Βασικά Takeaways
- Ερευνητές έχουν δημιουργήσει τεχνικές που επιτρέπουν στους χρήστες να ταξινομούν τα αποτελέσματα της συμπεριφοράς ενός μοντέλου μηχανικής μάθησης.
- Οι ειδικοί λένε ότι η μέθοδος δείχνει ότι οι μηχανές φτάνουν τις ικανότητες σκέψης των ανθρώπων.
- Οι πρόοδοι στην τεχνητή νοημοσύνη θα μπορούσαν να επιταχύνουν την ανάπτυξη της ικανότητας των υπολογιστών να κατανοούν τη γλώσσα και να φέρουν επανάσταση στον τρόπο αλληλεπίδρασης της τεχνητής νοημοσύνης και των ανθρώπων.
Μια νέα τεχνική που μετρά τη συλλογιστική δύναμη της τεχνητής νοημοσύνης (AI) δείχνει ότι οι μηχανές προσεγγίζουν τους ανθρώπους στην ικανότητά τους να σκέφτονται, λένε οι ειδικοί.
Ερευνητές του MIT και της IBM Research δημιούργησαν μια μέθοδο που επιτρέπει σε έναν χρήστη να ταξινομεί τα αποτελέσματα της συμπεριφοράς ενός μοντέλου μηχανικής μάθησης. Η τεχνική τους, που ονομάζεται Κοινό ενδιαφέρον, ενσωματώνει μετρήσεις που συγκρίνουν πόσο καλά ταιριάζει η σκέψη ενός μοντέλου με αυτή των ανθρώπων.
"Σήμερα, η τεχνητή νοημοσύνη είναι ικανή να φτάσει (και, σε ορισμένες περιπτώσεις, να ξεπεράσει) την ανθρώπινη απόδοση σε συγκεκριμένες εργασίες, συμπεριλαμβανομένης της αναγνώρισης εικόνας και της κατανόησης γλώσσας, " Pieter Buteneers, διευθυντής μηχανικής στη μηχανική μάθηση και τεχνητή νοημοσύνη στις επικοινωνίες Η εταιρεία Sinch, είπε στο Lifewire σε μια συνέντευξη μέσω email. "Με την επεξεργασία φυσικής γλώσσας (NLP), τα συστήματα τεχνητής νοημοσύνης μπορούν να ερμηνεύουν, να γράφουν και να μιλούν γλώσσες όπως και οι άνθρωποι, και η τεχνητή νοημοσύνη μπορεί ακόμη και να προσαρμόσει τη διάλεκτο και τον τόνο της ώστε να ευθυγραμμιστεί με τους συνομηλίκους της."
Τεχνητές Έξυπνες
Το Το AI παράγει συχνά αποτελέσματα χωρίς να εξηγεί γιατί αυτές οι αποφάσεις είναι σωστές. Και τα εργαλεία που βοηθούν τους ειδικούς να κατανοήσουν το σκεπτικό ενός μοντέλου συχνά παρέχουν μόνο πληροφορίες, μόνο ένα παράδειγμα κάθε φορά. Η τεχνητή νοημοσύνη συνήθως εκπαιδεύεται χρησιμοποιώντας εκατομμύρια εισόδους δεδομένων, γεγονός που καθιστά δύσκολο για έναν άνθρωπο να αξιολογήσει αρκετές αποφάσεις για να αναγνωρίσει μοτίβα.
Σε μια πρόσφατη εργασία, οι ερευνητές είπαν ότι το κοινό ενδιαφέρον θα μπορούσε να βοηθήσει έναν χρήστη να αποκαλύψει τις τάσεις στη λήψη αποφάσεων ενός μοντέλου. Και αυτές οι πληροφορίες θα μπορούσαν να επιτρέψουν στο χρήστη να αποφασίσει εάν ένα μοντέλο είναι έτοιμο για ανάπτυξη.
"Κατά την ανάπτυξη του Shared Interest, στόχος μας είναι να μπορέσουμε να κλιμακώσουμε αυτή τη διαδικασία ανάλυσης, ώστε να μπορέσετε να κατανοήσετε σε πιο παγκόσμιο επίπεδο ποια είναι η συμπεριφορά του μοντέλου σας," Angie Boggust, συν-συγγραφέας της εργασίας, αναφέρεται στο δελτίο τύπου.
Το Κοινό ενδιαφέρον χρησιμοποιεί μια τεχνική που δείχνει πώς ένα μοντέλο μηχανικής μάθησης πήρε μια συγκεκριμένη απόφαση, γνωστές ως μέθοδοι εξέχουσας σημασίας. Εάν το μοντέλο ταξινομεί εικόνες, οι μέθοδοι εξέχουσας σημασίας επισημαίνουν περιοχές μιας εικόνας που είναι σημαντικές για το μοντέλο όταν λαμβάνει την απόφασή του. Το κοινό ενδιαφέρον λειτουργεί συγκρίνοντας μεθόδους εξέχουσας σημασίας με σχολιασμούς που δημιουργούνται από τον άνθρωπο.
Ερευνητές χρησιμοποίησαν το Κοινό Ενδιαφέρον για να βοηθήσουν έναν δερματολόγο να καθορίσει εάν πρέπει να εμπιστευτεί ένα μοντέλο μηχανικής μάθησης που έχει σχεδιαστεί για να βοηθά στη διάγνωση του καρκίνου από φωτογραφίες δερματικών βλαβών. Το Κοινό ενδιαφέρον επέτρεψε στον δερματολόγο να δει γρήγορα παραδείγματα των σωστών και εσφαλμένων προβλέψεων του μοντέλου. Ο δερματολόγος αποφάσισε ότι δεν μπορούσε να εμπιστευτεί το μοντέλο επειδή έκανε πάρα πολλές προβλέψεις με βάση τεχνουργήματα εικόνας και όχι πραγματικές βλάβες.
Η αξία εδώ είναι ότι χρησιμοποιώντας το Κοινό ενδιαφέρον, μπορούμε να δούμε αυτά τα μοτίβα να εμφανίζονται στη συμπεριφορά του μοντέλου μας. Σε περίπου μισή ώρα, ο δερματολόγος ήταν σε θέση να αποφασίσει εάν θα εμπιστευόταν ή όχι το μοντέλο και αν θα το αναπτύξει ή όχι», είπε ο Boggust.
Η συλλογιστική πίσω από την απόφαση ενός μοντέλου είναι σημαντική τόσο για τον ερευνητή μηχανικής μάθησης όσο και για εκείνον που λαμβάνει αποφάσεις.
Μέτρηση προόδου
Η εργασία των ερευνητών του MIT θα μπορούσε να είναι ένα σημαντικό βήμα προς τα εμπρός για την πρόοδο της τεχνητής νοημοσύνης προς τη νοημοσύνη σε ανθρώπινο επίπεδο, δήλωσε ο Ben Hagag, επικεφαλής της έρευνας στην Darrow, μια εταιρεία που χρησιμοποιεί αλγόριθμους μηχανικής μάθησης, δήλωσε στο Lifewire σε μια συνέντευξη μέσω email..
"Το σκεπτικό πίσω από την απόφαση ενός μοντέλου είναι σημαντικό τόσο για τον ερευνητή μηχανικής μάθησης όσο και για τον λήπτη αποφάσεων", είπε ο Hagag. "Ο πρώτος θέλει να καταλάβει πόσο καλό είναι το μοντέλο και πώς μπορεί να βελτιωθεί, ενώ ο δεύτερος θέλει να αναπτύξει μια αίσθηση εμπιστοσύνης στο μοντέλο, επομένως πρέπει να καταλάβουν γιατί είχε προβλεφθεί αυτό το αποτέλεσμα."
Αλλά ο Hagag προειδοποίησε ότι η έρευνα του MIT βασίζεται στην υπόθεση ότι κατανοούμε ή μπορούμε να σχολιάσουμε την ανθρώπινη κατανόηση ή τον ανθρώπινο συλλογισμό.
"Ωστόσο, υπάρχει πιθανότητα αυτό να μην είναι ακριβές, επομένως απαιτείται περισσότερη δουλειά για την κατανόηση της ανθρώπινης λήψης αποφάσεων", πρόσθεσε ο Hagag.
Οι πρόοδοι στην τεχνητή νοημοσύνη θα μπορούσαν να επιταχύνουν την ανάπτυξη της ικανότητας των υπολογιστών να κατανοούν τη γλώσσα και να φέρουν επανάσταση στον τρόπο αλληλεπίδρασης της τεχνητής νοημοσύνης και των ανθρώπων, είπε ο Buteneers. Τα chatbots μπορούν να κατανοήσουν εκατοντάδες γλώσσες ταυτόχρονα και οι βοηθοί τεχνητής νοημοσύνης μπορούν να σαρώσουν τα σώματα του κειμένου για απαντήσεις σε ερωτήσεις ή παρατυπίες.
"Ορισμένοι αλγόριθμοι μπορούν ακόμη και να εντοπίσουν πότε τα μηνύματα είναι δόλια, κάτι που μπορεί να βοηθήσει τόσο τις επιχειρήσεις όσο και τους καταναλωτές να εξαλείψουν τα ανεπιθύμητα μηνύματα", πρόσθεσε ο Buteneers.
Αλλά, είπε ο Buteneers, η τεχνητή νοημοσύνη εξακολουθεί να κάνει μερικά λάθη που οι άνθρωποι δεν θα έκαναν ποτέ. «Ενώ κάποιοι ανησυχούν ότι η τεχνητή νοημοσύνη θα αντικαταστήσει τις ανθρώπινες δουλειές, η πραγματικότητα είναι ότι θα χρειαζόμαστε πάντα ανθρώπους που εργάζονται μαζί με τα ρομπότ τεχνητής νοημοσύνης για να τα βοηθούν να τα ελέγχουν και να κρατούν αυτά τα λάθη μακριά, διατηρώντας παράλληλα μια ανθρώπινη επαφή στην επιχείρηση», πρόσθεσε.
