Artificial Intelligence Bias အကြောင်း

TL; ဒေါက်တာ:

• Machine Learning သည် ဒေတာရှိ ပုံစံများကို ရှာဖွေသည်။ သို့သော် ဉာဏ်ရည်တုသည် “ဘက်လိုက်” နိုင်သည်၊ ဆိုလိုသည်မှာ မှားယွင်းနေသော ပုံစံများကို ရှာပါ။ ဥပမာအားဖြင့်၊ ဓာတ်ပုံအခြေခံ အရေပြားကင်ဆာ ထောက်လှမ်းခြင်းစနစ်သည် ဆရာဝန်ရုံးခန်းတွင် ရိုက်ယူထားသော ပုံများကို အထူးဂရုပြုနိုင်သည်။ Machine Learning လုပ်လို့မရဘူး နားလည်: ၎င်း၏ အယ်လဂိုရီသမ်များသည် ကိန်းဂဏာန်းများကိုသာ ခွဲခြားသတ်မှတ်ပြီး ဒေတာကို ကိုယ်စားပြုခြင်းမရှိပါက ၎င်း၏လုပ်ဆောင်ခြင်း၏ ရလဒ်များ ထွက်ပေါ်လာမည်ဖြစ်သည်။ စက်သင်ယူမှု၏ စက်ပြင်ကြောင့် ထိုကဲ့သို့သော ချို့ယွင်းချက်များကို ဖမ်းမိရန် ခက်ခဲနိုင်သည်။
• အထင်ရှားဆုံးနှင့် အဆိုးရွားဆုံး ပြဿနာမှာ လူသား ကွဲပြားမှု ဖြစ်သည်။ စုဆောင်းခြင်းအဆင့်တွင်ပင် လူများအကြောင်း ဒေတာများ ဓမ္မဓိဋ္ဌာန်ကျစေမည့် အကြောင်းအရင်းများစွာရှိပါသည်။ သို့သော် ဤပြဿနာသည် လူများကိုသာ အကျိုးသက်ရောက်သည်ဟု မထင်လိုက်ပါနှင့်- ဂိုဒေါင်အတွင်း ရေလွှမ်းမိုးမှု သို့မဟုတ် မအောင်မြင်သော ဓာတ်ငွေ့တာဘိုင်ကို ရှာဖွေတွေ့ရှိရန် ကြိုးပမ်းရာတွင် တူညီသောအခက်အခဲများ ဖြစ်ပေါ်လာပါသည်။ အချို့သောစနစ်များသည် အရေပြားအရောင်အပေါ် ဘက်လိုက်နိုင်ပြီး အခြားစနစ်များသည် Siemens အာရုံခံကိရိယာများထံ ဘက်လိုက်မည်ဖြစ်သည်။
• ဤကဲ့သို့သော ပြဿနာများသည် စက်သင်ယူခြင်းအတွက် အသစ်အဆန်းမဟုတ်ပါ၊ ၎င်းတို့နှင့် ၎င်းနှင့်မတူတော့ပါ။ ရှုပ်ထွေးသောဖွဲ့စည်းပုံတွင် မှားယွင်းသောယူဆချက်များကို ပြုလုပ်ထားပြီး ဆုံးဖြတ်ချက်တစ်ခုချရခြင်းအကြောင်းကို နားလည်ရန် အမြဲတမ်းခက်ခဲသည်။ ကျွန်ုပ်တို့သည် ၎င်းကို ကျယ်ကျယ်ပြန့်ပြန့် တိုက်ဖျက်ရန် လိုအပ်သည်- အတည်ပြုခြင်းအတွက် ကိရိယာများနှင့် လုပ်ငန်းစဉ်များကို ဖန်တီးပါ - AI အကြံပြုချက်များကို မျက်စိစုံမှိတ်မလိုက်နာစေရန် သုံးစွဲသူများအား ပညာပေးခြင်း။ Machine Learning သည် ကျွန်ုပ်တို့တတ်နိုင်သည်ထက် အချို့အရာများကို ပိုကောင်းအောင်လုပ်ဆောင်သည် - သို့သော် ဥပမာအားဖြင့် ခွေးများသည် သက်သေများအဖြစ် အသုံးပြုရန်နှင့် ၎င်းတို့၏ ထွက်ဆိုချက်များကို အခြေခံ၍ စီရင်ဆုံးဖြတ်ရန် အကြောင်းပြချက်မဟုတ်သည့် မူးယစ်ဆေးဝါးများကို ရှာဖွေရာတွင် လူသားများထက် ခွေးများသည် ပိုမိုထိရောက်သည်။ ထို့အပြင် ခွေးများသည် မည်သည့် machine learning စနစ်ထက်မဆို စမတ်ကျပါသည်။

Machine Learning သည် ယနေ့ခေတ်တွင် အရေးကြီးဆုံး အခြေခံနည်းပညာလမ်းကြောင်းများထဲမှ တစ်ခုဖြစ်သည်။ ၎င်းသည် လာမည့်ဆယ်စုနှစ်အတွင်း ကျွန်ုပ်တို့ပတ်ဝန်းကျင် ကမ္ဘာကြီးကို နည်းပညာပြောင်းလဲစေမည့် အဓိကနည်းလမ်းများထဲမှ တစ်ခုဖြစ်သည်။ ဤပြောင်းလဲမှုများ၏ အချို့သောရှုထောင့်များသည် စိုးရိမ်စရာဖြစ်စေသည်။ ဥပမာအားဖြင့်၊ အလုပ်သမားဈေးကွက်တွင် စက်သင်ယူခြင်း၏ အလားအလာရှိသော သက်ရောက်မှု သို့မဟုတ် သိက္ခာမဲ့သောရည်ရွယ်ချက်များအတွက် အသုံးပြုခြင်း (ဥပမာ၊ အာဏာရှင်အစိုးရများ)။ ဤပို့စ်တွင် ဖော်ပြထားသော နောက်ထပ်ပြဿနာတစ်ခုရှိပါသည်- ဥာဏ်ရည်တုဘက်လိုက်မှု.

ဒါက လွယ်တဲ့ဇာတ်လမ်းတော့ မဟုတ်ပါဘူး။

Google ၏ AI သည် ကြောင်များကို ရှာဖွေနိုင်သည်။ ဒီသတင်းဟာ 2012 ခုနှစ်တုန်းက ထူးထူးခြားခြား ဖြစ်ခဲ့ပါတယ်။

“AI Bias” ဆိုတာ ဘာလဲ။

“Raw data” သည် oxymoron နှင့် ဆိုးရွားသော အကြံဥာဏ်တစ်ခု ဖြစ်သည်၊ data တွေကို ကောင်းကောင်း ဂရုတစိုက် ပြင်ဆင်ရပါမယ်။ - ဂျော့ဖရီဘိုကာ

2013 ခုနှစ်မတိုင်မီတစ်နေရာတွင်၊ ဓာတ်ပုံများတွင်ကြောင်များကိုမှတ်မိသည်ဟုဆိုနိုင်သောစနစ်တစ်ခုပြုလုပ်ရန်အတွက်ယုတ္တိတန်သောခြေလှမ်းများကိုဖော်ပြရန်လိုအပ်သည်။ ပုံတစ်ပုံတွင် ထောင့်များကို ရှာဖွေနည်း၊ မျက်လုံးများကို မှတ်မိရန်၊ သားမွေးများအတွက် အသွင်အပြင်များကို ခွဲခြမ်းစိတ်ဖြာခြင်း၊ ယက်ရေတွက်ခြင်း စသည်ဖြင့်။ ပြီးရင် အစိတ်အပိုင်းအားလုံးကို ပေါင်းပြီး တကယ်အလုပ်မလုပ်ဘူးဆိုတာကို ရှာဖွေလိုက်ပါ။ စက်ပြင်မြင်းကဲ့သို့ပင် - သီအိုရီအရ ၎င်းကို ဖန်တီးနိုင်သော်လည်း လက်တွေ့တွင် ဖော်ပြရန် အလွန်ရှုပ်ထွေးပါသည်။ နောက်ဆုံးရလဒ်မှာ လက်ရေးစည်းမျဉ်း ရာနှင့်ချီ (သို့မဟုတ်) ထောင်ပေါင်းများစွာပင် ဖြစ်သည်။ အလုပ်လုပ်တဲ့ပုံစံတစ်ခုတည်းတော့ မဟုတ်ပါဘူး။

စက်သင်ယူမှု ထွန်းကားလာသည်နှင့်အမျှ၊ အရာဝတ္တုတစ်ခုကို အသိအမှတ်ပြုရန်အတွက် "လက်စွဲ" စည်းမျဉ်းများကို ကျွန်ုပ်တို့ ရပ်တန့်လိုက်သည်။ ယင်းအစား၊ ကျွန်ုပ်တို့သည် “ဤ”၊ X၊ “အခြား”၊ Y ၏ နမူနာတစ်ထောင်ကို ယူကာ ၎င်းတို့၏ ကိန်းဂဏန်းဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုအပေါ် အခြေခံ၍ ကွန်ပျူတာကို မော်ဒယ်တစ်ခု တည်ဆောက်ခိုင်းစေပါသည်။ ထို့နောက် ကျွန်ုပ်တို့သည် ဤမော်ဒယ်ကို နမူနာဒေတာအချို့ပေးကာ ၎င်းသည် အတွဲများထဲမှတစ်ခုနှင့် ကိုက်ညီမှုရှိမရှိ တိကျမှုအချို့ဖြင့် ဆုံးဖြတ်သည်။ Machine Learning သည် လူသားတစ်ဦးမှ ရေးသားခြင်းထက် ဒေတာမှ မော်ဒယ်ကို ထုတ်ပေးသည်။ ရလဒ်များသည် အထူးသဖြင့် ရုပ်ပုံနှင့် ပုံစံအသိအမှတ်ပြုခြင်းနယ်ပယ်တွင် အထင်ကြီးလောက်စရာဖြစ်ပြီး ထို့ကြောင့် နည်းပညာလုပ်ငန်းတစ်ခုလုံးသည် ယခုအခါ machine learning (ML) သို့ ရွေ့လျားနေပါသည်။

ဒါပေမယ့် ဒီလောက်မရိုးရှင်းပါဘူး။ လက်တွေ့ကမ္ဘာတွင်၊ သင်၏ X သို့မဟုတ် Y ၏ထောင်ပေါင်းများစွာသော ဥပမာများတွင် A၊ B၊ J၊ L၊ O၊ R နှင့် L တို့ပါရှိသည်။ ၎င်းတို့ကို အညီအမျှ ဖြန့်ဝေမည်မဟုတ်ပါ၊ အချို့မှာ စနစ်က ပိုပေးဆောင်ရမည့် မကြာခဏ ဖြစ်နေပေလိမ့်မည်။ သင်စိတ်ဝင်စားတဲ့အရာတွေကို အာရုံစိုက်ပါ။

ဒါက လက်တွေ့မှာ ဘာကိုဆိုလိုတာလဲ။ ကျွန်တော်အနှစ်သက်ဆုံး ဥပမာကတော့ ရုပ်ပုံမှတ်သားမှုစနစ်တွေပါ။ မြက်ခင်းပြင်ကုန်းကိုကြည့်ကာ "သိုး" ဟုပြော၊. အဘယ်ကြောင့်ဆိုသော် ရှင်းပါသည်- "သိုး" ၏ ဥပမာ ဓာတ်ပုံအများစုကို ၎င်းတို့နေထိုင်ရာ မြက်ခင်းပြင်တွင် ရိုက်ယူကြပြီး ဤပုံများတွင် မြက်ပင်များသည် အဖြူရောင်အမှုန်အမွှားလေးများထက် နေရာပိုယူကြပြီး ၎င်းသည် စနစ်က အရေးအကြီးဆုံးဟု ယူဆထားသည့် မြက်ပင်ဖြစ်ပါသည်။ .

ပိုလေးနက်တဲ့ ဥပမာတွေရှိတယ်။ မကြာသေးမီက တစ်ခု စီမံကိန်း၏ ဓာတ်ပုံများတွင် အရေပြားကင်ဆာကို ရှာဖွေတွေ့ရှိရန်။ အရေပြားအထူးကုဆရာဝန်များသည် အရေပြားကင်ဆာ၏ လက္ခဏာများနှင့်အတူ ပေတံကို မကြာခဏ ဓါတ်ပုံရိုက်လေ့ရှိကြောင်း တွေ့ရှိရပါသည်။ ကျန်းမာသောအသားအရေ၏ နမူနာဓာတ်ပုံများတွင် အုပ်စိုးရှင်မရှိပါ။ AI စနစ်အတွက်၊ ထိုကဲ့သို့သော အုပ်စိုးရှင်များ (ပို၍တိကျသည်မှာ၊ "အုပ်တံ" အဖြစ် ကျွန်ုပ်တို့သတ်မှတ်ထားသော ပစ်ဇယ်များ) သည် နမူနာအစုံများကြားတွင် ကွဲပြားမှုတစ်ခုဖြစ်လာပြီး တစ်ခါတစ်ရံတွင် အရေပြားပေါ်ရှိ အဖုသေးသေးလေးများထက် ပိုအရေးကြီးပါသည်။ ဒါကြောင့် တစ်ခါတရံမှာ အရေပြားကင်ဆာကို ခွဲခြားသိမြင်နိုင်စေမယ့် အုပ်ချုပ်သူတွေကို အသိအမှတ်ပြုတဲ့ စနစ်တစ်ခု ဖန်တီးထားပါတယ်။

ဤနေရာတွင် အဓိကအချက်မှာ စနစ်သည် ၎င်းကိုကြည့်နေသည့်အရာကို နားလည်သဘောပေါက်ခြင်း မရှိခြင်းပင်ဖြစ်သည်။ ကျွန်ုပ်တို့သည် pixels အစုအဝေးကိုကြည့်ရှုပြီး ၎င်းတို့တွင် သိုး၊ အသား သို့မဟုတ် ပေတံများကို တွေ့ရသော်လည်း စနစ်သည် ဂဏန်းလိုင်းတစ်ခုသာဖြစ်သည်။ သူမသည် သုံးဖက်မြင် အာကာသကို မမြင်ရ၊ အရာဝတ္ထုများ၊ အသွင်အပြင်များ သို့မဟုတ် သိုးများကို မမြင်ရပါ။ သူမသည် ဒေတာထဲတွင် ပုံစံများကို ရိုးရိုးရှင်းရှင်း မြင်သည်။

ထိုသို့သောပြဿနာများကို အဖြေရှာရာတွင် အခက် အခဲမှာ အာရုံကြောကွန်ရက် (သင်၏ စက်သင်ယူမှုစနစ်မှ ထုတ်ပေးသည့် မော်ဒယ်) သည် ဆုံမှတ်ပေါင်း ထောင်နှင့်ချီ၍ ပါဝင်သည်။ မော်ဒယ်တစ်ဦးကို ကြည့်ရှုပြီး ဆုံးဖြတ်ချက်ချပုံကို ကြည့်ရန် လွယ်ကူသောနည်းလမ်းမရှိပါ။ ထိုသို့သောနည်းလမ်းရှိခြင်းသည် စက်သင်ယူမှုကို အသုံးမပြုဘဲ စည်းမျဉ်းအားလုံးကို ကိုယ်တိုင်ဖော်ပြရန် လုံလောက်သော ရိုးရှင်းသည်ဟု ဆိုလိုပါသည်။ စက်သင်ယူမှုဟာ black box တစ်ခုဖြစ်လာမှာကို လူတွေက စိုးရိမ်နေကြပါတယ်။ (ဒီနှိုင်းယှဥ်မှုဟာ ဘာကြောင့်များလွန်းနေသေးလဲ ဆိုတာ နောက်မှ နည်းနည်းရှင်းပြပါ့မယ်။)

ယေဘူယျအားဖြင့် ဤအရာသည် ဥာဏ်ရည်တု သို့မဟုတ် စက်သင်ယူမှုတွင် ဘက်လိုက်မှုပြဿနာဖြစ်သည်- ဒေတာရှိပုံစံများကို ရှာဖွေသည့်စနစ်သည် မှားယွင်းသောပုံစံများကို တွေ့ရှိနိုင်ပြီး ၎င်းကို သင်သတိမထားမိနိုင်ပါ။ ဤသည်မှာ နည်းပညာ၏ အခြေခံသွင်ပြင်လက္ခဏာတစ်ခုဖြစ်ပြီး ပညာရပ်ဆိုင်ရာနှင့် နည်းပညာကုမ္ပဏီကြီးများတွင် ၎င်းနှင့်အလုပ်လုပ်သူတိုင်း သိသာထင်ရှားပါသည်။ သို့သော် ၎င်း၏အကျိုးဆက်များသည် ရှုပ်ထွေးပြီး ထိုအကျိုးဆက်များအတွက် ကျွန်ုပ်တို့၏ ဖြစ်နိုင်ချေရှိသော ဖြေရှင်းနည်းများဖြစ်သည်။

အကျိုးဆက်တွေအကြောင်း အရင်ပြောရအောင်။

AI သည် ကျွန်ုပ်တို့အတွက် သွယ်ဝိုက်သောအားဖြင့် မမြင်နိုင်သော အချက်ပြမှုများ အများအပြားကို အခြေခံ၍ လူအချို့၏ အမျိုးအစားများကို မျက်နှာသာပေးကာ ရွေးချယ်နိုင်သည်

AI Bias ဇာတ်လမ်းများ

အထင်ရှားဆုံးနှင့် ကြောက်စရာအကောင်းဆုံးမှာ၊ ဤပြဿနာသည် လူသားများ၏ ကွဲပြားမှုနှင့်ပတ်သက်လာလျှင် သူ့အလိုလိုထင်ရှားလာနိုင်သည်။ မကြာသေးမီက ကောလဟာလတစ်ခုရှိခဲ့သည်။Amazon သည် အလုပ်လျှောက်ထားသူများ၏ ကနဦးစစ်ဆေးမှုအတွက် စက်သင်ယူမှုစနစ်ကို တည်ဆောက်ရန် ကြိုးစားခဲ့သည်။ Amazon အလုပ်သမားများကြားတွင် အမျိုးသားများ ပိုများလာသောကြောင့်၊ "အောင်မြင်သောအလုပ်ခန့်ခြင်း" ၏ဥပမာများသည် မကြာခဏဆိုသလို အမျိုးသားများဖြစ်ပြီး စနစ်မှအကြံပြုထားသော ကိုယ်ရေးရာဇဝင်များကို ရွေးချယ်ရာတွင် အမျိုးသားများ ပိုများလာသည်။ Amazon က ဒါကို သတိထားမိပြီး စနစ်ကို ထုတ်လုပ်မှုမှာ မထုတ်ပြန်ခဲ့ပါဘူး။

ဤဥပမာတွင် အရေးကြီးဆုံးအချက်မှာ ကိုယ်ရေးရာဇဝင်တွင် ကျားမသတ်မှတ်ထားခြင်းမရှိသော်လည်း အဆိုပါစနစ်သည် အမျိုးသားလျှောက်ထားသူများကို မျက်နှာသာပေးမည်ဟု ကောလာဟလများထွက်ပေါ်နေခြင်းဖြစ်သည်။ စနစ်သည် "ကောင်းသောငှားရမ်းမှုများ" ၏နမူနာများတွင် အခြားပုံစံများကိုတွေ့မြင်သည်- ဥပမာ၊ အမျိုးသမီးများသည် အောင်မြင်မှုများကိုဖော်ပြရန် အထူးစကားလုံးများကိုသုံးနိုင်သည်၊ သို့မဟုတ် အထူးဝါသနာပါသူများရှိသည်။ ဟုတ်ပါတယ်၊ စနစ်က "ဟော်ကီ" ကဘာလဲ၊ ဒါမှမဟုတ် "လူတွေ" ကဘယ်သူလဲ၊ ဒါမှမဟုတ် "အောင်မြင်မှု" ကဘာလဲ - စာသား၏ကိန်းဂဏန်းခွဲခြမ်းစိတ်ဖြာမှုကိုရိုးရှင်းစွာလုပ်ဆောင်သည်။ သို့သော် သူမမြင်လိုက်ရသောပုံစံများသည် လူသားများသတိမပြုမိဘဲဖြစ်နိုင်ချေရှိပြီး အချို့သော (ဥပမာ၊ ကျားမကွဲပြားသောလူများသည် အောင်မြင်မှုကို ကွဲပြားစွာဖော်ပြကြသည်) သည် ၎င်းတို့ကိုကြည့်လျှင်ပင် ကျွန်ုပ်တို့အတွက် ခက်ခဲပေမည်။

နောက်ထပ် - ပိုဆိုးတယ်။ ဖျော့တော့သော အရေပြားပေါ်ရှိ ကင်ဆာကို ရှာဖွေရာတွင် အလွန်ကောင်းမွန်သော စက်သင်ယူမှုစနစ်သည် မည်းမှောင်သော အသားအရေတွင် ကောင်းမွန်စွာ လုပ်ဆောင်နိုင်မည်မဟုတ်ပေ။ ဘက်လိုက်မှုကြောင့် မဟုတ်ဘဲ ကွဲပြားသော အသားအရေအရောင်အတွက် သီးခြားပုံစံတစ်ခုကို တည်ဆောက်ရန် လိုအပ်သောကြောင့် ကွဲပြားခြားနားသော ဝိသေသလက္ခဏာများကို ရွေးချယ်ပါ။ စက်သင်ယူမှုစနစ်များသည် ရုပ်ပုံအသိအမှတ်ပြုခြင်းကဲ့သို့ ကျဉ်းမြောင်းသော ဧရိယာတွင်ပင် လဲလှယ်၍မရပါ။ သင်အလိုရှိသော တိကျမှုမပြည့်မီသည်အထိ သင်စိတ်ဝင်စားနေသော ဒေတာရှိအင်္ဂါရပ်များကို ကောင်းမွန်စွာကိုင်တွယ်နိုင်စေရန်အတွက် တစ်ခါတစ်ရံတွင် အစမ်းသုံးခြင်းနှင့် အမှားအယွင်းများဖြင့် စနစ်အား ပြုပြင်ပြောင်းလဲရန် လိုအပ်ပါသည်။ သို့သော် သင်သတိမထားမိသည့်အချက်မှာ စနစ်သည် အုပ်စုတစ်စုနှင့်အတူ အချိန်၏ 98% တိကျပြီး အခြားတစ်ခုနှင့် 91% သာ (လူသားခွဲခြမ်းစိတ်ဖြာမှုထက် ပိုတိကျသည်)။

ယခုအချိန်အထိ ကျွန်ုပ်သည် လူများနှင့် ၎င်းတို့၏ သွင်ပြင်လက္ခဏာများနှင့် စပ်လျဉ်းသည့် ဥပမာများကို အဓိကအားဖြင့် အသုံးပြုခဲ့သည်။ ဤပြဿနာနှင့် ပတ်သက်၍ ဆွေးနွေးမှုသည် ဤအကြောင်းအရာကို အဓိက အာရုံစိုက်သည်။ ဒါပေမယ့် လူတွေအပေါ် ဘက်လိုက်မှုဟာ ပြဿနာရဲ့ တစ်စိတ်တစ်ပိုင်းသာဖြစ်ကြောင်း နားလည်ဖို့ အရေးကြီးတယ်။ ကျွန်ုပ်တို့သည် အရာများစွာအတွက် စက်သင်ယူမှုကို အသုံးပြုမည်ဖြစ်ပြီး နမူနာအမှားသည် ၎င်းတို့အားလုံးနှင့် သက်ဆိုင်မည်ဖြစ်သည်။ အခြားတစ်ဖက်တွင်၊ သင်သည် လူများနှင့် အလုပ်လုပ်ပါက၊ ဒေတာရှိ ဘက်လိုက်မှုသည် ၎င်းတို့နှင့် သက်ဆိုင်မည်မဟုတ်ပေ။

ဒါကိုနားလည်ဖို့အတွက် အရေပြားကင်ဆာနမူနာကို ပြန်သွားပြီး စနစ်ချို့ယွင်းမှုအတွက် ဖြစ်နိုင်ခြေ သုံးခုကို သုံးသပ်ကြည့်ရအောင်။

1. လူများကို အမျိုးမျိုးကွဲပြားစွာ ဖြန့်ဝေခြင်း- အသားအရေအရောင်မညီသော အရေအတွက်မညီမျှသော ဓာတ်ပုံများသည် အရောင်ခြယ်ခြင်းကြောင့် အတုအယောင်များ သို့မဟုတ် မှားယွင်းသော အနုတ်လက္ခဏာများ ဖြစ်ပေါ်စေသည်။
2. စနစ်အား လေ့ကျင့်သင်ကြားထားသည့် ဒေတာတွင် လူများနှင့် မသက်ဆိုင်ဘဲ ကွဲပြားစွာ ပျံ့နှံ့နေသည့် အင်္ဂါရပ်တစ်ခုပါရှိသည်- အရေပြားကင်ဆာ၏ ဓာတ်ပုံများ သို့မဟုတ် ဓာတ်ပုံများတွင် မြက်ပင်၏ အုပ်စိုးရှင်- သိုး၏ဓာတ်ပုံများတွင် အရေပြားကင်ဆာ သို့မဟုတ် မြက်ခင်းပုံများ။ ဤကိစ္စတွင်၊ စနစ်သည် လူသားမျက်လုံးက “အုပ်ထိန်းသူ” အဖြစ် သတ်မှတ်သည့် အရာတစ်ခု၏ ပုံတွင် pixels များကို တွေ့ရှိပါက ရလဒ်သည် ကွဲပြားလိမ့်မည်။
3. ဒေတာတွင် လူတစ်ဦးသည် ၎င်းကိုရှာဖွေနေသော်လည်း မမြင်နိုင်သော ပြင်ပအဖွဲ့အစည်း လက္ခဏာများပါရှိသည်။

ဘာကိုဆိုလိုတာလဲ? ဒေတာများသည် မတူညီသောလူအုပ်စုများကို ကွဲပြားစွာကိုယ်စားပြုနိုင်သည်ဟူသော ဦးစားပေးတစ်ခုကို ကျွန်ုပ်တို့သိရှိထားပြီး အနည်းဆုံးအားဖြင့် ထိုခြွင်းချက်များကို ရှာဖွေရန် စီစဉ်နိုင်ပါသည်။ တစ်နည်းအားဖြင့် ဆိုရသော် လူအုပ်စုများဆိုင်ရာ ဒေတာများတွင် ဘက်လိုက်မှုအချို့ ပါဝင်နေပြီဟု ယူဆရန် လူမှုရေးဆိုင်ရာ အကြောင်းပြချက်များစွာ ရှိပါသည်။ ပေတံနဲ့ ဓာတ်ပုံကို ကြည့်လိုက်ရင် ဒီပေတံကို တွေ့ရလိမ့်မယ် - အရေးမကြီးမှန်း သိလျက်နဲ့ စနစ်က ဘာမှ မသိဘူးဆိုတာကို မေ့သွားခဲ့တယ်။

ဒါပေမယ့် သင့်ကျန်းမာရေးနဲ့ မညီညွတ်တဲ့ အသားအရေရဲ့ ဓာတ်ပုံအားလုံးကို မီးရောင်အလင်းအောက်မှာ ရုံးခန်းမှာ ရိုက်ပြီး သင့်ကျန်းမာတဲ့ အသားအရေကို ချောင်းအလင်းရောင်အောက်မှာ ရိုက်ခဲ့ရင်ကော။ ကျန်းမာသော အသားအရေကို ရိုက်ကူးပြီးပါက၊ ကျန်းမာရေးနှင့် မညီညွတ်သော အရေပြားကို မရိုက်ကူးမီတွင် သင်သည် သင့်ဖုန်းရှိ လည်ပတ်မှုစနစ်ကို အပ်ဒိတ်လုပ်ပြီး Apple သို့မဟုတ် Google မှ ဆူညံသံလျှော့ချရေးဆိုင်ရာ အယ်လဂိုရီသမ်ကို အနည်းငယ် ပြောင်းလဲခဲ့ပါက မည်သို့နည်း။ ဤကဲ့သို့သောအင်္ဂါရပ်များကိုမည်မျှပင်ရှာဖွေနေပါစေ၊ ဤအရာကိုလူတစ်ဦးသတိမထားမိနိုင်ပါ။ ဒါပေမယ့် စက်အသုံးပြုမှုစနစ်က ဒါကို ချက်ချင်းမြင်ပြီး အသုံးပြုပါလိမ့်မယ်။ သူမ ဘာမှမသိဘူး။

ယခုအချိန်အထိ ပြင်းထန်သောဆက်စပ်ဆက်နွယ်မှုများအကြောင်း ကျွန်ုပ်တို့ပြောခဲ့ပြီးဖြစ်သော်လည်း ဒေတာသည် တိကျပြီး ရလဒ်များမှန်ကန်ကြောင်းလည်း ဖြစ်နိုင်သည်၊ သို့သော် ၎င်းတို့ကို ကျင့်ဝတ်၊ ဥပဒေ သို့မဟုတ် စီမံခန့်ခွဲမှုဆိုင်ရာ အကြောင်းပြချက်များအတွက် အသုံးမပြုချင်ပါ။ ဥပမာအားဖြင့် အချို့သောတရားစီရင်ပိုင်ခွင့်များသည် အမျိုးသမီးများသည် ပိုမိုဘေးကင်းသောယာဉ်မောင်းများဖြစ်နိုင်သော်လည်း အမျိုးသမီးများသည် ၎င်းတို့၏အာမခံအပေါ် လျှော့စျေးရရှိရန် ခွင့်မပြုပေ။ သမိုင်းအချက်အလက်ကို ခွဲခြမ်းစိတ်ဖြာသောအခါတွင် အမျိုးသမီးအမည်များကို နည်းပါးစေမည့် အန္တရာယ်အချက်တစ်ခု သတ်မှတ်ပေးမည့် စနစ်တစ်ခုကို ကျွန်ုပ်တို့ အလွယ်တကူ စိတ်ကူးကြည့်နိုင်ပါသည်။ အိုကေ၊ ရွေးချယ်မှုမှ အမည်များကို ဖယ်ရှားလိုက်ကြပါစို့။ သို့သော် Amazon ဥပမာကို သတိရပါ- အခြားအချက်များပေါ်တွင် အခြေခံ၍ ကျား-မ ခွဲခြားသတ်မှတ်နိုင်သည် (၎င်းသည် ကျား-မ သို့မဟုတ် ကားတစ်စီးဖြစ်သည်ကို မသိသော်လည်း) နှင့် စည်းကမ်းထိန်းသိမ်းရေးမှ သင့်အား အခွန်အခများကို နောက်ကြောင်းပြန်မဆန်းစစ်မချင်း ၎င်းကို သင်သတိမပြုမိပါ။ သင့်အား ကမ်းလှမ်းမှုနှင့် စွဲချက်တင်ပါက ဒဏ်ရိုက်ခံရမည်ဖြစ်သည်။

နောက်ဆုံးတွင်၊ လူများနှင့် လူမှုရေးဆက်ဆံမှုများပါ၀င်သည့် ပရောဂျက်များအတွက် ထိုကဲ့သို့သော စနစ်များကိုသာ အသုံးပြုမည်ဟု မကြာခဏ ယူဆပါသည်။ ဒါကမှားတယ်။ အကယ်၍ သင်သည် ဓာတ်ငွေ့တာဘိုင်များကို ပြုလုပ်ပါက၊ သင့်ထုတ်ကုန်ပေါ်ရှိ ဆယ်ဂဏန်း သို့မဟုတ် ရာနှင့်ချီသော အာရုံခံကိရိယာများမှ ထုတ်လွှတ်သော တယ်လီမီတာသို့ စက်သင်ယူခြင်း (အသံ၊ ဗီဒီယို၊ အပူချိန်၊ နှင့် အခြားအာရုံခံကိရိယာများမှ ထုတ်ပေးသည့် ဒေတာများကို စက်ဖန်တီးရန် အလွန်လွယ်ကူစွာ လိုက်လျောညီထွေဖြစ်စေနိုင်သော ဒေတာများထုတ်ပေးသည် သင်ယူမှုပုံစံ)။ ဟန်ချက်ညီညီ၊ “ဒါက မအောင်မြင်ခင် ကျရှုံးခဲ့တဲ့ တာဘိုင်တစ်ထောင်ရဲ့ အချက်အလက်ဖြစ်ပြီး ဒါက မအောင်မြင်တဲ့ တာဘိုင်တစ်ထောင်ရဲ့ အချက်အလက်ပါ။ သူတို့ကြားက ကွာခြားချက်တွေကို ပြောပြဖို့ မော်ဒယ်တစ်ခုကို တည်ဆောက်ပါ။" ကောင်းပြီ၊ ယခု Siemens အာရုံခံကိရိယာများသည် မကောင်းသောတာဘိုင်များ၏ 75% တွင် တပ်ဆင်ထားပြီး ကောင်းသော 12% သာ (ကျရှုံးမှုများနှင့် ဆက်စပ်မှုမရှိပါ) ကို စိတ်ကူးကြည့်ပါ။ စနစ်သည် Siemens အာရုံခံကိရိယာများဖြင့် တာဘိုင်များကို ရှာဖွေရန် မော်ဒယ်ကို တည်ဆောက်မည်ဖြစ်သည်။ သည်းခံပါ

ရုပ်ပုံ — Moritz Hardt, UC Berkeley

AI Bias ကို စီမံခန့်ခွဲခြင်း။

၎င်းနှင့်ပတ်သက်၍ ကျွန်ုပ်တို့ ဘာလုပ်နိုင်သနည်း။ ပြဿနာကို ရှုထောင့်သုံးခုမှ သင်ချဉ်းကပ်နိုင်သည်။

1. နည်းစနစ်လေ့ကျင့်မှုအတွက် ဒေတာစုဆောင်းခြင်းနှင့် စီမံခန့်ခွဲရာတွင် နည်းစနစ်ပိုင်း ခိုင်မာမှုရှိသည်။
2. မော်ဒယ်အမူအကျင့်များကို ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် ရောဂါရှာဖွေခြင်းအတွက် နည်းပညာဆိုင်ရာ ကိရိယာများ။
3. ထုတ်ကုန်များတွင် စက်သင်ယူမှုကို အကောင်အထည်ဖော်ရာတွင် လေ့ကျင့်ပေးခြင်း၊ ပညာပေးခြင်းနှင့် သတိထားပါ။

Molière ၏ စာအုပ် “The Bourgeois in the Nobility” တွင် ဟာသတစ်ခု ရှိသည်- လူတစ်ယောက်သည် စာပေကို စကားပြေနှင့် ကဗျာဟူ၍ ပိုင်းခြားထားသည်ဟု ဆိုကာ တစ်သက်လုံး မသိဘဲ စကားပြေဖြင့် ပြောနေ သည်ကို သိလိုက်ရသည့်အတွက် ဝမ်းသာမိပါသည်။ ယနေ့ခေတ် စာရင်းအင်းပညာရှင်များ ခံစားရပုံမှာ ဤသို့ဖြစ်နိုင်သည်- ၎င်းကို သတိမပြုမိဘဲ၊ ၎င်းတို့သည် ၎င်းတို့၏ အသက်မွေးဝမ်းကြောင်းများကို ဉာဏ်ရည်တုနှင့် နမူနာယူမှုအမှားအတွက် အပ်နှံထားကြသည်။ အမှားနမူနာရှာဖွေခြင်းနှင့် စိုးရိမ်ပူပန်ခြင်းသည် ပြဿနာအသစ်မဟုတ်ပါ၊ ကျွန်ုပ်တို့သည် ၎င်း၏ဖြေရှင်းချက်ကို စနစ်တကျချဉ်းကပ်ရန် လိုအပ်ပါသည်။ အထက်တွင်ဖော်ပြခဲ့သည့်အတိုင်း၊ အချို့သောကိစ္စများတွင် လူများဒေတာနှင့်ပတ်သက်သည့် ပြဿနာများကို လေ့လာခြင်းဖြင့် ၎င်းကိုလုပ်ဆောင်ရန် အမှန်တကယ်လွယ်ကူသည်။ ကျွန်ုပ်တို့သည် မတူညီသောလူအုပ်စုများနှင့် ပတ်သက်၍ မလိုမုန်းထားမှုများရှိနိုင်သည်ဟု ကျွန်ုပ်တို့ ဦးစားပေးယူဆထားသော်လည်း Siemens အာရုံခံကိရိယာများနှင့်ပတ်သက်၍ မလိုမုန်းထားမှုများကို စိတ်ကူးကြည့်ရန်ပင် ခက်ခဲပါသည်။

ဒါတွေအားလုံးရဲ့ အသစ်အဆန်းတစ်ခုကတော့ လူတွေက ကိန်းဂဏန်းဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုကို တိုက်ရိုက်မလုပ်တော့တာဘဲ။ နားလည်ရခက်သော ကြီးမားရှုပ်ထွေးသော မော်ဒယ်များကို ဖန်တီးသည့် စက်များဖြင့် လုပ်ဆောင်သည်။ ပွင့်လင်းမြင်သာမှုပြဿနာသည် ဘက်လိုက်မှုပြဿနာ၏ အဓိကရှုထောင့်တစ်ခုဖြစ်သည်။ စနစ်သည် ဘက်လိုက်ရုံမျှမက၊ ၎င်း၏ဘက်လိုက်မှုကို ထောက်လှမ်းရန် နည်းလမ်းမရှိခြင်းကိုလည်း ကျွန်ုပ်တို့ကြောက်ရွံ့ပါသည်၊ ၎င်းသည် စမ်းသပ်နိုင်သည့် ယုတ္တိကင်းစင်သော အဆင့်များပါရှိရမည့် အခြားသော အလိုအလျောက်စနစ်ပုံစံများနှင့် ကွဲပြားသည်ဟု ကျွန်ုပ်တို့ကြောက်ရွံ့ပါသည်။

ဒီနေရာမှာ ပြဿနာနှစ်ခုရှိတယ်။ ကျွန်ုပ်တို့သည် စက်သင်ယူမှုစနစ်များ၏ စစ်ဆေးမှုအချို့ကို လုပ်ဆောင်နိုင်သေးသည်။ အခြားမည်သည့်စနစ်ကိုမဆို စာရင်းစစ်ခြင်းသည် တကယ်တော့ မလွယ်ကူပါ။

ပထမဦးစွာ၊ စက်သင်ယူမှုနယ်ပယ်တွင် ခေတ်မီသုတေသန၏ လမ်းညွှန်ချက်တစ်ခုသည် စက်သင်ယူမှုစနစ်များ၏ အရေးကြီးသောလုပ်ဆောင်နိုင်စွမ်းကို ရှာဖွေဖော်ထုတ်ရန် နည်းလမ်းများကို ရှာဖွေခြင်းဖြစ်သည်။ ဆိုလိုသည်မှာ စက်သင်ယူခြင်း (၎င်း၏လက်ရှိအခြေအနေတွင်) သည် လျင်မြန်စွာပြောင်းလဲနေသော သိပ္ပံပညာရပ်နယ်ပယ်သစ်တစ်ခုဖြစ်ပြီး၊ ထို့ကြောင့် ယနေ့မဖြစ်နိုင်သောအရာများသည် မကြာမီ အမှန်တကယ်ဖြစ်လာနိုင်သည်ဟု မထင်လိုက်ပါနှင့်။ ပရောဂျက် OpenAI ဒါက စိတ်ဝင်စားစရာကောင်းတဲ့ ဥပမာတစ်ခုပါ။

ဒုတိယအချက်မှာ လက်ရှိစနစ်များ သို့မဟုတ် အဖွဲ့အစည်းများ၏ ဆုံးဖြတ်ချက်ချခြင်းလုပ်ငန်းစဉ်ကို စမ်းသပ်နားလည်နိုင်သည်ဟူသော အယူအဆသည် သီအိုရီအရ ကောင်းမွန်သော်လည်း လက်တွေ့တွင်မူ ထိုကဲ့သို့ပင်ဖြစ်သည်။ အဖွဲ့အစည်းကြီးတစ်ခုတွင် ဆုံးဖြတ်ချက်များ မည်သို့ချသည်ကို နားလည်ရန်မှာ မလွယ်ကူပါ။ တရားဝင် ဆုံးဖြတ်ချက်ချသည့် လုပ်ငန်းစဉ်တစ်ခုရှိလျှင်ပင် လူတို့သည် အမှန်တကယ် အပြန်အလှန် ဆက်ဆံပုံကို ထင်ဟပ်ခြင်းမရှိသည့်အပြင် ၎င်းတို့ကိုယ်တိုင် ၎င်းတို့၏ ဆုံးဖြတ်ချက်များချရာတွင် ယုတ္တိရှိပြီး စနစ်တကျ ချဉ်းကပ်လေ့မရှိပေ။ ငါ့လုပ်ဖော်ကိုင်ဖက်ပြောတဲ့အတိုင်းပဲ။ Vijay Pande, လူတွေလည်း black box တွေ ရှိတယ်။.

ထပ်နေသည့် ကုမ္ပဏီများနှင့် အဖွဲ့အစည်းများစွာတွင် လူတစ်ထောင်ကို ခေါ်သွားပြီး ပြဿနာက ပိုရှုပ်ထွေးလာသည်။ အာကာသလွန်းပျံယာဉ် ပြန်လာချိန်တွင် ပြိုကွဲရန် ရည်မှန်းထားသည်ကို သိရှိပြီးနောက် နာဆာအတွင်း လူတစ်ဦးချင်းစီတွင် မကောင်းမှုတစ်ခုခု ဖြစ်လာနိုင်သည်ဟု ယူဆရန် အကြောင်းပြချက်ပေးသည့် အချက်အလက်များ ရှိခဲ့သော်လည်း စနစ်၊ ယေဘုယျအားဖြင့် ဒါကို ကျွန်တော် မသိခဲ့ပါဘူး။ NASA သည် ၎င်း၏ယခင်လွန်းပျံယာဉ်ကို ဆုံးရှုံးပြီးနောက် အလားတူစစ်ဆေးမှုကိုပင် ပြုလုပ်ခဲ့သော်လည်း အလွန်ဆင်တူသောအကြောင်းပြချက်ဖြင့် အခြားတစ်စီးကို ဆုံးရှုံးခဲ့သည်။ အဖွဲ့အစည်းများနှင့် လူများသည် စမ်းသပ်ရန်၊ နားလည်နိုင်ပြီး ပြောင်းလဲနိုင်သည့် ရှင်းလင်းပြတ်သားသော ယုတ္တိနည်းဥပဒေများကို လိုက်နာကြောင်း စောဒကတက်ရန် လွယ်ကူသော်လည်း အတွေ့အကြုံသည် အခြားနည်းဖြင့် သက်သေပြပါသည်။ ဒီ "Gosplan ၏ မှိုင်းတိုက်ခြင်း"။

ကျွန်တော်သည် စက်သင်ယူမှုကို မကြာခဏဆိုသလို ဒေတာဘေ့စ်များ၊ အထူးသဖြင့် ဆက်စပ်မှုရှိသော အရာများ- ကွန်ပျူတာသိပ္ပံနှင့် ၎င်းပတ်ဝန်းကျင်ရှိ ကမ္ဘာကြီး၏ စွမ်းရည်များကို ပြောင်းလဲပေးသည့် အခြေခံနည်းပညာသစ်တစ်ခုဖြစ်ပြီး ၎င်းကို ကျွန်ုပ်တို့ အမြဲသတိမထားမိဘဲ အမြဲတမ်းအသုံးပြုနေသည့်အရာအားလုံး၏အစိတ်အပိုင်းဖြစ်လာခဲ့သည်။ ဒေတာဘေ့စ်များမှာလည်း ပြဿနာများရှိပြီး ၎င်းတို့သည် အလားတူသဘောသဘာဝဖြစ်သည်- စနစ်သည် ဆိုးရွားသောယူဆချက်များ သို့မဟုတ် ဆိုးရွားသောဒေတာများအပေါ်တွင် တည်ဆောက်ထားနိုင်သော်လည်း သတိပြုမိရန် ခက်ခဲမည်ဖြစ်ပြီး၊ စနစ်အသုံးပြုသူများသည် ၎င်းတို့အား မေးခွန်းများမမေးဘဲ ၎င်းတို့ကိုပြောပြသည့်အတိုင်း လုပ်ဆောင်မည်ဖြစ်သည်။ တစ်ချိန်က သင့်နာမည်ကို စာလုံးပေါင်းမှားခဲ့ဖူးသော အခွန်ဆောင်သူများနှင့် ပတ်သက်သည့် ပြက်လုံးဟောင်းများစွာ ရှိပြီး အမှားကိုပြင်ရန် စည်းရုံးသိမ်းသွင်းခြင်းသည် သင့်အမည်ကို အမှန်တကယ်ပြောင်းလဲခြင်းထက် ပိုမိုခက်ခဲပါသည်။ ၎င်းကို စဉ်းစားရန် နည်းလမ်းများစွာရှိသော်လည်း မည်သည့်အရာက ပိုကောင်းမည်ကို ရှင်းရှင်းလင်းလင်း မသိရသေးပါ- SQL တွင် နည်းပညာဆိုင်ရာ ပြဿနာတစ်ခု သို့မဟုတ် Oracle ထုတ်ဝေမှုတွင် ချို့ယွင်းချက်တစ်ခု၊ သို့မဟုတ် ဗျူရိုကရေစီအဖွဲ့အစည်းများ၏ ချို့ယွင်းမှုအဖြစ်၊ စနစ်တွင် typo ပြုပြင်ခြင်းအင်္ဂါရပ်မပါဝင်သည့် လုပ်ငန်းစဉ်တစ်ခုတွင် bug ကိုရှာဖွေရန် မည်မျှခက်ခဲသနည်း။ လူတွေ မကျေမနပ်တွေ မစခင် ဒါကို အဖြေရှာနိုင်မလား။

လမ်းကြောင်းပြကိရိယာတွင် ခေတ်မမီတော့သော ဒေတာကြောင့် ယာဉ်မောင်းများသည် မြစ်များအတွင်းသို့ မောင်းနှင်သောအခါတွင် ဤပြဿနာကို ပို၍ရိုးရှင်းစွာ သရုပ်ဖော်ထားသည်။ ကောင်းပြီ၊ မြေပုံများကို အမြဲမပြတ် အပ်ဒိတ်လုပ်ရန် လိုအပ်ပါသည်။ ဒါပေမယ့် မင်းရဲ့ကားကို ပင်လယ်ထဲ လွင့်သွားလို့ TomTom ကို ဘယ်လောက် အပြစ်တင်ရမလဲ။

ကျွန်တော် ဒီလိုပြောရခြင်းဟာ ဟုတ်တယ်၊ စက်သင်ယူမှုဘက်လိုက်မှုက ပြဿနာတွေကို ဖန်တီးပေးတာကြောင့်ပါ။ သို့သော် ဤပြဿနာများသည် ကျွန်ုပ်တို့အတိတ်တွင် ကြုံတွေ့ခဲ့ရသည့် ပြဿနာများနှင့် ဆင်တူပြီး ၎င်းတို့ကို သတိပြုမိပြီး ဖြေရှင်းနိုင်သည် (သို့) မဖြေရှင်းနိုင်သည့်အပြင် ယခင်ကလည်း ကျွန်ုပ်တို့လုပ်ဆောင်နိုင်ခဲ့သည်။ ထို့ကြောင့်၊ AI ဘက်လိုက်မှုကြောင့် ထိခိုက်နစ်နာစေသည့် ဇာတ်ညွှန်းသည် အဖွဲ့အစည်းကြီးတစ်ခုတွင် လုပ်ဆောင်နေသော အကြီးတန်းသုတေသီများအတွက် ဖြစ်လာနိုင်ဖွယ်မရှိပါ။ ဖြစ်နိုင်သည်မှာ၊ အချို့သော အရေးမပါသော နည်းပညာကန်ထရိုက်တာ သို့မဟုတ် ဆော့ဖ်ဝဲရောင်းချသူအချို့သည် ၎င်းတို့နားမလည်သော open source အစိတ်အပိုင်းများ၊ စာကြည့်တိုက်များနှင့် ကိရိယာများကို အသုံးပြု၍ ၎င်းတို့၏ဒူးပေါ်တွင် တစ်စုံတစ်ခုကို ရေးကြလိမ့်မည်။ ကံမကောင်းသောဖောက်သည်သည် ထုတ်ကုန်ဖော်ပြချက်တွင် “ဉာဏ်ရည်တု” ဟူသော စကားစုကို ဝယ်ယူမည်ဖြစ်ပြီး မည်သည့်မေးခွန်းမှမမေးဘဲ AI ကပြောသည့်အတိုင်း လုပ်ဆောင်ရန် အမိန့်ပေးကာ ၎င်း၏လစာနည်းသောဝန်ထမ်းများထံ ဖြန့်ဝေမည်ဖြစ်သည်။ ဤသည်မှာ ဒေတာဘေ့စ်များဖြင့် ဖြစ်ပျက်ခဲ့သည့် အတိအကျပင်ဖြစ်သည်။ ၎င်းသည် ဥာဏ်ရည်တုပြဿနာမဟုတ်ပါ၊ သို့မဟုတ် ဆော့ဖ်ဝဲပြဿနာပင်မဟုတ်ပါ။ ဒါက လူ့အချက်ပါ။

ကောက်ချက်

ခွေးကို သင်ပေးနိုင်တဲ့ စက်က ဘာမဆို လုပ်နိုင်တယ် - ဒါပေမယ့် မင်း ခွေးကို သင်ပေးခဲ့တာ အတိအကျ ဘယ်တော့မှ မသေချာနိုင်ပါဘူး။

"ဉာဏ်ရည်တု" ဟူသော အသုံးအနှုန်းသည် ဤကဲ့သို့သော စကားဝိုင်းများတွင်သာ ခံစားရလေ့ရှိသည်။ ဤအသုံးအနှုန်းသည် ကျွန်ုပ်တို့ အမှန်တကယ် ဖန်တီးခဲ့ခြင်းဖြစ်သည် - ဤအသိဥာဏ်သည် မှားယွင်းသော အထင်အမြင်ကို ပေးသည်။ ကျွန်ုပ်တို့သည် HAL9000 သို့မဟုတ် Skynet သို့သွားနေသည် - အမှန်တကယ်ပင် နားလည်သည်. ဒါပေမယ့် မဟုတ်ဘူး။ ၎င်းတို့သည် စက်များသာဖြစ်ပြီး ၎င်းတို့ကို အဝတ်လျှော်စက်နှင့် နှိုင်းယှဉ်ပါက ပိုမိုတိကျပါသည်။ သူမအ၀တ်လျှော်တာက လူထက်အများကြီးပိုကောင်းပေမယ့် အ၀တ်လျှော်မယ့်အစား ပန်းကန်တွေထဲထည့်ထားရင် လျှော်ပေးလိမ့်မယ်။ ပန်းကန်တွေတောင် သန့်ရှင်းလာမယ်။ သို့သော် ၎င်းသည် သင်မျှော်လင့်ထားသည့်အတိုင်း ဖြစ်လိမ့်မည်မဟုတ်ပါ၊ စနစ်တွင် ဟင်းပွဲများနှင့်ပတ်သက်သည့် မလိုမုန်းထားမှုများ ရှိနေသောကြောင့် ၎င်းသည် ဖြစ်မလာပါ။ အဝတ်လျှော်စက်သည် မည်သည့်ပန်းကန်များ သို့မဟုတ် အဝတ်အစားများဖြစ်သည်ကို မသိပါ - ၎င်းသည် ယခင်က အလိုအလျောက်လုပ်ဆောင်ပုံနှင့် သဘောတရားအရ အလိုအလျောက်လုပ်ဆောင်ခြင်း၏ ဥပမာတစ်ခုမျှသာဖြစ်သည်။

ကျွန်ုပ်တို့သည် ကားများ၊ လေယာဉ်များ၊ သို့မဟုတ် ဒေတာဘေ့စ်များအကြောင်း ပြောနေသည်ဖြစ်စေ ဤစနစ်များသည် အလွန်အစွမ်းထက်ပြီး အလွန်အကန့်အသတ်ရှိမည်ဖြစ်သည်။ ၎င်းတို့သည် လူတို့သည် ဤစနစ်များကို မည်သို့အသုံးပြုသည်၊ ၎င်းတို့၏ ရည်ရွယ်ချက် ကောင်းသည်ဖြစ်စေ၊ ဆိုးသည်ဖြစ်စေ နှင့် ၎င်းတို့ လုပ်ဆောင်ပုံကို နားလည်မှု မည်မျှရှိသည်တို့အပေါ်တွင် လုံးလုံးမူတည်မည်ဖြစ်သည်။

ထို့ကြောင့် “ဉာဏ်ရည်တုသည် သင်္ချာဖြစ်သောကြောင့် ဘက်လိုက်မှု မရှိနိုင်” ဟုဆိုခြင်းသည် လုံးဝမှားယွင်းပါသည်။ သို့သော် machine learning သည် "သဘာဝတွင် ဘာသာရပ်ဆိုင်ရာ" ဟု ဆိုခြင်းသည် ထပ်တူထပ်မျှ မှားယွင်းပါသည်။ Machine Learning သည် ဒေတာတွင် ပုံစံများကို ရှာဖွေသည်၊ ၎င်းတွေ့ရှိသည့်ပုံစံများသည် ဒေတာပေါ်တွင်မူတည်ပြီး ဒေတာသည် ကျွန်ုပ်တို့အပေါ် မူတည်ပါသည်။ ငါတို့က သူတို့နဲ့လုပ်သလိုပဲ။ Machine Learning သည် ကျွန်ုပ်တို့တတ်နိုင်သည်ထက် အချို့အရာများကို ပိုကောင်းအောင်လုပ်ဆောင်သည် - သို့သော် ဥပမာအားဖြင့် ခွေးများသည် သက်သေများအဖြစ် အသုံးပြုရန်နှင့် ၎င်းတို့၏ ထွက်ဆိုချက်များကို အခြေခံ၍ စီရင်ဆုံးဖြတ်ရန် အကြောင်းပြချက်မဟုတ်သည့် မူးယစ်ဆေးဝါးများကို ရှာဖွေရာတွင် လူသားများထက် ခွေးများသည် ပိုမိုထိရောက်သည်။ ထို့အပြင် ခွေးများသည် မည်သည့် machine learning စနစ်ထက်မဆို စမတ်ကျပါသည်။

ဘာသာပြန်ချက်: Diana Letskaya.
တည်းဖြတ်ခြင်း- Aleksey Ivanov.
အသိုင်းအဝိုင်း: @PonchikNews.

source: www.habr.com