tl;dr:
- MĂ«simi i makinerive kĂ«rkon modelet nĂ« tĂ« dhĂ«na. Por inteligjenca artificiale mund tĂ« jetĂ« 'e paragjykuar' â domethĂ«nĂ«, tĂ« gjejĂ« modelet e gabuara. PĂ«r shembull, njĂ« sistem i zbuluar i kancerit tĂ« lĂ«kurĂ«s nga fotografitĂ« mund tĂ« japĂ« pĂ«rparĂ«si ndaj imazheve tĂ« marra nĂ« zyrĂ«n e mjekut. MĂ«simi i makinerive nuk di tĂ« kuptojĂ«: algoritmet e tij thjesht zbulojnĂ« modele nĂ« numra, dhe nĂ«se tĂ« dhĂ«nat nuk janĂ« pĂ«rfaqĂ«suese, atĂ«herĂ« edhe rezultati i pĂ«rpunimit tĂ« tyre do tĂ« jetĂ« i tillĂ«. NdĂ«rsa gjetja e kĂ«tij lloj gabimi mund tĂ« jetĂ« e vĂ«shtirĂ« pĂ«r shkak tĂ« mekanikĂ«s sĂ« mĂ«simit tĂ« makinerive.
- Fushat më evidente dhe shqetësuese të problemit janë shumëllojshmëria njerëzore. Ka shumë arsye pse të dhënat për njerëzit mund të humbasin objektivitetin që në fazën e mbledhjes. Por nuk duhet të mendojmë se ky problem i përket vetëm njerëzve: saktësisht të njëjtat vështirësi ndodhin kur përpiqemi të zbulojmë një përmbytje në një depo ose një turbinë gazi të prishur. Disa sisteme mund të kenë paragjykime ndaj ngjyrës së lëkurës, ndërsa të tjera do të jenë të paragjykuara ndaj sensorëve Siemens.
- KĂ«to probleme nuk janĂ« tĂ« reja pĂ«r mĂ«simin e makinerive, as nuk i pĂ«rkasin vetĂ«m atij. Supozime tĂ« gabuara bĂ«hen nĂ« çdo strukturĂ« komplekse, dhe tĂ« kuptosh pse Ă«shtĂ« marrĂ« njĂ« vendim i caktuar gjithmonĂ« Ă«shtĂ« e vĂ«shtirĂ«. Duhet tĂ« luftojmĂ« kundĂ«r kĂ«saj nĂ« mĂ«nyrĂ« gjithĂ«pĂ«rfshirĂ«se: tĂ« krijojmĂ« mjete dhe procese pĂ«r verifikimin â dhe tĂ« edukojmĂ« pĂ«rdoruesit, nĂ« mĂ«nyrĂ« qĂ« ata tĂ« mos ndjekin verbĂ«risht rekomandimet e inteligjencĂ«s artificiale. MĂ«simi i makinerive vĂ«rtet bĂ«n disa gjĂ«ra shumĂ« mĂ« mirĂ« se ne â por qentĂ«, pĂ«r shembull, janĂ« shumĂ« mĂ« efikas nĂ« zbulimin e narkotikĂ«ve, qĂ« nuk Ă«shtĂ« arsye pĂ«r t'i angazhuar ata si dĂ«shmitarĂ« dhe pĂ«r tĂ« nxjerrĂ« vendime bazuar nĂ« dĂ«shmitĂ« e tyre. Dhe qentĂ«, pĂ«r ta thĂ«nĂ«, janĂ« shumĂ« mĂ« tĂ« zgjuar se çdo sistem tĂ« mĂ«simit tĂ« makinerive.
Mësimi i makinerive sot është një nga trendet themelore teknologjike më të rëndësishme. Ai është një nga mënyrat kryesore si teknologjia do të ndryshojë botën për 10 vitet e ardhshme. Disa aspekte të këtyre ndryshimeve janë shqetësuese. Për shembull, ndikimi potencial i mësimit të makinerive në tregun e punës, ose përdorimi i tij për qëllime anti-etike (për shembull, nga regjimet autoritare). Ka edhe një problem tjetër, për të cilin është shkruar ky post: paragjykimi i inteligjencës artificiale.
Kjo është një histori e komplikuar.
AI nga Google mund të gjejë mace. Kjo lajm nga viti 2012 ishte diçka e veçantë atëherë.
ĂfarĂ« Ă«shtĂ« 'paragjykimi i AI'?
'Të dhënat e papërpunuara' janë njëkohësisht oksimoron dhe një ide e keqe; të dhënat duhet të përgatiten mirë dhe me kujdes. -Jeffrey Boker
Deri diku nĂ« vitin 2013, pĂ«r tĂ« krijuar njĂ« sistem qĂ«, le tĂ« themi, njeh macet nĂ« fotografi, ju duhej tĂ« pĂ«rshkruanit hapat logjikĂ«. Si tĂ« gjenit nĂ« imazh kĂ«ndet, tĂ« njihni sytĂ«, tĂ« analizoni teksturat pĂ«r tĂ« gjetur leshin, tĂ« numĂ«roni putrat, etj. Pastaj tĂ« mblidhni tĂ« gjithĂ« komponentĂ«t â dhe tĂ« zbuloni se kĂ«tĂ« nuk e bĂ«ni fare. PĂ«rafĂ«rsisht si njĂ« kalĂ« mekanik â teorikisht mund tĂ« krijohet, por nĂ« praktikĂ« Ă«shtĂ« shumĂ« e komplikuar pĂ«r t'u pĂ«rshkruar. NĂ« fund, ju keni qindra (ose madje mijĂ«ra) rregulla tĂ« shkruara me dorĂ«. Dhe asnjĂ« model qĂ« funksionon.
Me shfaqjen e mësimit të makinerive, ne kemi ndalur së përdoruri rregullat 'manuale' për njohjen e ndonjë objekti. Në vend të kësaj, ne marrim një mijë mostra të 'atij', X, një mijë mostra të 'ndonjë gjëje tjetër', Y, dhe e detyrojmë kompjuterin të ndërtoshë një model mbi analizën e statistikës së tyre. Më pas, i jepim këtij modeli një shembull të të dhënave, dhe ai me një saktësi të caktuar përcakton nëse ai i përket një nga grupet. Mësimi i makinerive gjeneron një model mbi bazën e të dhënave, dhe jo me ndihmën e një njeriu që e shkruan atë. Rezultatet janë mbresëlënëse, veçanërisht në fushën e njohjes së imazheve dhe modeleve, dhe kjo është arsyeja pse e gjithë industria teknologjike tani kalon në mësimin e makinerive (ML).
Por nuk është gjithçka kaq e thjeshtë. Në botën reale, mijëra shembuj tuaj të X ose Y gjithashtu përfshijnë A, B, J, L, O, R dhe madje edhe L. Ato mund të jenë të shpërndara në mënyrë të pakonsoliduar, dhe disa nga to mund të ndodhin aq shpesh sa që sistemi do t'i japë më shumë rëndësi atyre se sa objekteve që ju interesoni.
ĂfarĂ« do tĂ« thotĂ« kjo nĂ« praktikĂ«? NjĂ« shembull i preferuar Ă«shtĂ« kur sistemet e njohjes sĂ« imazheve . ĂshtĂ« e qartĂ« pse: pjesa mĂ« e madhe e fotografive tĂ« mostrave tĂ« 'delevive' janĂ« bĂ«rĂ« nĂ« livadhe ku ata jetojnĂ«, dhe nĂ« kĂ«to imazhe, bari zĂ« njĂ« pjesĂ« shumĂ« mĂ« tĂ« madhe se sa ato tĂ« vogla tĂ« bardha dhe tĂ« buta, dhe pikĂ«risht bari sistemi e cilĂ«son si mĂ« tĂ« rĂ«ndĂ«sishĂ«m.
Ka edhe shembuj mĂ« seriozĂ«. Nga tĂ« fundit â njĂ« pĂ«r identifikimin e kancerit tĂ« lĂ«kurĂ«s nĂ« fotografi. E vĂ«rtetĂ« Ă«shtĂ« se dermatologistĂ«t shpesh fotografonin njĂ« rregullore sĂ« bashku me shfaqjet e kancerit tĂ« lĂ«kurĂ«s, pĂ«r tĂ« regjistruar madhĂ«sinĂ« e formacioneve. NĂ« fotografitĂ« e lĂ«kurĂ«s sĂ« shĂ«ndoshĂ« nuk ka rregullore. PĂ«r sistemin e IA, kĂ«to rregullore (mĂ« saktĂ«, pixelĂ«t, tĂ« cilĂ«t i pĂ«rkufizojmĂ« si 'rregullore') janĂ« bĂ«rĂ« njĂ« nga dallimet midis grupeve tĂ« shembujve dhe ndonjĂ«herĂ« mĂ« tĂ« rĂ«ndĂ«sishme se njĂ« shpĂ«rthim i vogĂ«l nĂ« lĂ«kurĂ«. KĂ«shtu, sistemi projektuar pĂ«r tĂ« njohur kancerin e lĂ«kurĂ«s ndonjĂ«herĂ« e identifikonte atĂ« si rregullore.
Pika kyçe këtu është se sistemi nuk ka kuptimin semantik të asaj që po shikon. Ne shikojmë një grup pixelësh dhe shohim në ta një dele, lëkurë apo rregullore, ndërsa sistemi sheh vetëm një varg numrash. Ai nuk sheh hapësirën tredimensionale, nuk sheh as objekte, as tekstura, as dele. Ai thjesht sheh modele në të dhëna.
Vështirësia e diagnostikimit të këtyre problemeve është se rrjeti neural (modeli i krijuar nga sistemi juaj i mësimit të makinerive) përbëhet nga mijëra qindra mijëra nyjash. Nuk ka një mënyrë të thjeshtë për të shqyrtuar modelin dhe për të parë se si merr vendime. Një mënyrë e tillë do të dobtë që procesi të ishte mjaft i thjeshtë për të përshkruar të gjitha rregullat me dorë, pa përdorimin e mësimit të makinerive. Njerëzit shqetësohen që mësimi i makinave është bërë një lloj 'kutie e zezë'. (Do ta shpjegoj pak më vonë pse kjo krahasim është disi i tepruar.)
Kjo, në përgjithësi, është problematika e anësisë së inteligjencës artificiale ose mësimit të makinave: sistemi për gjetjen e modeleve në të dhëna mund të gjejë modele të pasakta, dhe mund të mos e vini re atë. Kjo është një karakteristikë thelbësore e teknologjisë, dhe është e qartë për të gjithë ata që punojnë me të në qarqet shkencore dhe në kompanitë e mëdha teknologjike. Por pasojat e saj janë komplekse, dhe zgjidhjet e mundshme për këto pasoja gjithashtu.
Le të flasim fillimisht për pasojat.
IA mund, pa e kuptuar, të bëjë zgjedhje në favor të disa kategorive të njerëzve, duke u bazuar në një sasi të madhe sinjalesh të padukshme.
Skema të anësisë së IA
Evident dhe frikshme është se ky problem mund të shfaqet kur bëhet fjalë për diversitetin njerëzor. Së fundi, , që Amazon përpiqej të ndërtonte një sistem mësimi të makinave për skrinimin fillestar të kandidatëve për punë. Pasi në mesin e punonjësve të Amazonit kishte më shumë burra, shembujt e 'punësimeve të suksesshme' gjithashtu ishin më shpesh të natyrës mashkullore, dhe në përzgjedhjen e CV-ve të propozuara nga sistemi kishte më shumë burra. Amazon e vuri re këtë dhe nuk e lançoi sistemin në prodhim.
E rĂ«ndĂ«sishme nĂ« kĂ«tĂ« shembull Ă«shtĂ« se sistemi, sipas thashethemeve, jepte pĂ«rparĂ«si kandidatĂ«ve mashkullorĂ«, pavarĂ«sisht se seksin nuk e kishte tĂ« shĂ«nuar nĂ« CV. Sistemi po shihte modele tĂ« tjera nĂ« shembujt e 'punĂ«simeve tĂ« suksesshme': pĂ«r shembull, gratĂ« mund tĂ« pĂ«rdorin fjalĂ« tĂ« veçanta pĂ«r tĂ« pĂ«rshkruar arritjet e tyre ose tĂ« kenĂ« hobit tĂ« veçanta. Sigurisht, sistemi nuk e dinte se çfarĂ« ishte 'hockey', kush ishin 'njerĂ«zit', apo çfarĂ« ishte 'suksesi' â ai thjesht po bĂ«ntĂ« njĂ« analizĂ« statistikore tĂ« tekstit. Por modelet qĂ« ai shihte do tĂ« mbeteshin, ndoshta, tĂ« padukshme pĂ«r njeriun, dhe disa prej tyre (pĂ«r shembull, se njerĂ«zit e gjinive tĂ« ndryshme pĂ«rshkruajnĂ« ndryshe suksesin) ndoshta do tĂ« kishte qenĂ« tĂ« vĂ«shtira pĂ«r ne qĂ« t'i shihnim, edhe duke i parĂ« ato.
Më tej, gjërat përkeqësohen. Një sistem i mësimit të makinave që gjen shumë mirë kancerin në lëkurë të bardhë mund të mos funksionojë po aq mirë me lëkurë të errët, ose anasjelltas. Nuk është domosdoshmërisht për shkak të anësisë, por sepse ju ndoshta duhet të ndërtoni një model të veçantë për ngjyrën e lëkurës tjetër, duke zgjedhur karakteristika të tjera. Sistemet e mësimit të makinave nuk janë të ndërrueshme madje as në një fushë të tillë të ngushtë si njohja e imazheve. Ju nevojitet të përshtatni sistemin, ndonjëherë thjesht përmes provave dhe gabimeve, për të theksuar mirë veçoritë në të dhënat që ju interesojnë, derisa të arrini saktësinë e dëshiruar. Por ndoshta nuk do të vini re se sistemi është 98% i saktë kur punon me një grup dhe vetëm 91% (sidoqoftë ky është më i saktë se analiza e bërë nga njeriu) me një tjetër.
Deri tani kam përdorur kryesisht shembuj që lidhen me njerëzit dhe karakteristikat e tyre. Kjo temë është kryesisht në fokus të diskutimeve rreth këtij problemi. Por është e rëndësishme të kuptoni se anësia ndaj njerëzve është vetëm një pjesë e problemit. Ne do të përdorim mësimin e makinave për shumë gjëra, dhe gabimi i most regjistrimi do të jetë relevant për të gjitha ato. Nga ana tjetër, nëse punoni me njerëz, anësia e të dhënave mund të mos lidhet me ta.
Për ta kuptuar këtë, le të kthehemi te shembulli i kancerit të lëkurës dhe të shqyrtojmë tri mundësi hipotetike për dështimin e sistemit.
- Distribucioni jo homogjen i njerëzve: një numër i pabesueshëm i fotografive të lëkurës me nuanca të ndryshme, që çon në rezultate false pozitive ose negative lidhur me pigmentimin.
- Të dhënat mbi të cilat stërvitet sistemi përmbajnë një tipar që haset shpesh dhe është në mënyrë heterogjene; ai nuk është i lidhur me njerëzit dhe nuk ka vlerë diagnostikuese: një linjë në fotografitë e manifestimeve të kancerit të lëkurës ose bar në fotografitë e deleve. Në këtë rast, rezultati do të ndryshojë nëse sistemi gjen piksela të diçkaje që syri njerëzor e identifikon si "linjë".
- Të dhënat përmbajnë një tipar të jashtëm që një njeri nuk mund ta shohë, edhe nëse e kërkon atë.
ĂfarĂ« do tĂ« thotĂ« kjo? Ne e dimĂ« a priori se tĂ« dhĂ«nat mund tĂ« paraqesin grupe tĂ« ndryshme njerĂ«zish nĂ« mĂ«nyra tĂ« ndryshme, dhe tĂ« paktĂ«n mund tĂ« planifikojmĂ« kĂ«rkimin pĂ«r pĂ«rjashtime tĂ« tilla. Me fjalĂ« tĂ« tjera, ka shumĂ« arsye sociale qĂ« sugjerojnĂ« se tĂ« dhĂ«nat mbi grupet e njerĂ«zve tashmĂ« pĂ«rmbajnĂ« disa paragjykime. NĂ«se shohim njĂ« foto me njĂ« linjĂ«, do ta shohim atĂ« linjĂ« â ne thjesht e kishim injoruar mĂ« parĂ«, duke ditur se ajo nuk kishte rĂ«ndĂ«si, duke e harruar se sistemi nuk e di asgjĂ«.
Por çfarĂ«, nĂ«se tĂ« gjitha fotografitĂ« tuaja tĂ« lĂ«kurĂ«s sĂ« pa shĂ«ndetshme janĂ« bĂ«rĂ« nĂ« njĂ« zyrĂ« ku pĂ«rdoren llampa ndriçimi, ndĂ«rsa ato tĂ« shĂ«ndetshme nĂ«n dritĂ« fluorescente? ĂfarĂ«, nĂ«se pas pĂ«rfundimit tĂ« xhirimeve tĂ« lĂ«kurĂ«s sĂ« shĂ«ndetshme, para se tĂ« filloni me atĂ« tĂ« pa shĂ«ndetshme, keni pĂ«rmirĂ«suar sistemin operativ nĂ« telefonin tuaj, dhe Apple ose Google kanĂ« ndonjĂ«herĂ« ndryshuar pak algoritmin pĂ«r eliminimin e zhurmĂ«s? NjĂ« njeri nuk do tĂ« mund ta shihte kĂ«tĂ«, sado qĂ« tĂ« kĂ«rkonte pĂ«r kĂ«to veçori. NdĂ«rsa sistemi i pĂ«rdorimit tĂ« makinĂ«s do ta shihte dhe pĂ«rdorte menjĂ«herĂ«. Ai nuk di asgjĂ«.
ĂfarĂ« ndodhi? Diskutuam pĂ«r korrelacione tĂ« gabuara, por ndodh qĂ« tĂ« dhĂ«nat janĂ« tĂ« sakta dhe rezultatet janĂ« tĂ« drejta, por nuk dĂ«shironi t'i pĂ«rdorni ato pĂ«r arsye etike, ligjore apo menaxheriale. NĂ« disa juridiksione, pĂ«r shembull, nuk Ă«shtĂ« e lejueshme tĂ« ofrohet njĂ« zbritje nĂ« sigurim pĂ«r gratĂ«, edhe pse gratĂ« ndoshta vozisin mĂ« tĂ« sigurt. Ne mund tĂ« imagjinonim njĂ« sistem qĂ«, kur analizon tĂ« dhĂ«nat historike, do t'i asignonte emrave femra njĂ« faktor risku mĂ« tĂ« ulĂ«t. MirĂ«, le ta heqim emrat nga mostrat. Por mbani nĂ« mend shembullin e Amazon-it: sistemi mund tĂ« pĂ«rcaktojĂ« gjininĂ« pĂ«rmes faktorĂ«ve tĂ« tjerĂ« (ndonĂ«se ai nuk di se çfarĂ« Ă«shtĂ« gjinia, dhe as çfarĂ« Ă«shtĂ« makina), dhe nuk do ta vĂ«reni kĂ«tĂ« deri sa rregullatori tĂ« shqyrtojĂ« retroaktivisht tarifat qĂ« ju ofroni dhe tĂ« kĂ«rkojĂ« njĂ« gjobĂ«.
Së fundi, shpesh nënkuptohet se do të përdorim këto sisteme vetëm për projekte që lidhen me njerëzit dhe interaksionet sociale. Kjo nuk është e vërtetë. Nëse jeni duke prodhuar turbinat gazi, patjetër do të dëshironit të aplikoni mësimin e makinerive për telemetritë e transmetuara nga dhjetëra ose qindra sensorë në produktin tuaj (sensorët audio, video, temperaturorë, dhe çdo sensor tjetër gjenerojnë të dhëna që mund të adaptohen lehtë për të krijuar një model të mësimit të makinerive). Hipotetikisht, mund të thoni: "Ja të dhënat për një mijë turbina të prishura, marrë para prishjes së tyre, dhe ja të dhënat për një mijë turbina që nuk janë prishur. Ndërtoni një model për të thënë se çfarë ndan ato." Ndërsa tani imagjinoni se sensorët Siemens janë montuar tek 75% e turbina të këqija, dhe vetëm 12% e atyre të mira (nuk ka ndonjë lidhje me prishtjen). Sistemi do të ndërtojë një model për të gjetur turbinat me sensorë Siemens. Ups!
Imazhi â Moritz Hardt, UC Berkeley
Menaxhimi i paragjykimeve të AI
ĂfarĂ« mund tĂ« bĂ«jmĂ« rreth kĂ«saj? Mund t'i qasen kĂ«tij problemi nga tri kĂ«ndvĂ«shtrime:
- Rigorozitet metodologjik në mbledhjen dhe menaxhimin e të dhënave për të stërvitur sistemin.
- Instrumentet teknike për analizimin dhe diagnostikimin e sjelljes së modelit.
- Trajnimi, edukimi dhe kujdesi në implementimin e mësimit të makinerive në produkte.
Në librin "Mjeshtër në Dëshirë" të MoliÚres ka një shaka: një burre u tregua se letërsia ndahet në prozë dhe poezi, dhe ai me admirimin e tij zbulon se ka folur gjithmonë prozë, pa e ditur. Sigurisht, statisticienët ndihen ndryshe sot: pa e kuptuar, ata i kanë kushtuar karrierat e tyre inteligjencës artificiale dhe gabimit të mostrat. Të kërkosh gabimin e mostrat dhe të shqetësohesh për të nuk është një problem i ri; thjesht duhet t'i qasemi me sistematikë zgjidhjes së tij. Siç përmendet më sipër, në disa raste është me të vërtetë më e lehtë ta bësh këtë duke studiuar problemet e lidhura me të dhënat për njerëzit. Ne e supozuam a priori se mund të kemi paragjykime në lidhje me grupe të ndryshme njerëzish, por paragjykimi në lidhje me sensorët Siemens është diçka që madje është e vështirë ta imagjinosh.
ĂshtĂ« e reja qĂ« njerĂ«zit nuk merren mĂ« drejtpĂ«rdrejt me analizĂ«n statistikore. Kjo bĂ«het nga makina qĂ« ndjekin modele tĂ« mĂ«dha komplekse, tĂ« vĂ«shtira pĂ«r t'u kuptuar. Pyetja e transparencĂ«s Ă«shtĂ« njĂ« nga aspektet kryesore tĂ« problemit tĂ« biasit. Na frikĂ«son qĂ« sistemi nuk Ă«shtĂ« vetĂ«m me bias, por qĂ« nuk ka ndonjĂ« mundĂ«si pĂ«r ta zbuluar atĂ«, dhe se mĂ«simi nĂ« makina dallon nga format e tjera tĂ« automatizimit qĂ« supozohet se pĂ«rbĂ«hen nga hapa logjikĂ« tĂ« qartĂ«, tĂ« cilĂ«t mund tĂ« verifikohen.
Këtu ka dy probleme. Mbase ne ende mund të kryejmë një audit të sistemeve të mësimit me makina. Dhe auditimi i çdo sistemi tjetër në të vërtetë nuk është aspak më i lehtë.
SĂ« pari, njĂ« nga drejtimet e kĂ«rkimeve moderne nĂ« fushĂ«n e mĂ«simit me makina Ă«shtĂ« tĂ« gjejmĂ« metoda se si tĂ« identifikojmĂ« funksionalitetin e rĂ«ndĂ«sishĂ«m tĂ« sistemeve tĂ« mĂ«simit me makina. NdĂ«rkohĂ«, mĂ«simi nĂ« makina (nĂ« gjendjen e tij aktuale) Ă«shtĂ« njĂ« fushĂ« e re shkencore qĂ« ndryshon shpejt, kĂ«shtu qĂ« nuk duhet tĂ« mendojmĂ« se gjĂ«rat qĂ« sot duken tĂ« pamundura nuk mund tĂ« bĂ«hen shumĂ« shpejt reale. Projekti â Ă«shtĂ« njĂ« shembull interesant i kĂ«saj.
Së dyti, ideja se mund të kontrolloni dhe kuptoni procesin e marrjes së vendimeve në sistemet ose organizatat ekzistuese është e bukur në teori, por e dhimbshme në praktikë. Të kuptosh se si merren vendimet në një organizatë të madhe nuk është aspak e thjeshtë. Edhe nëse ekziston një proces formal vendimmarrës, ai nuk pasqyron se si njerëzit ndërveprojnë në të vërtetë, dhe ata vetë shpesh nuk kanë një qasje logjike sistematike në marrjen e vendimeve të tyre. Siç tha kolegu im , njerëzit janë gjithashtu kuti të zeza..
Merrni njĂ« mijĂ« njerĂ«z nĂ« disa kompani dhe institute tĂ« ndĂ«rthurura, dhe problemi bĂ«het edhe mĂ« kompleks. Ne e dimĂ« pas faktit se "Space Shuttle" ishte e destinuar tĂ« shpĂ«rbĂ«hej gjatĂ« rikthimit, dhe disa individĂ« brenda NASA-s kishin informacionin qĂ« u jepte atyre arsye pĂ«r tĂ« menduar se mund tĂ« ndodhte diçka e keqe, por sistemi nĂ« tĂ«rĂ«si nuk e dinte. NASA sapo kishte kaluar njĂ« audit tĂ« ngjashĂ«m, duke humbur shatullin e mĂ«parshĂ«m, dhe megjithatĂ« humbi njĂ« tjetĂ«r â pĂ«r njĂ« arsye shumĂ« tĂ« ngjashme. ĂshtĂ« e lehtĂ« tĂ« thuash se organizatat dhe njerĂ«zit ndjekin rregulla logjike tĂ« qarta qĂ« mund tĂ« verifikohen, kuptohen dhe ndryshohen â por eksperienca tregon tĂ« kundĂ«rtĂ«n. Ky Ă«shtĂ« "».
NdonjĂ«herĂ« e krahasoj mĂ«simin me makina me bazat e tĂ« dhĂ«nave, veçanĂ«risht me ato relacionales â njĂ« teknologji themelore e re qĂ« ndryshoi mundĂ«sitĂ« e informatikĂ«s dhe botĂ«n pĂ«rreth saj, e cila Ă«shtĂ« bĂ«rĂ« njĂ« pjesĂ« e gjithçkaje, qĂ« ne e pĂ«rdorim vazhdimisht pa e kuptuar. Bashkimi i tĂ« dhĂ«nave gjithashtu ka probleme, dhe ato janĂ« tĂ« natyrĂ«s sĂ« ngjashme: sistemi mund tĂ« jetĂ« ndĂ«rtuar mbi supozime tĂ« gabuara ose mbi tĂ« dhĂ«na tĂ« kĂ«qija, por kjo do tĂ« jetĂ« e vĂ«shtirĂ« pĂ«r t'u vĂ«rejtur, dhe njerĂ«zit qĂ« pĂ«rdorin sistemin do tĂ« bĂ«jnĂ« atĂ« qĂ« ai iu thotĂ«, pa bĂ«rĂ« pyetje. Ka shumĂ« shakara tĂ« vjetra pĂ«r punonjĂ«sit e tatimeve qĂ« njĂ« herĂ« regjistruan gabimisht emrin tuaj, dhe tĂ« bindesh ata tĂ« korrigjojnĂ« gabimin Ă«shtĂ« shumĂ« mĂ« e komplikuar se sa tĂ« ndryshosh emrin. Kjo mund tĂ« mendohet nĂ« mĂ«nyra tĂ« ndryshme, por nuk Ă«shtĂ« e qartĂ« se si Ă«shtĂ« mĂ« mirĂ«: si njĂ« problem teknik nĂ« SQL, ose si njĂ« gabim nĂ« lĂ«shimin e Oracle-it, ose si njĂ« dĂ«shtim i institucioneve burokratike? Sa e vĂ«shtirĂ« Ă«shtĂ« tĂ« gjesh gabimin nĂ« procesin qĂ« çoi nĂ« faktin qĂ« sistemi nuk ka njĂ« veçori tĂ« tillĂ« si korrigjimi i gabimeve tĂ« shtypura? A ishte e mundur tĂ« kuptohej kjo para se njerĂ«zit tĂ« fillonin tĂ« ankojnĂ«?
Edhe më lehtë ilustrohet ky problem nga historitë kur shoferët për shkak të të dhënave të vjetruara në navigator dalin në lume. Mirë, hartat duhet të përditësohen vazhdimisht. Por sa është faji i TomTom për faktin se makina juaj po përmbyset në det?
E them se kĂ«tĂ« qĂ« po them, se po, â parafytyrimi i mĂ«simit tĂ« makinave do tĂ« krijojĂ« probleme. Por kĂ«to probleme do tĂ« jenĂ« tĂ« ngjashme me ato qĂ« kemi hasur nĂ« tĂ« kaluarĂ«n, dhe mund tĂ« vĂ«rehen dhe zgjidhen (ose jo) aq mirĂ« sa i kemi zgjidhur nĂ« tĂ« kaluarĂ«n. KĂ«shtu, skenari ku parafytyrimi i AI do tĂ« shkaktojĂ« dĂ«me, Ă«shtĂ« shumĂ« e pamundur tĂ« ndodhĂ« me shkencĂ«tarĂ«t kryesorĂ« qĂ« punojnĂ« nĂ« njĂ« organizatĂ« tĂ« madhe. MĂ« tepĂ«r, ndonjĂ« kontraktor teknologjik i parĂ«ndĂ«sishĂ«m ose njĂ« furnizues softueri do tĂ« shkruajĂ« diçka pa pĂ«rgatitje, duke pĂ«rdorur komponentĂ«, biblioteka dhe mjete open-source qĂ« nuk i kupton. Dhe klienti i pakujdesshĂ«m do tĂ« bjerĂ« pre e shprehjes 'inteligjencĂ« artificiale' nĂ« pĂ«rshkrimin e produktit dhe, pa bĂ«rĂ« pyetje tĂ« panevojshme, do t'ia japĂ« atij punonjĂ«sve tĂ« tij me pagĂ« tĂ« ulĂ«t, duke i bĂ«rĂ« ata tĂ« bĂ«jnĂ« atĂ« qĂ« thotĂ« AI. Kjo ka ndodhur me bazat e tĂ« dhĂ«nave. Kjo nuk Ă«shtĂ« njĂ« problem i inteligjencĂ«s artificiale dhe as njĂ« problem softuerik. Kjo Ă«shtĂ« njĂ« çështje njerĂ«zore.
PĂ«rfundimi
MĂ«simi i makinave mund tĂ« bĂ«jĂ« gjithçka qĂ« mund t'i mĂ«sojĂ« njĂ« qen, â por asnjĂ«herĂ« nuk mund tĂ« jeni tĂ« sigurt se çfarĂ« saktĂ«sisht e keni mĂ«suar atĂ« qen.
MĂ« duket shpesh se termi 'inteligjencĂ« artificiale' vetĂ«m sa e pengon hyrjen nĂ« biseda si kjo. Ky term krijon njĂ« pĂ«rshtypje tĂ« gabuar se ne nĂ« tĂ« vĂ«rtetĂ« e kemi krijuar atĂ« â kĂ«tĂ« inteligjencĂ«. Se jemi nĂ« rrugĂ« drejt HAL9000 ose Skynet â drejt diçkaje qĂ« nĂ« tĂ« vĂ«rtetĂ« kupton. Por jo. Kjo Ă«shtĂ« thjesht makina, dhe Ă«shtĂ« shumĂ« mĂ« e saktĂ« ta krahasosh, le tĂ« themi, me njĂ« lavatriçe. Ajo bĂ«n punĂ«n e larjes shumĂ« mĂ« mirĂ« se njeriu, por nĂ«se vendosni enĂ« nĂ« vend tĂ« rrobave, ajo do t'i ⊠lajĂ« ato. EnĂ«t do tĂ« bĂ«hen tĂ« pastra. Por kjo nuk do tĂ« jetĂ« ajo qĂ« prisnit, dhe do tĂ« ndodhĂ« jo sepse sistemi ka ndonjĂ« paragjykim ndaj enĂ«ve. Lavatriçe nuk e di as çfarĂ« janĂ« enĂ«t, as çfarĂ« janĂ« rrobat â kjo Ă«shtĂ« thjesht njĂ« shembull i automatizimit, konceptualisht i njĂ«jtĂ« me atĂ« si janĂ« automatizuar proceset mĂ« parĂ«.
PavarĂ«sisht temĂ«s â pĂ«r makinat, avionĂ«t ose bazat e tĂ« dhĂ«nave â kĂ«to sisteme do tĂ« jenĂ« njĂ«kohĂ«sisht shumĂ« tĂ« fuqishme dhe shumĂ« tĂ« kufizuara. Ato do tĂ« varen plotĂ«sisht nga mĂ«nyra se si njerĂ«zit i pĂ«rdorin kĂ«to sisteme, cilat janĂ« qĂ«llimet e tyre tĂ« mira ose tĂ« kĂ«qija dhe sa e kuptojnĂ« ata funksionimin e tyre.
KĂ«shtu, tĂ« thuash se 'inteligjenca artificiale Ă«shtĂ« matematikĂ«, prandaj nuk mund tĂ« ketĂ« paragjykime' Ă«shtĂ« krejtĂ«sisht e pavĂ«rtetĂ«. Po aq e pavĂ«rtetĂ« Ă«shtĂ« tĂ« thuash se mĂ«simi i makinave 'Ă«shtĂ« subjektiv me natyrĂ«'. MĂ«simi i makinave gjen modele nĂ« tĂ« dhĂ«na, dhe cilat modele do tĂ« gjejĂ« varet nga tĂ« dhĂ«nat, dhe tĂ« dhĂ«nat varen nga ne. Ashtu siç ndikon ajo qĂ« bĂ«jmĂ« me to. MĂ«simi i makinave bĂ«jnĂ« disa gjĂ«ra shumĂ« mĂ« mirĂ« se ne, â por qentĂ«, pĂ«r shembull, janĂ« shumĂ« mĂ« efikasĂ« se njerĂ«zit nĂ« zb ĐŸĐ±ĐœĐ°ŃŃжimin e drogave, çka nuk Ă«shtĂ« njĂ« arsye pĂ«r t'i pĂ«rdorur ata si dĂ«shmitarĂ« dhe pĂ«r tĂ« marrĂ« vendime mbi bazĂ«n e dĂ«shmive tĂ« tyre. Dhe pĂ«r ta thĂ«nĂ«, qentĂ« janĂ« shumĂ« mĂ« inteligjentĂ« se çdo sistem mĂ«simi makine.
PĂ«rkthimi:Â .
Redaktimi:Â .
Komuniteti: .
Burimi: habr.com
