باورهای غلط درباره هوش مصنوعی

اندرو ان.جی از بنیانگذاران Coursera و سرپرست سابق گروههوش مصنوعیBaidu و Google Brain در یادداشتی که منتشر کرده است، از باورهای غلط درباره هوش مصنوعی گفته است

دوستان گرامی

توسعه هوش مصنوعیِ داده‌محور، مورداقبال قرار گرفته است. نخستین بار در ماه مارس به صورت عمومی درباره آن صحبت کردم و در آن سخنرانی از کار Landing AI بر روی یک پلتفرم داده‌محور برای بینایی کامپیوتر بهره بردم. از آن زمان، شرکت‌های بزرگ مانند Kili Technologies، Scale AI و Snorkel در وب‌سایت‌های خود به هوش مصنوعی داده‌محور اشاره کرده‌اند. با این حال، همراه با اشتیاق روزافزون به هوش مصنوعی داده‌محور، با برخی باورهای غلط درباره هوش مصنوعی مواجه شده‌ام. در ادامه افسانه‌های مهم‌تر درباره هوش مصنوعی داده‌محور آورده شده است

افسانههوش مصنوعی داده‌محور، مشکل اساسی ساخت هوش مصنوعی مسئولیت‌پذیر را بررسی نمی‌کند.

واقعیتهوش مصنوعی داده‌محور روش‌های قدرتمندتری برای عادلانه‌تر کردن هوش مصنوعی ارائه می‌دهد. در نظر بگیرید که یک سیستم پرداخت وام را بررسی می‌کنیم و متوجه می‌شویم که تصمیمات آن در قبال گروهی خاص تبعیض‌آمیز است؛ حال چگونه می‌توانیم این مشکل را برطرف کنیم؟ ممکن است که تنظیم الگوریتم مفید واقع شود؛ اما هر گونه تغییر اساسی ممکن است عملکرد دیگر بخش‌ها یا زیرمجموعه‌های داده را با مشکل رو‌به‌رو کند. با استفاده از رویکرد داده‌محور، می‌توانیم آموزش و آزمایش داده‌های مرتبط با بخشی را که می‌خواهیم الگوریتم‌هایش تغییر کند، مهندسی کنیم و این ابزاری ارزشمند در ساخت هوش مصنوعی مسئولیت‌پذیر است.

افسانههوش مصنوعی داده‌محور، فقط نام جدیدی برای یادگیری ماشین کاربردی است.

واقعیتبا اینکه متخصصان سال‌ها، داده‌ها را مهندسی کرده‌اند، اما این کار را با روش‌هایی که اغلب موقتی، کند و به‌شدت وابسته به مهارت فردی یا شانس بوده، انجام داده‌ایم. هوش مصنوعی داده‌محور تغییر به سمت توسعه روش‌های مهندسی نظام‌مند است؛ روش‌هایی که داده‌ها را به شکلی قابل‌اعتماد، کارآمد و نظام‌مند بهبود ببخشند.

افسانههوش مصنوعی داده‌محور تنها به معنای معطوف کردنِ توجه بیشتر به داده است.

واقعیتاین ادعا مانند این است که بگوییم «کدنویسی خوب تنها به معنای توجه بیشتر به کیفیت کد است.» این امر معنا را تا حد ابتذال، ساده می‌کند. بله، توجه کردن مهم است، اما این تنها بخش کوچکی از قضیه است. ما باید روش‌ها، تکنیک‌ها و ابزارهای بهتری را برای اندازه‌گیری و بهبود کیفیت داده، ایجاد کنیم.

افسانههوش مصنوعی داده‌محور یعنی انجامِ بهترِ پیش‌پردازش داده.

واقعیتبهبود داده کاری نیست که یکبار در مرحله پیش‌پردازش انجام شود، بلکه باید بخش اصلی فرایند مکرر آموزش مدل و همچنین کاراندازی و نگهداری باشد. به عنوان مثال، پس از آموزش مدلی برای طبقه‌بندی سلول‌ها در یک اسلاید میکروسکوپی، اگر تحلیل خطا نشان داد که مدل، روی زیرمجموعه‌ای از سلول‌ها ضعیف عمل می‌کند، می‌توان از روش‌های داده‌محور استفاده کرد، تا عملکرد آن را بر روی آن زیرمجموعه بهبود بخشید.

افسانههوش مصنوعی داده‌محور تنها درباره برچسب‌دهی (یا داده‌افزایی، پاکسازی داده، فراداده، ذخیره داده، پایش داده) است.

واقعیتهوش مصنوعی داده‌محور درباره مهندسی نظام‌مند داده است، تا از کاربرد موفقیت‌آمیز هوش مصنوعی، اطمینان حاصل شود. تمام موارد بالا دارای اهمیت هستند و هیچ‌کدام به‌تنهایی کافی نیستند.

افسانههوش مصنوعی داده‌محور تنها بر روی داده‌های غیرساخت‌مند مانند عکس و تصویر کار می‌کند و نه داده‌های ساخت‌مند مانند داده‌های تابلویی.

واقعیتهوش مصنوعی داده‌محور برای کار با هر دو نوع داده ساخت‌مند و غیرساخت‌مند، ارزشمند است. البته در هر مورد بهترین شکل عملکرد آن، متفاوت است. در خصوص داده‌های غیرساخت‌مند، اصولاً راحت‌تر است که از نیروی انسانی بخواهیم داده‌ها را برچسب بزند و داده‌های بیشتری را جمع‌آوری یا ترکیب کند. در خصوص داده‌های ساخت‌مند، من متوجه شدم که رویکردهای داده‌محور بیشتر متمایل به پاکسازی داده‌های موجود و خلق ویژگی‌های جدید هستند.

به یادگیری ادامه بدهید!

اندرو

وقتی کسی از شما می‌خواهد که هوش مصنوعی داده‌محور را تعریف کنید، چه پاسخی می‌دهید؟ ما هنوز بر تعریف خاصی توافق نکرده‌ایم. تعریف خودتان رابا ما به اشتراک بگذارید.

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.