만 데이터의 해당 섹션을 모델링할 수 없는 경우 실수는 믿을 수 없을 정도입니다. 인간이 절대 만들 수 없는 것들이다.

존 얀치(23:00): 실수입니다.예, 예, 예. 그리고 분명히 알다시피 그것은 누군가가 인공지능이나 다른 것에 의해 안내되는 유인 우주선을 보내는 것을 신뢰하기 전에 해결되어야 합니다, 그렇죠? 내 말은, 인간의 생명이 위험에 처해 있다는 것을 알 때, 당신은 신뢰를 가져야 한다는 것입니다. 따라서 의사 결정을 신뢰할 수 없다면 사람들이 기술을 사용하지 못하게 할 것입니다.

케네스 벵거(23:24): 맞죠?또는 예를 들어 제가 말했듯이 암 진단과 같은 의료 영역에서 도움을 주기 위해 사용하는 것입니다. 맞습니까? 특정 유형의 암을 감지할 수 있는 모델을 원한다면 생검 스캔을 가정해 봅시다. 모델을 신뢰할 수 있어야 합니다. 본질적으로 모든 모델은 실수를 할 것입니다. 완벽한 것은 없지만 두 가지 일이 일어나기를 원합니다. 첫째, 모델이 저지를 수 있는 실수 유형을 최소화하고 싶고 모델의 예측 품질이 좋지 않다는 표시가 있어야 합니다. 당신은 그것을 원하지 않습니다. 응. 둘째, 실수가 발생하면 실수가 발생한 이유는 데이터의 품질이 인간이 더 잘할 수 없을 정도였기 때문이라고 변호할 수 있어야 합니다. 응. 우리는 모델이 인간 의사가 보고 "음, 이건 분명히 맞아, 틀렸어"라고 말할 실수를 하게 할 수 없습니다.

존 얀치(24:15): 네.응. 전적으로. 음, 켄, 잠시 시간을 내어 덕트 테이프 마케팅 팟캐스트를 들려주셔서 감사합니다. 당신은 사람들에게 그들이 찾을 수 있는 곳을 알려주고, 당신이 원한다면 당신과 연결하고, 그들이 알고리즘이 우리에 대해 음모를 꾸미고 있습니까?

케네스 벵거(24:29): 물론입니다.먼저 저를 초대해 주셔서 대단히 감사합니다. 좋은 대화였습니다. 예, LinkedIn에서 저에게 연락할 수 있고 경찰을 위해 책의 사본을 요청할 수 있으며 Amazon과 게시자 웹사이트인 the working fires.org에서 구할 수 있습니다.

John Jantsch(24:42): 굉장합니다.다시한번 좋은 대화로 해결해주셔서 감사합니다. 바라건대, 언젠가는 길에서 당신을 만날 수 있기를 바랍니다.

케네스 벵거(24:49): 감사합니다.

John Jantsch(24:49): 이봐, 그리고 가기 전에 마지막으로 한 가지.내가 마케팅 전략, 전술 이전의 전략에 대해 어떻게 말하는지 아십니까? 글쎄요, 때때로 당신이 어디에 서 있는지, 마케팅 전략을 세우는 것과 관련하여 무엇을 해야 하는지 이해하기 어려울 수 있습니다. 그래서 우리는 당신을 위한 무료 도구를 만들었습니다. 이를 마케팅 전략 평가라고 합니다. @marketingassessment.co, not.com, dot co에서 찾을 수 있습니다. 무료 마케팅 평가를 확인하고 지금 귀하의 전략이 어디에 있는지 알아보십시오. 그것은 단지 마케팅 평가입니다. 나는 당신이 얻은 결과에 대해 당신과 이야기하고 싶습니다.