tl; dr:
- MaŔīnmÄcÄ«ba meklÄ datu modeļus. Bet mÄkslÄ«gais intelekts var bÅ«t āneobjektÄ«vsā ā tas ir, atrast modeļus, kas ir nepareizi. PiemÄram, uz fotoattÄliem balstÄ«ta Ädas vÄža noteikÅ”anas sistÄma var pievÄrst Ä«paÅ”u uzmanÄ«bu attÄliem, kas uzÅemti Ärsta kabinetÄ. MaŔīnmÄcÄ«ba nevar saprast: tÄ algoritmi identificÄ tikai skaitļu modeļus, un, ja dati nav reprezentatÄ«vi, tad arÄ« to apstrÄdes rezultÄts. Un Å”Ädu kļūdu uztverÅ”ana var bÅ«t sarežģīta maŔīnmÄcÄ«Å”anÄs mehÄnikas dÄļ.
- AcÄ«mredzamÄkÄ un biedÄjoÅ”ÄkÄ problÄmu joma ir cilvÄku daudzveidÄ«ba. Ir daudz iemeslu, kÄpÄc dati par cilvÄkiem var zaudÄt objektivitÄti pat vÄkÅ”anas posmÄ. Bet nedomÄjiet, ka Ŕī problÄma skar tikai cilvÄkus: tieÅ”i tÄdas paÅ”as grÅ«tÄ«bas rodas, mÄÄ£inot atklÄt plÅ«dus noliktavÄ vai bojÄtu gÄzes turbÄ«nu. Dažas sistÄmas var bÅ«t novirzÄ«tas uz Ädas krÄsu, citas bÅ«s novirzÄ«tas uz Siemens sensoriem.
- Å Ädas problÄmas nav nekas jauns maŔīnmÄcÄ«bÄ, un tÄs nebÅ«t nav unikÄlas. JebkurÄ sarežģītÄ struktÅ«rÄ tiek izdarÄ«ti nepareizi pieÅÄmumi, un vienmÄr ir grÅ«ti saprast, kÄpÄc tika pieÅemts konkrÄts lÄmums. Mums ar to jÄcÄ«nÄs visaptveroÅ”Ä veidÄ: jÄizveido rÄ«ki un procesi verifikÄcijai un jÄizglÄ«to lietotÄji, lai viÅi akli neievÄrotu AI ieteikumus. MaŔīnmÄcÄ«ba dara dažas lietas daudz labÄk, nekÄ mÄs varam, taÄu, piemÄram, suÅi ir daudz efektÄ«vÄki nekÄ cilvÄki narkotiku atklÄÅ”anÄ, kas nav iemesls, lai viÅus izmantotu kÄ lieciniekus un pieÅemtu spriedumus, pamatojoties uz viÅu liecÄ«bÄm. Un suÅi, starp citu, ir daudz gudrÄki par jebkuru maŔīnmÄcÄ«Å”anÄs sistÄmu.
MaŔīnmÄcÄ«ba mÅ«sdienÄs ir viena no svarÄ«gÄkajÄm fundamentÄlajÄm tehnoloÄ£iju tendencÄm. Å is ir viens no galvenajiem veidiem, kÄ tehnoloÄ£ija nÄkamajÄ desmitgadÄ mainÄ«s pasauli ap mums. Daži Å”o izmaiÅu aspekti rada bažas. PiemÄram, maŔīnmÄcÄ«bas iespÄjamÄ ietekme uz darba tirgu vai tÄs izmantoÅ”ana neÄtiskiem mÄrÄ·iem (piemÄram, autoritÄri režīmi). Å ajÄ ziÅojumÄ ir vÄl viena problÄma: mÄkslÄ«gÄ intelekta aizspriedumi.
Å is nav viegls stÄsts.
Google AI var atrast kaÄ·us. Å Ä«s 2012. gada ziÅas toreiz bija kaut kas Ä«paÅ”s.
Kas ir āAI novirzeā?
āNeapstrÄdÄti datiā ir gan oksimorons, gan slikta ideja; dati ir jÄsagatavo labi un rÅ«pÄ«gi. ā Džefrijs Bokers
Kaut kur pirms 2013. gada, lai izveidotu sistÄmu, kas, teiksim, atpazÄ«st kaÄ·us fotogrÄfijÄs, bija jÄapraksta loÄ£iski soļi. KÄ attÄlÄ atrast stÅ«rus, atpazÄ«t acis, analizÄt kažokÄdas faktÅ«ras, saskaitÄ«t Ä·epas un tÄ tÄlÄk. PÄc tam salieciet visus komponentus un atklÄjiet, ka tas Ä«sti nedarbojas. LÄ«dzÄ«gi kÄ mehÄnisks zirgs - teorÄtiski to var izgatavot, bet praksÄ tas ir pÄrÄk sarežģīti aprakstÄ«t. Gala rezultÄts ir simtiem (vai pat tÅ«kstoÅ”iem) ar roku rakstÄ«tu noteikumu. Un neviena darba modeļa nav.
LÄ«dz ar maŔīnmÄcÄ«bas parÄdÄ«Å”anos mÄs pÄrstÄjÄm izmantot āmanuÄlosā noteikumus konkrÄta objekta atpazÄ«Å”anai. TÄ vietÄ mÄs Åemam tÅ«kstoÅ” āÅ”isā, X paraugu, tÅ«kstoÅ” ācitaā Y paraugu un liekam datoram izveidot modeli, pamatojoties uz viÅu statistisko analÄ«zi. PÄc tam mÄs sniedzam Å”im modelim dažus datu paraugus, un tas ar zinÄmu precizitÄti nosaka, vai tas atbilst kÄdai no kopÄm. MaŔīnmÄcÄ«ba Ä£enerÄ modeli no datiem, nevis no cilvÄka, kas tos raksta. RezultÄti ir iespaidÄ«gi, Ä«paÅ”i attÄlu un modeļu atpazÄ«Å”anas jomÄ, un tÄpÄc visa tehnoloÄ£iju nozare tagad pÄriet uz maŔīnmÄcÄ«Å”anos (ML).
Bet tas nav tik vienkÄrÅ”i. ReÄlajÄ pasaulÄ jÅ«su tÅ«kstoÅ”iem X vai Y piemÄru satur arÄ« A, B, J, L, O, R un pat L. Tie var nebÅ«t vienmÄrÄ«gi sadalÄ«ti, un daži var parÄdÄ«ties tik bieži, ka sistÄma maksÄs vairÄk. pievÄrsiet uzmanÄ«bu tiem, nevis objektiem, kas jÅ«s interesÄ.
Ko tas nozÄ«mÄ praksÄ? Mans mīļÄkais piemÄrs ir attÄlu atpazÄ«Å”anas sistÄmas
Ir nopietnÄki piemÄri. Viens nesen
Galvenais Å”eit ir tas, ka sistÄmai nav semantiskas izpratnes par to, ko tÄ skatÄs. MÄs skatÄmies uz pikseļu kopu un redzam tajos aitu, Ädu vai lineÄlus, bet sistÄma ir tikai skaitļu lÄ«nija. ViÅa neredz trÄ«sdimensiju telpu, neredz objektus, faktÅ«ras vai aitas. ViÅa vienkÄrÅ”i redz datos modeļus.
Å Ädu problÄmu diagnosticÄÅ”anas grÅ«tÄ«bas rada tas, ka neironu tÄ«kls (modelis, ko Ä£enerÄ jÅ«su maŔīnmÄcÄ«Å”anÄs sistÄma) sastÄv no tÅ«kstoÅ”iem simtiem tÅ«kstoÅ”u mezglu. Nav vienkÄrÅ”a veida, kÄ izpÄtÄ«t modeli un redzÄt, kÄ tas pieÅem lÄmumu. Å Äda veida izmantoÅ”ana nozÄ«mÄtu, ka process ir pietiekami vienkÄrÅ”s, lai aprakstÄ«tu visus noteikumus manuÄli, neizmantojot maŔīnmÄcÄ«Å”anos. CilvÄki uztraucas, ka maŔīnmÄcÄ«ba ir kļuvusi par melno kasti. (Nedaudz vÄlÄk paskaidroÅ”u, kÄpÄc Å”is salÄ«dzinÄjums joprojÄm ir par daudz.)
VispÄrÄ«gi runÄjot, tÄ ir mÄkslÄ«gÄ intelekta vai maŔīnmÄcÄ«bas neobjektivitÄtes problÄma: sistÄma datu modeļu atraÅ”anai var atrast nepareizus modeļus, un jÅ«s varat to nepamanÄ«t. TÄ ir tehnoloÄ£iju pamatÄ«paŔība, un tÄ ir acÄ«mredzama ikvienam, kas ar to strÄdÄ akadÄmiskajÄs aprindÄs un lielos tehnoloÄ£iju uzÅÄmumos. TaÄu tÄ sekas ir sarežģītas, un tÄdi ir arÄ« mÅ«su iespÄjamie Å”o seku risinÄjumi.
Vispirms parunÄsim par sekÄm.
AI netieÅ”i mums var izdarÄ«t izvÄli par labu noteiktÄm cilvÄku kategorijÄm, pamatojoties uz lielu skaitu nemanÄmu signÄlu
AI novirzes scenÄriji
VisredzamÄk un biedÄjoÅ”Äk Ŕī problÄma var izpausties, kad runa ir par cilvÄku daudzveidÄ«bu. Nesen
VissvarÄ«gÄkais Å”ajÄ piemÄrÄ ir tas, ka tika baumots, ka sistÄma atbalsta vÄ«rieÅ”u kÄrtas pretendentus, neskatoties uz to, ka CV nebija norÄdÄ«ts dzimums. SistÄma saskatÄ«ja citus modeļus "labas nomas" piemÄros: piemÄram, sievietes var izmantot Ä«paÅ”us vÄrdus, lai aprakstÄ«tu sasniegumus vai viÅiem ir Ä«paÅ”i hobiji. Protams, sistÄma nezinÄja, kas ir āhokejsā, kas ir ācilvÄkiā, vai kas ir āpanÄkumiā ā tÄ vienkÄrÅ”i veica teksta statistisko analÄ«zi. TaÄu viÅas redzÄtos modeļus, visticamÄk, cilvÄki nepamanÄ«s, un dažus no tiem (piemÄram, to, ka dažÄda dzimuma cilvÄki veiksmi raksturo atŔķirÄ«gi), mums, iespÄjams, bÅ«tu grÅ«ti saskatÄ«t pat tad, ja mÄs uz tiem paskatÄ«tos.
TÄlÄk - sliktÄk. MaŔīnmÄcÄ«Å”anÄs sistÄma, kas ļoti labi spÄj atrast vÄzi uz bÄlas Ädas, var nedarboties tik labi uz tumÅ”as Ädas vai otrÄdi. Ne vienmÄr aizspriedumu dÄļ, bet tÄpÄc, ka jums, iespÄjams, ir jÄizveido atseviŔķs modelis citai Ädas krÄsai, izvÄloties dažÄdas Ä«paŔības. MaŔīnmÄcÄ«Å”anÄs sistÄmas nav savstarpÄji aizvietojamas pat tik Å”aurÄ jomÄ kÄ attÄlu atpazÄ«Å”ana. Jums ir jÄpielÄgo sistÄma, dažkÄrt tikai ar izmÄÄ£inÄjumu un kļūdu palÄ«dzÄ«bu, lai labi pÄrvaldÄ«tu interesÄjoÅ”o datu funkcijas, lÄ«dz sasniedzat vÄlamo precizitÄti. Bet tas, ko jÅ«s, iespÄjams, nepamanÄ«sit, ir tas, ka sistÄma ir precÄ«za 98% gadÄ«jumu ar vienu grupu un tikai 91% (pat precÄ«zÄka nekÄ cilvÄka analÄ«ze) ar otru.
LÄ«dz Å”im esmu izmantojis galvenokÄrt piemÄrus, kas saistÄ«ti ar cilvÄkiem un viÅu Ä«paŔībÄm. Diskusija par Å”o problÄmu galvenokÄrt koncentrÄjas uz Å”o tÄmu. TaÄu ir svarÄ«gi saprast, ka aizspriedumi pret cilvÄkiem ir tikai daļa no problÄmas. MÄs izmantosim maŔīnmÄcÄ«Å”anos daudzÄm lietÄm, un paraugu ÅemÅ”anas kļūda bÅ«s bÅ«tiska visÄm tÄm. No otras puses, ja strÄdÄjat ar cilvÄkiem, datu novirze var nebÅ«t saistÄ«ta ar viÅiem.
Lai to saprastu, atgriezÄ«simies pie Ädas vÄža piemÄra un apsvÄrsim trÄ«s hipotÄtiskas sistÄmas atteices iespÄjas.
- NeviendabÄ«gs cilvÄku sadalÄ«jums: nesabalansÄts dažÄdu Ädas toÅu fotogrÄfiju skaits, kas pigmentÄcijas dÄļ rada viltus pozitÄ«vus vai viltus negatÄ«vus.
- Dati, uz kuriem sistÄma tiek apmÄcÄ«ta, satur bieži sastopamu un neviendabÄ«gi izplatÄ«tu pazÄ«mi, kas nav saistÄ«ta ar cilvÄkiem un kam nav diagnostiskas vÄrtÄ«bas: lineÄls Ädas vÄža fotogrÄfijÄs vai zÄle aitu fotogrÄfijÄs. Å ajÄ gadÄ«jumÄ rezultÄts bÅ«s atŔķirÄ«gs, ja sistÄma attÄlÄ atrod pikseļus kaut kam, ko cilvÄka acs identificÄ kÄ āvaldniekuā.
- Dati satur treÅ”Äs puses raksturlielumu, ko cilvÄks nevar redzÄt, pat ja viÅÅ” to meklÄ.
Ko tas nozÄ«mÄ? MÄs jau a priori zinÄm, ka dati var atŔķirÄ«gi atspoguļot dažÄdas cilvÄku grupas, un vismaz mÄs varam plÄnot meklÄt Å”Ädus izÅÄmumus. Citiem vÄrdiem sakot, ir daudz sociÄlu iemeslu pieÅemt, ka dati par cilvÄku grupÄm jau satur zinÄmu neobjektivitÄti. Ja mÄs paskatÄ«simies uz fotogrÄfiju ar lineÄlu, mÄs redzÄsim Å”o lineÄlu - mÄs to vienkÄrÅ”i ignorÄjÄm iepriekÅ”, zinot, ka tam nav nozÄ«mes, un aizmirstot, ka sistÄma neko nezina.
Bet kÄ bÅ«tu, ja visas jÅ«su neveselÄ«gÄs Ädas fotogrÄfijas bÅ«tu uzÅemtas birojÄ kvÄlspuldzes gaismÄ, bet jÅ«su veselÄ«gÄ Äda bÅ«tu uzÅemta dienasgaismas gaismÄ? Ko darÄ«t, ja pÄc veselÄ«gas Ädas uzÅemÅ”anas, pirms neveselÄ«gas Ädas uzÅemÅ”anas, jÅ«s atjauninÄtu tÄlruÅa operÄtÄjsistÄmu un Apple vai Google nedaudz mainÄ«tu trokÅ”Åu samazinÄÅ”anas algoritmu? CilvÄks to nevar pamanÄ«t, lai kÄ viÅÅ” meklÄtu Å”Ädas pazÄ«mes. Bet maŔīnas lietoÅ”anas sistÄma to uzreiz redzÄs un izmantos. ViÅa neko nezina.
LÄ«dz Å”im mÄs esam runÄjuÅ”i par viltus korelÄcijÄm, taÄu var bÅ«t arÄ« tÄ, ka dati ir precÄ«zi un rezultÄti ir pareizi, taÄu jÅ«s nevÄlaties tos izmantot Ätisku, juridisku vai pÄrvaldÄ«bas iemeslu dÄļ. Dažas jurisdikcijas, piemÄram, neļauj sievietÄm saÅemt atlaidi apdroÅ”inÄÅ”anai, lai gan sievietes var bÅ«t droÅ”Äkas autovadÄ«tÄjas. MÄs varam viegli iedomÄties sistÄmu, kas, analizÄjot vÄsturiskos datus, sievieÅ”u vÄrdiem pieŔķirtu zemÄku riska faktoru. Labi, noÅemsim vÄrdus no atlases. Bet atcerieties Amazon piemÄru: sistÄma var noteikt dzimumu, pamatojoties uz citiem faktoriem (lai gan tÄ nezina, kas ir dzimums vai pat kas ir automaŔīna), un jÅ«s to nepamanÄ«sit, kamÄr regulators ar atpakaļejoÅ”u datumu neanalizÄs jÅ«su tarifus. piedÄvÄjums un maksas jums tiks uzlikts naudas sods.
Visbeidzot, bieži tiek pieÅemts, ka Å”Ädas sistÄmas izmantosim tikai projektiem, kuros iesaistÄ«ti cilvÄki un sociÄlÄ mijiedarbÄ«ba. Tas ir nepareizi. Ja izgatavojat gÄzes turbÄ«nas, iespÄjams, vÄlÄsities izmantot maŔīnmÄcÄ«Å”anos telemetrijai, ko pÄrraida desmitiem vai simtiem jÅ«su produkta sensoru (audio, video, temperatÅ«ras un jebkuri citi sensori Ä£enerÄ datus, kurus var ļoti viegli pielÄgot, lai izveidotu maŔīnu mÄcÄ«bu modelis). HipotÄtiski jÅ«s varÄtu teikt: āÅ eit ir dati par tÅ«kstoÅ” turbÄ«nÄm, kuras sabojÄjÄs, pirms tÄs atteicÄs, un Å”eit ir dati no tÅ«kstoÅ” turbÄ«nÄm, kuras nebojÄja. Izveidojiet modeli, lai pateiktu, kÄda ir atŔķirÄ«ba starp tiem. Nu, tagad iedomÄjieties, ka Siemens sensori ir uzstÄdÄ«ti uz 75% sliktu turbÄ«nu, bet tikai uz 12% no labÄm (nav nekÄda sakara ar kļūmÄm). SistÄma izveidos modeli, lai atrastu turbÄ«nas ar Siemens sensoriem. Hmm!
AttÄls ā Morics HÄrds, UC Berkeley
AI novirzes pÄrvaldÄ«ba
Ko mÄs varam darÄ«t lietas labÄ? ProblÄmai var pieiet no trim leÅÄ·iem:
- MetodiskÄ stingrÄ«ba datu vÄkÅ”anÄ un pÄrvaldÄ«bÄ sistÄmas apmÄcÄ«bai.
- Tehniskie rÄ«ki modeļa uzvedÄ«bas analÄ«zei un diagnosticÄÅ”anai.
- ApmÄciet, izglÄ«tojiet un esiet piesardzÄ«gs, ievieÅ”ot maŔīnmÄcÄ«Å”anos produktos.
MoljÄra grÄmatÄ āBuržuÄze muižniecÄ«bÄā ir kÄds joks: vienam cilvÄkam stÄstÄ«ja, ka literatÅ«ra ir sadalÄ«ta prozÄ un dzejÄ, un viÅÅ” ar prieku atklÄja, ka visu mūžu runÄjis prozÄ, pats to nezinot. TÄ droÅ”i vien Å”odien jÅ«tas statistiÄ·i: paÅ”i to neapzinoties, viÅi savu karjeru ir veltÄ«juÅ”i mÄkslÄ«gajam intelektam un izlases kļūdÄm. Izlases kļūdas meklÄÅ”ana un raizÄÅ”anÄs par to nav jauna problÄma, mums tikai sistemÄtiski jÄrisina tÄs risinÄjums. KÄ minÄts iepriekÅ”, dažos gadÄ«jumos to patieÅ”Äm ir vieglÄk izdarÄ«t, pÄtot problÄmas, kas saistÄ«tas ar cilvÄku datiem. MÄs a priori pieÅemam, ka mums var bÅ«t aizspriedumi pret dažÄdÄm cilvÄku grupÄm, taÄu mums ir grÅ«ti pat iedomÄties aizspriedumus par Siemens sensoriem.
Jaunums Å”ajÄ visÄ, protams, ir tas, ka cilvÄki vairs neveic tieÅ”i statistisko analÄ«zi. To veic maŔīnas, kas rada lielus, sarežģītus un grÅ«ti saprotamus modeļus. PÄrredzamÄ«bas jautÄjums ir viens no galvenajiem neobjektivitÄtes problÄmas aspektiem. MÄs baidÄmies, ka sistÄma ir ne tikai neobjektÄ«va, bet arÄ« nav iespÄjas noteikt tÄs novirzi un ka maŔīnmÄcÄ«Å”anÄs atŔķiras no citiem automatizÄcijas veidiem, kas, domÄjams, sastÄv no skaidriem loÄ£iskiem soļiem, kurus var pÄrbaudÄ«t.
Å eit ir divas problÄmas. IespÄjams, mÄs joprojÄm varÄsim veikt kÄdu maŔīnmÄcÄ«Å”anÄs sistÄmu auditu. Un jebkuras citas sistÄmas auditÄÅ”ana patiesÄ«bÄ nav vieglÄka.
PirmkÄrt, viens no mÅ«sdienu pÄtÄ«jumu virzieniem maŔīnmÄcÄ«bas jomÄ ir metožu meklÄÅ”ana, lai identificÄtu maŔīnmÄcÄ«Å”anÄs sistÄmu svarÄ«gu funkcionalitÄti. Tas nozÄ«mÄ, ka maŔīnmÄcÄ«ba (paÅ”reizÄjÄ stÄvoklÄ«) ir pilnÄ«gi jauna zinÄtnes joma, kas strauji mainÄs, tÄpÄc nedomÄjiet, ka lietas, kas Å”odien nav iespÄjamas, drÄ«z nevar kļūt gluži reÄlas. Projekts
OtrkÄrt, ideja, ka jÅ«s varat pÄrbaudÄ«t un saprast lÄmumu pieÅemÅ”anas procesu esoÅ”ajÄs sistÄmÄs vai organizÄcijÄs, teorÄtiski ir laba, taÄu praksÄ tÄ ir laba. Saprast, kÄ lielÄ organizÄcijÄ tiek pieÅemti lÄmumi, nav viegli. Pat ja notiek formÄls lÄmumu pieÅemÅ”anas process, tas neatspoguļo to, kÄ cilvÄki faktiski mijiedarbojas, un viÅiem paÅ”iem bieži vien nav loÄ£iskas, sistemÄtiskas pieejas lÄmumu pieÅemÅ”anai. KÄ teica mans kolÄÄ£is
PaÅemiet tÅ«kstoÅ” cilvÄku vairÄkos uzÅÄmumos un iestÄdÄs, kas pÄrklÄjas, un problÄma kļūst vÄl sarežģītÄka. MÄs zinÄm, ka pÄc atgrieÅ”anÄs Space Shuttle bija paredzÄts sadalÄ«ties, un NASA darbiniekiem bija informÄcija, kas lika viÅiem domÄt, ka varÄtu notikt kaut kas slikts, taÄu sistÄma vispÄr Es to nezinÄju. NASA pat tikko veica lÄ«dzÄ«gu auditu pÄc tam, kad zaudÄja savu iepriekÅ”Äjo kuÄ£a kuÄ£i, taÄu tÄ zaudÄja vÄl vienu ļoti lÄ«dzÄ«ga iemesla dÄļ. Ir viegli apgalvot, ka organizÄcijas un cilvÄki ievÄro skaidrus, loÄ£iskus noteikumus, kurus var pÄrbaudÄ«t, saprast un mainÄ«t, taÄu pieredze pierÄda pretÄjo. Å”is "
Es bieži salÄ«dzinu maŔīnmÄcÄ«Å”anos ar datu bÄzÄm, Ä«paÅ”i relÄciju - jaunu fundamentÄlu tehnoloÄ£iju, kas ir mainÄ«jusi datorzinÄtÅu un apkÄrtÄjÄs pasaules iespÄjas, kas ir kļuvusi par daļu no visa, ko mÄs pastÄvÄ«gi lietojam, nemanot. ProblÄmas ir arÄ« datu bÄzÄm, un tÄm ir lÄ«dzÄ«gs raksturs: sistÄma var bÅ«t veidota uz sliktiem pieÅÄmumiem vai sliktiem datiem, taÄu to bÅ«s grÅ«ti pamanÄ«t, un cilvÄki, kas izmanto sistÄmu, darÄ«s to, ko tÄ viÅiem saka, neuzdodot jautÄjumus. Ir daudz vecu joku par nodokļu maksÄtÄji, kuri kÄdreiz ir uzrakstÄ«juÅ”i jÅ«su vÄrdu nepareizi, un pÄrliecinÄt viÅus labot kļūdu ir daudz grÅ«tÄk nekÄ faktiski mainÄ«t vÄrdu. Ir daudz veidu, kÄ par to domÄt, bet nav skaidrs, kas ir labÄks: kÄ tehniska problÄma SQL, vai kÄ kļūda Oracle laidienÄ, vai kÄ birokrÄtisko iestÄžu kļūme? Cik grÅ«ti ir atrast kļūdu procesÄ, kura rezultÄtÄ sistÄmai nav drukas kļūdu laboÅ”anas funkcijas? Vai to varÄja noskaidrot, pirms cilvÄki sÄka sÅ«dzÄties?
Å o problÄmu vÄl vienkÄrÅ”Äk ilustrÄ stÄsti, kad autovadÄ«tÄji iebrauc upÄs novecojuÅ”u navigatora datu dÄļ. Labi, kartes ir pastÄvÄ«gi jÄatjaunina. Bet cik daudz TomTom ir vainojams, ka jÅ«su automaŔīna tiek izpÅ«sta jÅ«rÄ?
Iemesls, kÄpÄc es to saku, ir tÄds, ka jÄ, maŔīnmÄcÄ«Å”anÄs novirze radÄ«s problÄmas. TaÄu Ŕīs problÄmas bÅ«s lÄ«dzÄ«gas tÄm, ar kurÄm esam saskÄruÅ”ies agrÄk, un tÄs var pamanÄ«t un atrisinÄt (vai ne) tikpat labi, kÄ mÄs to varÄjÄm pagÄtnÄ. TÄpÄc scenÄrijs, kurÄ AI novirze nodara kaitÄjumu, visticamÄk, nenotiks vecÄkajiem pÄtniekiem, kas strÄdÄ lielÄ organizÄcijÄ. VisticamÄk, kÄds nenozÄ«mÄ«gs tehnoloÄ£iju darbuzÅÄmÄjs vai programmatÅ«ras pÄrdevÄjs kaut ko uzrakstÄ«s uz ceļiem, izmantojot atvÄrtÄ pirmkoda komponentus, bibliotÄkas un rÄ«kus, kurus viÅi nesaprot. Un nelaimÄ«gais klients nopirks frÄzi āmÄkslÄ«gais intelektsā produkta aprakstÄ un, neuzdodot nekÄdus jautÄjumus, izplatÄ«s to saviem zemu atalgotajiem darbiniekiem, liekot viÅiem darÄ«t to, ko AI saka. TieÅ”i tÄ notika ar datu bÄzÄm. TÄ nav mÄkslÄ«gÄ intelekta problÄma vai pat programmatÅ«ras problÄma. Tas ir cilvÄciskais faktors.
SecinÄjums
MaŔīnmÄcÄ«ba var darÄ«t visu, ko varat iemÄcÄ«t sunim, taÄu jÅ«s nekad nevarat bÅ«t pÄrliecinÄts, ko tieÅ”i jÅ«s mÄcÄ«jÄt sunim.
Man bieži Ŕķiet, ka termins āmÄkslÄ«gais intelektsā tikai traucÄ Å”ÄdÄm sarunÄm. Å is termins rada maldÄ«gu iespaidu, ka mÄs to patiesÄ«bÄ radÄ«jÄm ā Ŕī inteliÄ£ence. Tas, ka mÄs esam ceÄ¼Ä uz HAL9000 vai Skynet ā kaut kas tÄds saprot. Bet nÄ. TÄs ir tikai maŔīnas, un daudz precÄ«zÄk tÄs ir salÄ«dzinÄt, teiksim, ar veļas maŔīnu. ViÅa mazgÄ veļu daudz labÄk nekÄ cilvÄks, bet, ja tu viÅÄ ieliksi traukus, nevis veļas, viÅa... tos izmazgÄs. Trauki pat kļūs tÄ«ri. Bet tas nebÅ«s tas, ko jÅ«s gaidÄ«jÄt, un tas nenotiks, jo sistÄmai ir kÄdi aizspriedumi attiecÄ«bÄ uz Ädieniem. Veļas maŔīna nezina, kas ir trauki vai kas ir drÄbes - tas ir tikai automatizÄcijas piemÄrs, kas konceptuÄli neatŔķiras no tÄ, kÄ procesi tika automatizÄti iepriekÅ”.
NeatkarÄ«gi no tÄ, vai mÄs runÄjam par automaŔīnÄm, lidmaŔīnÄm vai datu bÄzÄm, Ŕīs sistÄmas bÅ«s gan ļoti jaudÄ«gas, gan ļoti ierobežotas. Tie bÅ«s pilnÄ«bÄ atkarÄ«gi no tÄ, kÄ cilvÄki izmanto Ŕīs sistÄmas, vai viÅu nodomi ir labi vai slikti, un cik daudz viÅi saprot, kÄ tÄs darbojas.
TÄpÄc apgalvojums, ka āmÄkslÄ«gais intelekts ir matemÄtika, tÄpÄc tam nevar bÅ«t neobjektivitÄteā, ir pilnÄ«gi nepareizs. TaÄu tikpat aplami ir teikt, ka maŔīnmÄcÄ«ba ir āsubjektÄ«vaā. MaŔīnmÄcÄ«ba atrod datu modeļus, un tas, kÄdi modeļi tiek atrasti, ir atkarÄ«gi no datiem, un dati ir atkarÄ«gi no mums. TÄpat kÄ tas, ko mÄs ar viÅiem darÄm. MaŔīnmÄcÄ«ba dara dažas lietas daudz labÄk, nekÄ mÄs varam, taÄu, piemÄram, suÅi ir daudz efektÄ«vÄki nekÄ cilvÄki narkotiku atklÄÅ”anÄ, kas nav iemesls, lai viÅus izmantotu kÄ lieciniekus un pieÅemtu spriedumus, pamatojoties uz viÅu liecÄ«bÄm. Un suÅi, starp citu, ir daudz gudrÄki par jebkuru maŔīnmÄcÄ«Å”anÄs sistÄmu.
Tulkojums:
RediÄ£ÄÅ”ana:
Kopiena:
Avots: www.habr.com