These systems do perform better bec

These systems do perform better because they’re more focused on a specific domain. It’s the same way people work. We don’t tend to ask a journalist for cancer advice, and we don’t generally ask an oncologist for real estate advice. People tend to specialize in things and know them well. It’s the same thing with AI. Mathematically, you’re just more likely to get the answer if you’re clear about the domain to begin with.

FORTUNE: Let’s focus on Watson for Oncology, for a moment. One of the challenges of a disease like cancer is that its progression, particularly in later stages of metastasis, can often look like an emergent system. The disease often doesn’t follow a linear progression—even in the same tumors, certain cell populations can have radically different genetic mutations, meaning that they can respond differently to treatment. How does Watson learn to master chaos?

KENNY: Let me offer an example of that. It’s the work I did in weather—which is a chaotic system as well. So, you may have noticed that weather forecasts have gotten more accurate the last few years, and that’s been because of machine learning. So, what’s been important is training the system after each prediction that didn’t come true. For instance, you said it was going to rain on a particular day and it didn’t; it actually rained four miles north or four miles south. So you put that new fact in, and then the system automatically reweights all the algorithms—because there are algorithms for every level of the atmosphere—to pinpoint what it got wrong, and then that improves it for the next time. Now, the exercise isn’t simple: Weather is the atmosphere. It’s 100 kilometers thick, it covers the whole earth, it’s fed by the oceans, and it’s always in motion.

But what’s important is that you’re constantly learning on the negative so that the algorithms reweight without losing what was the positive, and that’s how it gets higher and higher confidence in its predictions.

ผลลัพธ์ (ไทย) 1:

ระบบเหล่านี้ทำงานดีขึ้น เพราะพวกเขากำลังเน้นโดเมนเฉพาะ มันเป็นแบบเดียวกับที่คนทำงาน เราไม่มีแนวโน้มที่นักข่าวขอคำแนะนำโรคมะเร็ง และเราจะไม่ขอยังเนื้องอกแนะนำอสังหาริมทรัพย์ ท่านมักจะ เชี่ยวชาญในสิ่ง และรู้จักพวกเขาดี มันเป็นสิ่งเดียวกันกับ AI ทางคณิตศาสตร์ คุณก็อาจได้รับคำตอบหากคุณชัดเจนเกี่ยวกับโดเมนเริ่มต้นด้วยโชคลาภ: มาเน้น Watson สำหรับวิทยา ช่วงนี้ หนึ่งในความท้าทายของการเกิดโรคเช่นโรคมะเร็งเป็นความก้าวหน้า โดยเฉพาะอย่างยิ่งในระยะหลังของการแพร่กระจาย สามารถจะดูเหมือนมีระบบฉุกเฉิน โรคมักไม่เป็นไปตามความก้าวหน้าเชิงเส้นซึ่งแม้ในเนื้องอกเดียว ประชากรบางเซลล์ได้กลายพันธุ์ทางพันธุกรรมที่แตกต่างกัน ซึ่งหมายความ ว่า พวกเขาสามารถตอบสนองแตกต่างกันการรักษา Watson ไม่เรียนรู้เพื่อหลักความสับสนวุ่นวายเคนนี: ผมเสนอตัวอย่างของที่ มันเป็นงานที่ผมทำในสภาพอากาศ — ซึ่งเป็นระบบวุ่นวายเช่นนี้ ดังนั้น คุณอาจสังเกตที่พยากรณ์อากาศมีอากาศมากขึ้นไม่กี่ปี และที่ได้รับจากการเรียนรู้ของเครื่อง ได้ ดังนั้น สิ่งที่ได้รับความสำคัญกำลังฝึกระบบหลังจากการคาดเดาแต่ละที่ไม่เป็นจริง เช่น คุณกล่าวมันจะฝนวันเฉพาะ และไม่ ได้ มันจริงฝนตกสี่ไมล์เหนือหรือใต้ 4 ไมล์ คุณใส่ความจริงที่ว่าใหม่ใน และจากนั้น ระบบอัตโนมัติ reweights อัลกอริทึม — เนื่องจากมีอัลกอริทึมสำหรับทุกระดับของบรรยากาศ — เพื่อระบุว่า จะมีความผิด แล้ว ที่เพิ่มอีกครั้ง ตอนนี้ การออกกำลังกายไม่ง่าย: สภาพอากาศบรรยากาศ กิโลเมตร 100 หนา ครอบคลุมโลกทั้งหมด มันจะถูกป้อน โดยมหาสมุทร และก็มักจะเคลื่อนไหวแต่สิ่งสำคัญคือ ว่า คุณกำลังต่อเนื่องเรียนรู้ในด้านลบดังนั้นอัลกอริทึม reweight โดยไม่สูญเสียสิ่งที่เป็นขั้วบวก และที่ว่ามันจะสูงขึ้นและความเชื่อมั่นสูงในการคาดคะเน

ผลลัพธ์ (ไทย) 2:

ระบบเหล่านี้จะทำงานได้ดีขึ้นเพราะพวกเขากำลังมุ่งเน้นมากขึ้นในโดเมนที่เฉพาะเจาะจง มันเป็นวิธีเดียวกับที่ทำงานของผู้คน เราไม่ได้มีแนวโน้มที่จะขอให้นักข่าวเพื่อขอคำแนะนำโรคมะเร็งและทั่วไปเราจะไม่ถามเนื้องอกสำหรับคำแนะนำทรัพย์จริง คนมักจะมีความเชี่ยวชาญในสิ่งและรู้ว่าพวกเขาเป็นอย่างดี มันเป็นสิ่งเดียวกันกับ AI ศาสตร์คุณเพียงแค่มีแนวโน้มที่จะได้คำตอบถ้าคุณเป็นที่ชัดเจนเกี่ยวกับโดเมนที่จะเริ่มต้นด้วย

FORTUNE: Let 's มุ่งเน้นไปที่วัตสันเนื้องอกสักครู่ หนึ่งในความท้าทายของการเกิดโรคเช่นโรคมะเร็งคือการที่ความคืบหน้าโดยเฉพาะอย่างยิ่งในขั้นตอนต่อมาของการแพร่กระจายมักจะมีลักษณะเช่นระบบฉุกเฉิน โรคที่มักจะไม่เป็นไปตามความก้าวหน้าเชิงเส้นแม้ในเนื้องอกเดียวกันประชากรเซลล์บางอย่างอาจมีการกลายพันธุ์ทางพันธุกรรมที่แตกต่างกันอย่างสิ้นเชิงหมายความว่าพวกเขาสามารถตอบสนองต่อการรักษาแตกต่างกันไป วิธีการที่ไม่วัตสันเรียนรู้ต้นแบบความสับสนวุ่นวาย?

KENNY: ผมขอนำเสนอตัวอย่างของการที่ มันเป็นงานที่ฉันได้ในสภาพอากาศซึ่งเป็นระบบที่วุ่นวายเช่นกัน ดังนั้นคุณอาจสังเกตเห็นว่าคาดการณ์สภาพอากาศมีอากาศที่ถูกต้องมากขึ้นไม่กี่ปีที่ผ่านมาและที่ได้รับเนื่องจากการเรียนรู้ของเครื่อง ดังนั้นสิ่งที่สำคัญคือการฝึกอบรมระบบหลังจากที่แต่ละคำทำนายที่ไม่ได้เป็นจริงขึ้นมา ตัวอย่างเช่นคุณกล่าวว่าฝนจะตกในวันหนึ่งและมันไม่ได้; มันจริงฝนตกสี่ไมล์ทางเหนือหรือสี่ไมล์ทางใต้ เพื่อให้คุณใส่ที่ความเป็นจริงใหม่และจากนั้นระบบอัตโนมัติ reweights อัลกอริทึมเพราะทั้งหมดมีขั้นตอนวิธีการทุกระดับของบรรยากาศการระบุสิ่งที่มันก็ผิดแล้วที่ช่วยเพิ่มความมันสำหรับครั้งต่อไป ตอนนี้การออกกำลังกายไม่ได้เป็นเรื่องง่าย: อากาศชั้นบรรยากาศ มันเป็น 100 กิโลเมตรหนามันครอบคลุมโลกทั้งโลกก็เลี้ยงโดยมหาสมุทรและก็มักจะอยู่ในการเคลื่อนไหว

แต่สิ่งที่สำคัญคือการที่คุณกำลังเรียนรู้อย่างต่อเนื่องในเชิงลบเพื่อให้ขั้นตอนวิธี reweight โดยไม่สูญเสียสิ่งที่เป็นบวกและว่าเป็นวิธีที่ได้รับความเชื่อมั่นที่สูงขึ้นและสูงขึ้นในการคาดการณ์ของ

ผลลัพธ์ (ไทย) 3:

ระบบเหล่านี้จะแสดงดีกว่าเพราะมันเน้นโดเมนเฉพาะ มันเป็นวิธีเดียวกันงานคน เราไม่ได้มีแนวโน้มที่จะถามนักข่าวสำหรับคำแนะนำโรคมะเร็ง และเราไม่ได้มักจะถามเนื้องอกสำหรับคำแนะนำอสังหาริมทรัพย์ คนมักจะมีความเชี่ยวชาญในเรื่อง และรู้จักพวกเขาดี มันเป็นสิ่งเดียวกันกับไอ ทางคณิตศาสตร์ , คุณมีแนวโน้มที่จะได้รับคำตอบ ถ้าคุณล้างเกี่ยวกับโดเมนเริ่มต้นโชคลาภ : เรามุ่งเน้น Watson สำหรับวิทยามะเร็ง สักครู่ หนึ่งในความท้าทายของโรค เช่น มะเร็งที่ก้าวหน้า โดยเฉพาะหลังจากขั้นตอนของการแพร่กระจายของเนื้อร้าย มักจะดูเป็นระบบฉุกเฉิน . โรคนี้มักจะไม่ปฏิบัติตามแบบเชิงเส้นในเนื้องอกเดียวกันประชากรเซลล์บางอย่างสามารถมีการกลายพันธุ์ทางพันธุกรรมที่แตกต่างกันอย่างสิ้นเชิง นั่นหมายความว่าพวกเขาสามารถตอบสนองแตกต่างกันเพื่อการรักษา ทำไมวัตสันเรียนรู้ต้นแบบความวุ่นวายเคนนี่ : ผมจะขอยกตัวอย่างที่ มันทำงานได้ในสภาพอากาศที่เป็นระบบระเบียบดี ดังนั้น คุณอาจได้สังเกตเห็นว่า การพยากรณ์อากาศได้ถูกต้องกว่าไม่กี่ปีสุดท้าย และนั่นเป็นเพราะการเรียนรู้เครื่อง ดังนั้น สิ่งที่สำคัญคือการฝึกอบรมระบบหลังจากที่แต่ละคำทำนาย ที่ไม่ได้เป็นจริง เช่น คุณบอกว่าจะมีฝนตกในวันหนึ่งและมันไม่ได้ มันจริงฝนตกสี่ไมล์ทางเหนือ หรือสี่ไมล์ทางใต้ ดังนั้น คุณใส่มันในความเป็นจริงใหม่ แล้วระบบจะ reweights ขั้นตอนวิธีทั้งหมดเนื่องจากมีขั้นตอนวิธีการทุกระดับ บรรยากาศที่แน่ชัดว่ามันผิด แล้วที่ปรับปรุงสำหรับครั้งต่อไป ตอนนี้ไม่ได้ออกกำลังกายง่ายๆ อากาศ บรรยากาศ มันคือ 100 กิโลเมตรหนา มันครอบคลุมทั้งแผ่นดิน มันเลี้ยงโดยมหาสมุทรและมันเสมอในการเคลื่อนไหวแต่สิ่งที่สำคัญคือการที่คุณกำลังเรียนในทางลบว่าขั้นตอนวิธี reweight โดยไม่สูญเสียสิ่งที่เป็นบวก และดูท่าจะสูงขึ้นและความเชื่อมั่นที่สูงขึ้นในการคาดคะเน