Περιεχόμενο
Ερ:
Πώς προσπαθούν οι εταιρείες να προσθέσουν ένα "ταχύμετρο" στην εργασία τεχνητής νοημοσύνης;
ΕΝΑ:
Ορισμένες από τις εταιρείες που εργάζονται για τις πιο πρόσφατες εξελίξεις στην τεχνητή νοημοσύνη επικεντρώνονται στην ποσοτικοποίηση της προόδου που έχουν επιτύχει και στην συγκριτική αξιολόγηση ορισμένων πτυχών του τρόπου με τον οποίο η τεχνητή νοημοσύνη έχει εξελιχθεί με την πάροδο του χρόνου. Υπάρχουν πολλοί λόγοι για τους οποίους οι εταιρείες ακολουθούν αυτές τις μορφές ανάλυσης. Γενικά, προσπαθούν να καταλάβουν πόσο πολύ έχει έρθει η τεχνητή νοημοσύνη, πώς εφαρμόζεται στη ζωή μας και πώς θα επηρεάσει τις αγορές.
Ορισμένες εταιρείες σκέπτονται και παρακολουθούν την πρόοδο της τεχνητής νοημοσύνης τους για να καταλάβουν πώς οι νέες τεχνολογίες μπορούν να επηρεάσουν τις πολιτικές ελευθερίες ή πώς θα μπορούσαν να δημιουργήσουν νέες οικονομικές πραγματικότητες. Ανάλογα με την προσέγγιση της εταιρείας, αυτοί οι τύποι ανάλυσης μπορεί να λάβουν τη μορφή προσπαθώντας να καταλάβουν πώς μπορούν να περάσουν τα δεδομένα των χρηστών μέσω συστημάτων, να κατανοήσουν πώς θα λειτουργήσουν οι διεπαφές ή να προσδιορίσουν ποιες δυνατότητες διαθέτουν οι οντότητες τεχνητής νοημοσύνης και πώς θα μπορούσαν να χρησιμοποιήσουν αυτές τις δυνατότητες.
Όσον αφορά τις μεθόδους, οι εταιρείες που προσπαθούν να συγκρίνουν την τεχνητή νοημοσύνη ενδέχεται να επικεντρωθούν στην κατανομή των αφηρημένων πληροφοριών - για παράδειγμα, ένα ενσύρματο άρθρο αναφέρει το έργο AI Index, όπου εργάζονται ερευνητές όπως ο Ray Perrault, ο οποίος εργάζεται στο μη κερδοσκοπικό εργαστήριο SRI International σε λεπτομερή στιγμιότυπο του τι συμβαίνει στον τομέα της τεχνητής νοημοσύνης.
"Αυτό είναι κάτι που πρέπει να γίνει, εν μέρει γιατί υπάρχει τόση ασφυξία για το πού πηγαίνει η AI", λέει το Perrault στο άρθρο, σχολιάζοντας το κίνητρο για την ανάληψη αυτού του τύπου έργου.
Εξηγώντας πώς λειτουργεί η συγκριτική τεχνητή νοημοσύνη, κάποιοι εμπειρογνώμονες εξηγούν ότι οι μηχανικοί ή άλλα μέρη ενδέχεται να προσπαθούν να επιδιώξουν «σκληρές δοκιμές» για έργα τεχνητής νοημοσύνης, για παράδειγμα, προσπαθώντας να «εξαπατήσουν» ή να «νικήσουν» τα συστήματα τεχνητής νοημοσύνης. Αυτού του είδους η περιγραφή πηγαίνει στην καρδιά του πώς οι εταιρείες μπορούν πραγματικά να παρακολουθούν και να αξιολογούν την τεχνητή νοημοσύνη. Ένας τρόπος να σκεφτούμε αυτό είναι να εφαρμόσουμε τα ίδια είδη ιδεών που οι προγραμματιστές χρησιμοποίησαν σε προηγούμενους χρόνους για να διορθώσουν τα γραμμικά συστήματα κώδικα.
Τα συστήματα γραμμικού κώδικα εντοπισμού σφαλμάτων αφορούσαν την εύρεση των σημείων όπου θα λειτουργούσε σωστά το σύστημα - όπου ένα πρόγραμμα θα έπληττε, όπου θα παγώσει, όπου θα έμενε αργό, κλπ. Ήταν για να βρεθεί πού τα λογικά λάθη θα σταματήσουν ή θα συγχέουν ένα έργο, όπου μια λειτουργία δεν θα λειτουργούσε σωστά ή σε περίπτωση που υπήρχε κάποιο αθέλητο γεγονός χρήστη.
Όταν σκέφτεστε, οι σύγχρονες δοκιμές τεχνητής νοημοσύνης μπορεί να είναι μια παρόμοια προσπάθεια σε ένα πολύ διαφορετικό επίπεδο - επειδή οι τεχνολογίες τεχνητής νοημοσύνης είναι πιο γνωστικές από τις γραμμικές, ότι οι δοκιμές παίρνουν μια πολύ διαφορετική μορφή, αλλά οι άνθρωποι εξακολουθούν να αναζητούν "τα σφάλματα "- τρόποι με τους οποίους τα προγράμματα αυτά μπορεί να έχουν απρόβλεπτες συνέπειες, τρόπους με τους οποίους θα μπορούσαν να δράσουν και να βλάψουν τους ανθρώπινους οργανισμούς κλπ. Με αυτό το πνεύμα, αν και υπάρχουν πολλές διαφορετικές αποκλίνουσες μέθοδοι για τη δημιουργία ταχύμετρου ή δείκτη αναφοράς για την πρόοδο της τεχνητής νοημοσύνης, οι σκληρές δοκιμές που περιγράφηκαν παραπάνω θα δώσουν γενικά στους ανθρώπους μια μοναδική εικόνα για το πόσο τεχνητή νοημοσύνη έχει έρθει και τι πρέπει να γίνει για να παραμείνει πιο θετικός χωρίς να αναπτυχθούν περισσότερα αρνητικά.