Saturs
J:
Kā uzņēmumi mēģina mākslīgā intelekta darbam pievienot "spidometru"?
A:
Daži no uzņēmumiem, kas strādā pie jaunākajiem sasniegumiem mākslīgā intelekta jomā, arvien vairāk koncentrējas uz to sasniegtā progresa kvantitatīvu noteikšanu un dažu aspektu salīdzināšanu, kā mākslīgais intelekts ir attīstījies laika gaitā. Ir daudz iemeslu, kāpēc uzņēmumi veic šāda veida analīzes. Kopumā viņi cenšas izdomāt, cik tālu ir nonācis mākslīgais intelekts, kā tas attiecas uz mūsu dzīvi un kā tas ietekmēs tirgus.
Daži uzņēmumi veic prāta vētras un uzrauga viņu mākslīgā intelekta progresu, lai noskaidrotu, kā jaunās tehnoloģijas var ietekmēt pilsoņu brīvības vai kā tās varētu radīt jaunu ekonomisko realitāti. Atkarībā no uzņēmuma pieejas šāda veida analīze var izpausties kā mēģinājums izdomāt, kā lietotāju dati var plūst caur sistēmām, saprast, kā saskarnes darbosies, vai izdomāt, kādas iespējas ir mākslīgā intelekta entītijām un kā tās varētu izmantot šīs iespējas.
Runājot par metodēm, uzņēmumi, kas mēģina noteikt mākslīgo intelektu, var koncentrēties uz abstraktas informācijas sadalīšanu - piemēram, Wired raksts citē AI Index projektu, kurā strādā tādi pētnieki kā Ray Perrault, kurš strādā bezpeļņas laboratorijā SRI International. detalizētā momentuzņēmumā par to, kas notiek mākslīgā intelekta jomā.
"Tas ir kaut kas, kas jādara, daļēji tāpēc, ka tur ir tik daudz trakulības par to, kurp notiek AI," rakstā norāda Perrault, komentējot motivāciju šāda veida projektu uzņemšanai.
Skaidrojot, kā darbojas mākslīgā intelekta etalonuzdevumi, daži eksperti skaidro, ka inženieri vai citas puses, iespējams, mēģina veikt “smago pārbaudi” mākslīgā intelekta projektiem, piemēram, mēģinot “pievilināt” vai “pieveikt” mākslīgā intelekta sistēmas. Šāda veida aprakstam patiešām ir sirds, kā uzņēmumi patiesi var uzraudzīt un novērtēt mākslīgo intelektu. Viens veids, kā par to domāt, ir tāda paša veida ideju pielietošana, ko programmētāji izmantojuši iepriekšējos laikos, lai atkļūdotu lineāro kodu sistēmas.
Lineāro kodu sistēmu atkļūdošana bija saistīta ar to vietu atrašanu, kur sistēma darbosies labi - kur programma sabruks, kur iesaldēsies, kur darbosies lēni utt. Bija jāatrod vietas, kur loģiskas kļūdas apturētu vai sajauktu projektu, kur funkcija nedarbosies pareizi vai kur varētu būt kāds neparedzēts lietotāja notikums.
Padomājot par to, mākslīgā intelekta mūsdienu pārbaude var būt līdzīgs mēģinājums pavisam citā plaknē - tā kā mākslīgā intelekta tehnoloģijas ir vairāk izziņas, nevis lineāras, testēšana notiek daudz savādāk, bet cilvēki joprojām meklē “kļūdas”. ”- veidi, kā šīm programmām var būt neparedzētas sekas, veidi, kā tās var darboties un kaitēt cilvēku institūcijām, utt. Paturot prātā, kaut arī pastāv daudzas dažādas atšķirīgas metodes spidometra vai mākslīgā intelekta progresa etalona izveidošanai, iepriekš aprakstītās cietās pārbaudes parasti sniegs cilvēkiem unikālu ieskatu par to, cik tālu ir sasniegts mākslīgais intelekts, un kas jādara, lai tas sniegtu vairāk pozitīvu, neradot vairāk negatīvu.