- Οι 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 εξελίξεις 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 πλησιάζουν 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 Shared Interest, 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», δήλωσε στο Lifewire ο Pieter Buteneers, διευθυντής μηχανικής στη μηχανική μάθηση και AI στην εταιρεία επικοινωνιών Sinch. σε μια συνέντευξη μέσω email. «Με την επεξεργασία φυσικής γλώσσας (NLP), τα συστήματα τεχνητής νοημοσύνης μπορούν να ερμηνεύουν, να γράφουν και να μιλούν γλώσσες καθώς και ανθρώπους, και η τεχνητή νοημοσύνη μπορεί ακόμη και να προσαρμόσει τη διάλεκτο και τον τόνο της ώστε να ευθυγραμμιστεί με τους ανθρώπους.
Τεχνητά Smarts
Η τεχνητή νοημοσύνη συχνά παράγει 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 τον εντοπισμό προτύπων. Σε μια πρόσφατη εργασία, οι ερευνητές είπαν ότι το Shared Interest θα μπορούσε να βοηθήσει έναν χρήστη να αποκαλύψει τις τάσεις στη λήψη αποφάσεων ενός μοντέλου. Και αυτές οι πληροφορίες θα μπορούσαν να επιτρέψουν στον χρήστη να αποφασίσει εάν ένα μοντέλο είναι έτοιμο να αναπτυχθεί. «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», δήλωσε η Angie Boggust, συν-συγγραφέας της εφημερίδας, στις ειδήσεις. ελευθέρωση. Το Κοινό Ενδιαφέρον χρησιμοποιεί μια τεχνική που δείχνει πώς ένα μοντέλο μηχανικής μάθησης πήρε μια συγκεκριμένη απόφαση, γνωστή ως μέθοδοι εξέχουσας σημασίας. Εάν το μοντέλο ταξινομεί εικόνες, οι μέθοδοι προεξοχής 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. Οι ερευνητές χρησιμοποίησαν το Shared Interest 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 των 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 Shared Interest, μπορούμε να δούμε αυτά τα μοτίβα να εμφανίζονται στη συμπεριφορά του μοντέλου μας. Σε περίπου μισή ώρα, ο δερματολόγος ήταν σε θέση να αποφασίσει αν θα εμπιστευόταν ή όχι το μοντέλο και αν θα το αναπτύξει ή όχι», είπε ο Boggust. Το σκεπτικό πίσω από την απόφαση ενός μοντέλου είναι σημαντικό τόσο για τον ερευνητή της μηχανικής μάθησης όσο και για τον υπεύθυνο λήψης αποφάσεων.
Μέτρηση της 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, είπε 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 χρειάζεται περισσότερη δουλειά για την κατανόηση της ανθρώπινης λήψης αποφάσεων», πρόσθεσε ο Χάγκαγκ.
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 αναγνωρίσουν πότε τα μηνύματα είναι δόλια, κάτι που μπορεί να βοηθήσει τις επιχειρήσεις και τους καταναλωτές να εξαλείψουν τα ανεπιθύμητα μηνύματα», πρόσθεσε ο Buteneers. Όμως, είπε ο Buteneers, η τεχνητή νοημοσύνη εξακολουθεί να κάνει κάποια λάθη που οι άνθρωποι δεν θα έκαναν ποτέ. «Ενώ κάποιοι ανησυχούν ότι η τεχνητή νοημοσύνη θα αντικαταστήσει τις ανθρώπινες θέσεις εργασίας, η πραγματικότητα είναι ότι θα χρειαζόμαστε πάντα ανθρώπους που εργάζονται μαζί με τα bots AI για να τους κρατούν υπό έλεγχο και να κρατούν μακριά αυτά τα λάθη, διατηρώντας παράλληλα μια ανθρώπινη επαφή στην επιχείρηση», πρόσθεσε.