Мастрид Wired — главное о современных технологиях и их влиянии на культуру, экономику и политику. Выходит в первый вторник месяца.
Стартапы должны заранее думать о достойном уходе
В Силиконовой долине принято думать о старте и росте, у предпринимателей есть миллион слов, чтобы описать эти процессы: запускай, создавай сайт и приложение, масштабируйся. Вся индустрия живет в отрицании неудач и провалов, хотя, по статистике, 70% стартапов не живут дольше пяти лет. И все же, когда очередная гениальная компания-новичок вынуждена закрыться, это сильно удивляет как ее клиентов, так и работников.
Пользователи сервиса Picturelife потеряли все фотографии, когда компания не смогла больше оплачивать пространство на сервере. Фирму WeWork, которая зарабатывает на аренде коммерческих зданий, оценили в $47 млрд, а через три недели она обанкротилась и тысячи сотрудников потеряли работу. Аналитики несколько лет критиковали бизнес-модель этой компании, но ее крах все равно стал для многих неожиданностью.
Технические проблемы, истощение потребителей, смена тренда — причиной неудачи может быть что угодно. Закрытие невозможно предсказать, но к нему нужно быть готовым — сейчас это уже не частное мнение отдельных экспертов, а требования закона. Например, по общему регламенту ЕС по защите персональных данных фирмы обязаны удалять личные данные клиентов, когда уходят из бизнеса.
Хороший пример достойного ухода — домашние роботы компании Jibo. Последние сотрудники компании запрограммировали прощальную речь роботов, которую они говорили своим владельцам, когда компания выходила с рынка: «Серверы, которые позволяют мне работать, скоро будут отключены. Как только это произойдет, наше общение закончится». Основатель стартапа подписал лицензию, которая позволит разработчикам продолжать работу над исходным кодом робота в образовательных целях. Jibo умер, но однажды он может дать жизнь новому виду роботов.
Полная версия статьи — по ссылке.
Плохие данные могут давать плохие уроки
Обучение с подкреплением — это один из способов машинного обучения, при котором система обучается, взаимодействуя с некоторой средой. Обучение с подкреплением позволяет машинам самостоятельно учиться, бесконечно практикуясь в разных задачах: от освоения настольных игр до навигации по оживленным дорогам.
Пока такой метод обучения не очень широко распространен, но уже появляется все больше публикаций, которые указывают на риски такого обучения. Небольшие изменения в данных, которые машины используют для обучения, могут сильно повлиять на результат. Например, доцент Бостонского университета Венчао Ли смог обмануть популярный алгоритм обучения от компании DeepMind и изменить правила начисления очков в игре.