tl;dr:
- MĂ«simi makinerik kĂ«rkon modele nĂ« tĂ« dhĂ«na. Por inteligjenca artificiale mund tĂ« jetĂ« "e paragjykuar" â do tĂ« thotĂ«, tĂ« gjejĂ« modele tĂ« gabuara. PĂ«r shembull, njĂ« sistem pĂ«r zb ë°êČŹ eksperimentin e kancerit tĂ« lĂ«kurĂ«s nga fotografia mund tĂ« japĂ« mĂ« shumĂ« rĂ«ndĂ«si pĂ«r imazhet e bĂ«rĂ« nĂ« zyrĂ«n e mjekut. MĂ«simi makinerik nuk di tĂ« kuptojĂ«: algoritmet e tij vetĂ«m zbulojnĂ« modele nĂ« numra, dhe nĂ«se tĂ« dhĂ«nat nuk janĂ« pĂ«rfaqĂ«suese, rezultati i pĂ«rpunimit do tĂ« jetĂ« i tillĂ«. Dhe kapja e kĂ«tyre gabimeve mund tĂ« jetĂ« e vĂ«shtirĂ« pĂ«r shkak tĂ« mekanikĂ«s sĂ« mĂ«simit makinerik.
- Fusha më e dukshme dhe shqetësuese është variacioni njerëzor. Ekzistojnë shumë arsye pse të dhënat mbi njerëzit mund të humbasin objektivitetin edhe në fazën e mbledhjes. Por nuk duhet të mendojmë se kjo çështje i përket vetëm njerëzve: njësoj vështirësi kanë lindur kur provohet të zbulohet një përmbytje në një depo apo një turbinë gazi që ka dalë jashtë funksionit. Disa sisteme mund të kenë paragjykime për ngjyrën e lëkurës, të tjerë do të kenë prirje të paragjykuara ndaj sensorëve Siemens.
- KĂ«to probleme nuk janĂ« tĂ« reja pĂ«r mĂ«simin makinerik, dhe nuk i pĂ«rkasin vetĂ«m atij. Supozime tĂ« gabuara bĂ«hen nĂ« çdo strukturĂ« komplekse, dhe gjithmonĂ« Ă«shtĂ« e vĂ«shtirĂ« tĂ« kuptosh pse Ă«shtĂ« marrĂ« njĂ« vendim i caktuar. Duhet tĂ« luftohet me kĂ«tĂ« nĂ« mĂ«nyrĂ« komplekse: tĂ« krijohen mjete dhe procese pĂ«r verifikim â dhe tĂ« edukohen pĂ«rdoruesit nĂ« mĂ«nyrĂ« qĂ« ata tĂ« mos ndjekin verbĂ«risht rekomandimet e IA. MĂ«simi makinerik vĂ«rtet bĂ«n disa gjĂ«ra shumĂ« mĂ« mirĂ« se ne â por qentĂ«, pĂ«r shembull, janĂ« shumĂ« mĂ« efektivĂ« se njerĂ«zit nĂ« zbĂ«rthimin e narkotikĂ«ve, qĂ« nuk Ă«shtĂ« njĂ« arsye pĂ«r tâi tĂ«rhequr 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 mĂ«simi makinerik.
MĂ«simi makinerik sot Ă«shtĂ« njĂ« nga trendet themelore mĂ« tĂ« rĂ«ndĂ«sishme teknologjike. ĂshtĂ« njĂ« nga mĂ«nyrat kryesore qĂ« teknologjia do tĂ« ndryshojĂ« botĂ«n pĂ«r njĂ« dekadĂ« tĂ« ardhshme. Disa aspekte tĂ« kĂ«tyre ndryshimeve shkaktojnĂ« shqetĂ«sim. PĂ«r shembull, ndikimi potencial i mĂ«simit makinerik nĂ« tregun e punĂ«s, ose pĂ«rdorimi i tij pĂ«r qĂ«llime anti-etike (p.sh., nga regjimet autoritare). Ka njĂ« problem tjetĂ«r, tĂ« cilit i kushtohet ky post: paragjykimi i inteligjencĂ«s artificiale.
Kjo është një histori e ndërlikuar.
AI nga Google mund të gjejë macet. Ky lajm nga viti 2012 ishte diçka e veçantë atëherë.
ĂfarĂ« Ă«shtĂ« "paragjykimi i AI"?
"TĂ« dhĂ«nat e papĂ«rpunuara" janĂ« njĂ«kohĂ«sisht njĂ« oksimoron dhe njĂ« ide e keqe; tĂ« dhĂ«nat duhet pĂ«rgatitur mirĂ« dhe me kujdes. âJeffrey Boker
Deri diku nĂ« vitin 2013, pĂ«r tĂ« ndĂ«rtuar njĂ« sistem qĂ«, le tĂ« themi, njeh macet nĂ« fotografia, ju duhej tĂ« pĂ«rshkruanit hapat logjikĂ«. Si tĂ« gjeni qoshet nĂ« imazh, tĂ« njohĂ«sh sytĂ«, tĂ« analizosh teksturat pĂ«r prezencĂ«n e leshit, tĂ« numĂ«roni kĂ«mbĂ«t, e kĂ«shtu me radhĂ«. MĂ« pas tĂ« mblidhni tĂ« gjitha komponentĂ«t â dhe tĂ« zbuloni se asgjĂ« nga kjo nuk funksionon siç duhet. Pothuajse si njĂ« kalĂ« mekanik â teorikisht mund tĂ« bĂ«het, por nĂ« praktikĂ« Ă«shtĂ« tepĂ«r 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 punues.
Me ardhjen e mësimit të makinës, ne ndaluam së përdoruri rregullat "me dorë" për njohjen e ndonjë objekti. Në vend të kësaj, ne marrim një mijë mostrave të "asaj", X, një mijë mostrave të "tjetër", Y, dhe e detyrojmë kompjuterin të ndërtojë një model mbi bazën e analizës statistike të tyre. Më pas i japim këtij modeli një shembull të dhënash, dhe ai përcakton me një saktësi të caktuar nëse përputhet me njërën nga grupe.
Mësimi i makinës gjeneron një model mbi bazën e të dhënave, dhe jo me anë të një njeriu që e shkruan atë. Rezultatet janë impresionuese, veçanërisht në fushën e njohjes së imazheve dhe modeleve, dhe pikërisht për këtë arsye, e gjithë industria teknologjike po kalon në mësimin e makinës (ML).
Por nuk është kaq e thjeshtë. Në botën reale, mijëra shembuj tuaj X ose Y gjithashtu përmbajnë A, B, J, L, O, R dhe madje L. Ata mund të jenë të shpërndarë në mënyrë të pabarabartë, dhe disa nga ata mund të ndodhen aq shpesh, saqë sistemi do t'i kushtojë më shumë vëmendje atyre sesa objekteve që ju interesoni. shikojnë një kodër me bar dhe thonë: "dele".
. E kuptojmë pse: shumica e fotografive-mostër "dele" janë marrë në livadhe, ku ato jetojnë, dhe në këto imazhe, bar është në mënyrë të dukshme zëvendësuesi më i madh, sesa të voglat të bardha dhe me lesh, dhe pikërisht barin sistemet e konsiderojnë si më të rëndësishmin. për identifikimin e kancerit të lëkurës në fotografi. Doli se dermatologët shpesh fotografonin një linjë së bashku me shenjat e kancerit të lëkurës, për të regjistruar madhësinë e formacioneve. Në shembujt e fotografive të lëkurës së shëndoshë nuk ka linjash. Për sistemin e AI, këto linja (në të vërtetë, pixel-et që ne i përcaktojmë si 'linjë') janë bërë një nga dallimet mes grupeve të shembujve, ndonjëherë më të rëndësishme se disa shpërthime të vogla në lëkurë. Kështu, sistemi i krijuar për të njohur kancerin e lëkurës, ndonjëherë e njihej linja në vend të tij.
Pika kyçe këtu është se sistemi nuk ka kuptim semantik të asaj që po shikon. Ne shohim një grup pixel-esh dhe shohim në to një dele, lëkurë ose linjë, ndërsa sistemi sheh vetëm një varg numrash. Ai nuk sheh hapësirën tre-dimensionale, nuk sheh as objekte, as textura, as dele. Ai thjesht sheh modele në të dhëna.
Sfidat e diagnozës së këtyre problemeve janë se rrjeti nervor (modeli i gjeneruar nga sistemi juaj i mësimit të makinerisë) përbëhet nga mijëra qindra mijëra nyjesh. Nuk ka një mënyrë të thjeshtë për të hedhur një sy në model dhe për të parë si merr vendime. Prania e një mënyre të tillë do të nënkuptonte se procesi është mjaft i thjeshtë për të përshkruar të gjitha rregullat manualisht, pa përdorur mësimin e makinerisë. Njerëzit shqetësohen se mësimi i makinerisë ka bërë një lloj 'kutie të zezë'. (Do ta shpjegoj pak më vonë pse kjo krahasim është paksa ekstrem.)
Kjo, në terma të përgjithshëm, është probleme e paragjykimit të inteligjencës artificiale ose mësimit të makinerisë: sistemi për gjetjen e modeleve në të dhëna mund të gjejë modele të gabuara, dhe ju mund të mos e vini re atë. Kjo është një karakteristikë themelore e teknologjisë, dhe është e dukshme 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 tona të mundshme për këto pasoja gjithashtu.
Le të flasim fillimisht për pasojat.
AI mund të bëjë zgjedhje për ne në mënyrë të papërshkruar për kategoritë e caktuara të njerëzve, duke u bazuar në një sasi të madhe sinjalesh të padukshme.
Skenarët e paragjykimit të AI
E dukshme dhe shqetĂ«suese Ă«shtĂ« se kjo problem mund tĂ« shfaqet kur bĂ«het fjalĂ« pĂ«r larmishmĂ«rinĂ« njerĂ«zore. SĂ« fundmi, , qĂ« Amazon pĂ«rpiqej tĂ« ndihmonte njĂ« sistem tĂ« mĂ«simit tĂ« makinerive pĂ«r skanimin e parĂ« tĂ« kandidatĂ«ve pĂ«r punĂ«. Duke qenĂ« se midis punonjĂ«sve tĂ« Amazonit ka mĂ« shumĂ« burra, shembujt e âpunĂ«simeve tĂ« suksesshmeâ gjithashtu ishin kryesisht tĂ« seksit mashkull, dhe nĂ« pĂ«rzgjedhjen e CV-ve, sistemit i ofruan mĂ« shumĂ« burra. Amazon e vuri re kĂ«tĂ« dhe nuk e lĂ«shoi sistemin nĂ« prodhim.
Gj thingesht mĂ« e rĂ«ndĂ«sishme nĂ« kĂ«tĂ« shembull Ă«shtĂ« se sistemi, sipas thashethemeve, preferonte kandidatĂ«t e seksit mashkull, pavarĂ«sisht se kjo nuk ishte e specificuar nĂ« CV. Sistemi shihte modele tĂ« tjera nĂ« shembujt e âpunĂ«simit tĂ« suksesshĂ«mâ: pĂ«r shembull, gratĂ« mund tĂ« pĂ«rdorin fjalĂ« tĂ« veçanta pĂ«r tĂ« pĂ«rshkruar arritjet, ose tĂ« kenĂ« hobin e veçantĂ«. Natyrisht, sistemi nuk e dinte se çfarĂ« ishte âhokejâ, as kush ishin ânjerĂ«zitâ, as çfarĂ« ishte âsuksesiâ; thjesht bĂ«nte njĂ« analizĂ« statistikore tĂ« tekstit. Por ligjĂ«sitĂ« qĂ« ajo sheh, do tĂ« mbeteshin ndoshta tĂ« paqĂ«ndrueshme nga njĂ« njeri, dhe disa prej tyre (pĂ«r shembull, se si njerĂ«zit e seksit tĂ« ndryshĂ«m e pĂ«rshkruajnĂ« suksesin ndryshe) ne, me siguri, do tĂ« na kishte vĂ«shtirĂ« t'i shihnim, edhe duke i parĂ« ato.
Më tej, situata bëhet më e komplikuar. Një sistem i mësimit të makinerive, i cili gjen shumë mirë kancerin në lëkurën e bardhë, mund të ketë performancë më të dobët me lëkurën e errët, ose anasjelltas. Nuk është domosdoshmërisht për shkak të paragjykimit, por sepse, me siguri, duhet të ndërtohet një model i veçantë për ngjyrën tjetër të lëkurës, duke zgjedhur karakteristika të tjera. Sistemet e mësimit të makinerive nuk janë të ndërshtueshme as në një fushë kaq të ngushtë si njohja e imazheve. Duhet të konfiguroni sistemin, ndonjëherë thjesht duke provuar dhe gabuar, për të përmirësuar shënimin e veçorive në të dhënat që ju interesojnë, derisa të arrini saktësinë e dëshiruar. Por mund të mos e vini re se sistemi është 98% i saktë në punën me një grup dhe vetëm 91% (pavarësisht se kjo është më e saktë se analiza e kryer nga njeriu) me një tjetër.
Derimë tani kam përdorur kryesisht shembuj që lidhen me njerëzit dhe karakteristikat e tyre. Kjo temë është thelbësore për diskutimin rreth kësaj çështjeje. Por është e rëndësishme të kuptohet se paragjykimi ndaj njerëzve është vetëm një pjesë e problematikës. Ne do të përdorim mësimin e makinerive për shumë gjëra, dhe gabimi i mostrave do të jetë i rëndësishëm për të gjitha ato. Nga ana tjetër, nëse punoni me njerëz, paragjykimi i të dhënave mund të mos lidhet me ta.
Për të kuptuar këtë, le të kthehemi te shembulli i kancerit të lëkurës dhe të shqyrtojmë tri mundësi hipotezike për thyerjen e sistemit.
- Distribucioni i paanshëm i njerëzve: një numër i pavendosur fotografish të lëkurës me nuanca të ndryshme, çka çon në rezultate false pozitive ose negative të lidhura me pigmentimin.
- Të dhënat me të cilat trajnohet sistemi përmbajnë një karakteristikë të zakonshme dhe të paanshme që nuk është e lidhur me njerëzit dhe nuk ka vlerë diagnostike: një ruler në fotografitë e shfaqjeve të kancerit të lëkurës ose barin në fotografitë e deleve. Në këtë rast, rezultati do të ndryshojë nëse sistemi në imazh do të gjejë piksel që njeriu do ta përcaktonte si 'ruler'.
- Të dhënat përmbajnë një karakteristikë të huaj, që njeriut nuk i shfaqet, madje edhe nëse e kërkon.
ĂfarĂ« do tĂ« thotĂ« kjo? Ne e dimĂ« paraprakisht se tĂ« dhĂ«nat mund tĂ« pĂ«rfaqĂ«sojnĂ« nĂ« mĂ«nyra tĂ« ndryshme grupe tĂ« ndryshme njerĂ«zish, dhe minimalisht mund tĂ« planifikojmĂ« kĂ«rkimin e pĂ«rjashtimeve tĂ« tilla. Me fjalĂ« tĂ« tjera, ka shumĂ« arsye sociale pĂ«r tĂ« supozuar se tĂ« dhĂ«nat pĂ«r grupet e njerĂ«zve tashmĂ« pĂ«rmbajnĂ« njĂ«farĂ« paragjykimi. NĂ«se e shohim fotografinĂ« me ruler, do ta shohim atĂ« ruler â thjesht e kemi injoruar mĂ« parĂ«, duke e ditur se nuk ka rĂ«ndĂ«si, dhe duke harruar se sistemi nuk di asgjĂ«.
Por çfarĂ« ndodh nĂ«se tĂ« gjitha fotografitĂ« tuaja tĂ« lĂ«kurĂ«s sĂ« papĂ«rshtatshme janĂ« bĂ«rĂ« nĂ« njĂ« zyrĂ« ku pĂ«rdoren llambat incandescente, dhe ato tĂ« lĂ«kurĂ«s sĂ« shĂ«ndetshme janĂ« bĂ«rĂ« nĂ«n dritĂ«n fluorescente? ĂfarĂ« ndodh nĂ«se, pasi keni pĂ«rfunduar xhirimin e lĂ«kurĂ«s sĂ« shĂ«ndetshme, keni pĂ«rditĂ«suar sistemin operativ nĂ« telefonin tuaj dhe Apple ose Google kanĂ« ndryshuar pak algoritmin e zbutjes sĂ« zhurmĂ«s? Njeriut nuk mund t'i bie nĂ« sy kjo, sa herĂ« ta kĂ«rkojĂ«. Por sistemi i pĂ«rdorimit tĂ« makinave do ta shohĂ« dhe do ta pĂ«rdorĂ« menjĂ«herĂ«. Ai nuk di asgjĂ«.
NdĂ«rsa flisnim pĂ«r lidhje tĂ« gabuara, ndodhin raste kur tĂ« dhĂ«nat janĂ« tĂ« sakta dhe rezultatet janĂ« tĂ« drejta, por ju nuk dĂ«shironi tâi pĂ«rdorni ato pĂ«r arsye etike, ligjore ose menaxheriale. NĂ« disa juridiksione, pĂ«r shembull, nuk lejohet tĂ« ofrohet zbritje pĂ«r gratĂ« nĂ« sigurim, megjithĂ«se gratĂ« ndoshta drejtojnĂ« mĂ« tĂ« sigurt. Ne mund ta imagjinojmĂ« lehtĂ«sisht njĂ« sistem qĂ«, kur analizon tĂ« dhĂ«nat historike, i jep grave njĂ« koeficient risku mĂ« tĂ« ulĂ«t. MirĂ«, le tâi heqim emrat nga mostra. Por kujtoni shembullin e Amazonit: sistemi mund tĂ« identifikojĂ« gjininĂ« sipas faktorĂ«ve tĂ« tjerĂ« (edhe pse ai nuk e di çfarĂ« Ă«shtĂ« gjinia, as çfarĂ« Ă«shtĂ« makina), dhe ju nuk do ta vĂ«reni derisa rregullatori tĂ« analizojĂ« pas faktit tarifat qĂ« i keni propozuar dhe tĂ« marrĂ« gjobĂ« nga ju.
Në fund, shpesh nënkuptohet se do t'i përdorim këto sisteme vetëm për projekte që lidhen me njerëzit dhe ndërveprimet sociale. Kjo nuk është e vërtetë. Nëse po prodhoni turbinat me gaz, me siguri do të dëshironit të aplikoni mësimin e makinerisë për telemetrinë e dërguar nga dhjetëra ose qindra sensorë në produktin tuaj (sensorë audio, video, temperaturë dhe çdo sensor tjetër gjeneron të dhëna që mund të përshtaten lehtësisht për të krijuar një model mësimi makinerie). Hipotetikisht, mund të thoni: "Ja të dhënat për një mijë turbina që kanë dështuar, të regjistruara para dështimit të tyre, dhe ja të dhënat nga një mijë turbina që nuk kanë dështuar. Ndërtoni një model për të thënë se çfarë ndryshimi ka mes tyre". Tani imagjinoni që sensorët Siemens janë në 75% të turbina të këqija dhe vetëm në 12% të turbina të mira (nuk ka lidhje me dështimet). Sistemi do të ndërtojë një model për të gjetur turbinat me sensorët Siemens. Ups!
Imazhi â Moritz Hardt, UC Berkeley
Menaxhimi i paragjykimeve të AI
ĂfarĂ« mund tĂ« bĂ«jmĂ« me kĂ«tĂ«? Mund tĂ« qasemi nĂ« kĂ«tĂ« çështje nga tri anĂ«:
- Rigorozitet metodologjik në mbledhjen dhe menaxhimin e të dhënave për trajnimin e sistemit.
- Veglat teknike për analizën dhe diagnostikimin e sjelljes së modelit.
- Trajnimi, arsimimi dhe kujdesi gjatë integrimit të mësimit të makinerisë në produkte.
NĂ« librin "Burgimtar nĂ« aristokraci" tĂ« Molierit ka njĂ« shaka: njĂ« burrĂ« u tha se literatura ndahet nĂ« prozĂ« dhe poezi, dhe ai me habi zbulon se gjatĂ« gjithĂ« jetĂ«s ka folur prozĂ«, pa e ditur. Ndoshta, statistikĂ«t ndihen kĂ«shtu sot: pa e kuptuar atĂ«, ata ia kanĂ« kushtuar karrierat inteligjencĂ«s artificiale dhe gabimit tĂ« mostrave. TĂ« kĂ«rkosh gabimin e mostrave dhe tĂ« shqetĂ«sohesh pĂ«r tĂ« â kjo nuk Ă«shtĂ« njĂ« problem i ri, thjesht na nevojitet njĂ« qasje sistematike pĂ«r ta zgjidhur. Siç u pĂ«rmend mĂ« parĂ«, nĂ« disa raste Ă«shtĂ« vĂ«rtet mĂ« e lehtĂ« ta bĂ«sh kĂ«tĂ« duke studiuar problemet qĂ« lidhen me tĂ« dhĂ«nat pĂ«r njerĂ«zit. Ne presim qĂ« mund tĂ« kemi paragjykime ndaj grupeve tĂ« ndryshme tĂ« njerĂ«zve, por paragjykimi ndaj sensorĂ«ve Siemens Ă«shtĂ« diçka qĂ« na vĂ«shtirĂ«son ta imagjinojmĂ«.
E reja në të gjitha këto është, sigurisht, se njerëzit nuk merren më drejtpërdrejt me analizën statistikore. Ajo bëhet nga makinat, të cilat krijojnë modele të mëdha komplekse, të ndërlikuara për t'u kuptuar. Problemi i transparencës është një nga aspektet kryesore të problemeve me paragjykimin. Na frikëson që sistemi jo vetëm që është i paragjykuar, por nuk ka asnjë mundësi për ta zbuluar atë paragjykim, dhe se mësimi statutor dallohet për këtë nga format e tjera të automatizimit, të cilat supozohet se përbëhen nga hapa logjikë të qartë, që mund të kontrollohen.
Këtu ka dy probleme. Ndoshta ne mund të kryejmë një auditim të caktuar të sistemeve të mësimit makinerik. Dhe auditimi i çdo sistemi tjetër në fakt nuk është aspak më i lehtë.
SĂ« pari, njĂ« nga drejtpĂ«rdrejtimet e kĂ«rkimeve moderne nĂ« fushĂ«n e mĂ«simit makinerik Ă«shtĂ« kĂ«rkimi i metodave pĂ«r tĂ« identifikuar funksionalitetin e rĂ«ndĂ«sishĂ«m tĂ« sistemeve tĂ« mĂ«simit makinerik. NĂ« kĂ«tĂ« rast, mĂ«simi makinerik (nĂ« gjendjen e tij aktuale) Ă«shtĂ« njĂ« fushĂ« e re shkencore, qĂ« po ndryshon shpejt, kĂ«shtu qĂ« nuk duhet menduar se gjĂ«rat e pamundura sot nuk mund tĂ« bĂ«hen shumĂ« reale nĂ« tĂ« ardhmen. Projekti â Ă«shtĂ« njĂ« shembull interesant pĂ«r kĂ«tĂ«.
Së dyti, ideja se mund të kontrollosh dhe kuptosh procesin e vendimmarrjes në sistemet ose organizatat ekzistuese është e mirë në teori, por është e vështirë në praktikë. Të kuptosh se si merren vendimet në një organizatë të madhe nuk është aspak e lehtë. Madje, edhe nëse ekziston një proces formal vendimmarrjeje, ai nuk reflekton se si njerëzit ndërveprojnë në të vërtetë, dhe ata vetë shpesh nuk kanë një qasje sistematike logjike për 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 qĂ« prekĂ«n njĂ«ri-tjetrin, dhe problemi bĂ«het akoma mĂ« i komplikuar. Ne e dimĂ« pas faktit se "Space Shuttle" ishte i destinuar tĂ« shpĂ«rbĂ«hej nĂ« kthim, dhe individĂ« tĂ« veçantĂ« brenda NASA kishin informacion qĂ« i jepte atyre arsyen tĂ« mendonin se mund tĂ« ndodhte diçka e keqe, por sistemi si njĂ« e tĂ«rĂ« nuk e dinte kĂ«tĂ«. NASA sapo kishte kaluar njĂ« auditim tĂ« ngjashĂ«m, duke humbur shatĂ«n e mĂ«parshme, dhe megjithatĂ« ajo humbi edhe njĂ« tjetĂ«r â pĂ«r njĂ« arsye tĂ« ngjashme. ĂshtĂ« e lehtĂ« tĂ« thuash se organizatat dhe njerĂ«zit ndjekin rregulla logjike tĂ« qarta, tĂ« cilat mund tĂ« kontrollohen, kuptohen dhe ndryshohen â por pĂ«rvoja e tregon tĂ« kundĂ«rtĂ«n. Kjo Ă«shtĂ« "».
Shpesh e krahasoj mĂ«simin e makinerive me bazat e tĂ« dhĂ«nave, sidomos me ato rrelacionale â njĂ« teknologji themelore e re qĂ« ndryshoi mundĂ«sitĂ« e informatikĂ«s dhe botĂ«s pĂ«rreth saj, e cila bĂ«ri pjesĂ« tĂ« gjithçkaje, dhe ne e pĂ«rdorim vazhdimisht pa e kuptuar kĂ«tĂ«. NĂ« bazat e tĂ« dhĂ«nave ka gjithashtu probleme, dhe ato kanĂ« natyrĂ« tĂ« ngjashme: sistemi mund tĂ« ndĂ«rtohet mbi supozita 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 u thotĂ«, pa bĂ«rĂ« pyetje. Ekziston njĂ« mori shakash tĂ« vjetra rreth punonjĂ«sve tĂ« taksave, tĂ« cilĂ«t dikur e regjistruan gabimisht emrin tuaj, dhe tĂ« bindĂ«sh ata tĂ« korrektojnĂ« gabimin Ă«shtĂ« shumĂ« mĂ« e vĂ«shtirĂ« se sa tĂ« ndryshosh realisht 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, si njĂ« gabim nĂ« lĂ«shimin e Oracle, apo si njĂ« dĂ«shtim i institucioneve burokratike? Sa e vĂ«shtirĂ« Ă«shtĂ« tĂ« gjesh njĂ« gabim nĂ« procesin qĂ« çoi nĂ« atĂ« qĂ« sistemi nuk ka njĂ« funksion si korrigjimi i gabimeve? A ishte e mundur tĂ« kuptohej kjo para se njerĂ«zit tĂ« fillonin tĂ« ankoeshin?
Një ilustërim edhe më të qartë të kësaj çështjeje janë historitë kur shoferët përfundojnë në lumenj për shkak të të dhënave të vjetra në naviguar. Mirë, hartat duhet të përditësohen vazhdimisht. Por sa faj ka TomTom për atë që makina juaj përfundon në det?
Po e them kĂ«tĂ«, qĂ« po, â parapĂ«lqimi i mĂ«simit tĂ« makinave do tĂ« krijojĂ« probleme. Por kĂ«to probleme do tĂ« jenĂ« tĂ« ngjashme me ato me tĂ« cilat jemi pĂ«rballur nĂ« tĂ« kaluarĂ«n, dhe ato do tĂ« mund tĂ« vĂ«rehen dhe tĂ« zgjidhen (ose jo) me forcĂ«n qĂ« e kemi arritur deri tani. Prandaj, skenari nĂ« tĂ« cilin parapĂ«lqimi i AI do tĂ« dĂ«mtojĂ« Ă«shtĂ« pak e mundur qĂ« tĂ« ndodhĂ« me kĂ«rkuesit kryesorĂ« qĂ« punojnĂ« nĂ« njĂ« organizatĂ« tĂ« madhe. Ădo gjasĂ« Ă«shtĂ« qĂ« ndonjĂ« kontraktor teknologjik i pavlerĂ« ose shitĂ«s programi do tĂ« shkruajĂ« diçka nĂ« mĂ«nyrĂ« ad-hoc, duke pĂ«rdorur komponente, biblioteka dhe mjete open-source qĂ« ai nuk i kupton. Dhe klienti i pafat do tĂ« mashtrohet nga fraza âinteligjenca artificialeâ nĂ« pĂ«rshkrimin e produktit dhe, pa bĂ«rĂ« pyetje tĂ« panevojshme, do t'i japĂ« atĂ« punonjĂ«sve tĂ« tij me paga tĂ« ulta, duke i ndĂ«shkuar ata tĂ« bĂ«jnĂ« atĂ« qĂ« thotĂ« AI. PikĂ«risht kjo ndodhi me bazat e tĂ« dhĂ«nave. Kjo nuk Ă«shtĂ« njĂ« problem i inteligjencĂ«s artificiale, dhe askush nuk e shpjegon probleme tĂ« softuerit. Ky Ă«shtĂ« faktori njerĂ«zor.
PĂ«rfundim
MĂ«simi i makinave mund tĂ« bĂ«jĂ« gjithçka qĂ« mund ta mĂ«soni njĂ« qen, â por kurrĂ« nuk mund tĂ« jeni tĂ« sigurt se çfarĂ« me tĂ« vĂ«rtetĂ« e keni mĂ«suar atĂ« qen.
MĂ« duket shpesh se termi «inteligjencĂ« artificiale» vetĂ«m sa e vĂ«shtirĂ«son diskutimin pĂ«r tema tĂ« tilla. Ky term krijon njĂ« pĂ«rshtypje tĂ« gabuar se ne nĂ« tĂ« vĂ«rtetĂ« e kemi krijuar atĂ« â kĂ«tĂ« inteligjencĂ«. QĂ« ne jemi nĂ« rrugĂ« drejt HAL9000 ose Skynet â drejt diçkaje qĂ« nĂ« tĂ« vĂ«rtetĂ« kupton. Por jo. KĂ«to janĂ« thjesht makina, dhe Ă«shtĂ« shumĂ« mĂ« e saktĂ« t'i krahasojmĂ«, tĂ« themi, me njĂ« lavatriçe. Ajo bĂ«n shumĂ« mĂ« mirĂ« punĂ«n e larjes se sa njĂ« njeri, por nĂ«se ju hedhni enĂ«t nĂ« tĂ« vend tĂ« rrobave, ajo do t'i⊠lajĂ«. EnĂ«t do tĂ« bĂ«hen madhe tĂ« pastra. Por kjo nuk do tĂ« jetĂ« ajo qĂ« prisnit, dhe kjo do tĂ« ndodhĂ« jo pĂ«r shkak se sistemi ka disa paragjykime pĂ«r enĂ«t. Lavatriça nuk e di as çfarĂ« janĂ« enĂ«t, as çfarĂ« janĂ« rrobat â Ă«shtĂ« thjesht njĂ« shembull i automatizimit, konceptualisht i njĂ«jtĂ« me atĂ« siç janĂ« automatizuar proceset mĂ« parĂ«.
PavarĂ«sisht se pĂ«r çfarĂ« flitet, â pĂ«r makina, aeroplanĂ« ose databaza 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 pĂ«rdorin kĂ«to sisteme, nga qĂ«llimet e tyre tĂ« mira ose tĂ« kĂ«qija dhe nga sa mirĂ« e kuptojnĂ« punĂ«n e tyre.
Prandaj, tĂ« thuash se «inteligjenca artificiale Ă«shtĂ« matematikĂ«, prandaj nuk mund tĂ« ketĂ« paragjykime» Ă«shtĂ« plotĂ«sisht e gabuara. Por po aq e gabuar Ă«shtĂ« tĂ« thuash se mĂ«simi nga makinat Ă«shtĂ« «subjektiv nga natyra». MĂ«simi i makinave gjen modele nĂ« tĂ« dhĂ«na, dhe cilat modele do tĂ« gjejĂ« tende pĂ«r tĂ« dhĂ«nat, varet nga tĂ« dhĂ«nat, dhe tĂ« dhĂ«nat varen nga ne. Ashtu siç dhe ajo qĂ« ne bĂ«jmĂ« me to. MĂ«simi i makinave nĂ« fakt bĂ«n disa gjĂ«ra shumĂ« mĂ« mirĂ« se ne â por qenĂ«t, pĂ«r shembull, janĂ« shumĂ« mĂ« efikas nĂ« zbulimin e drogĂ«s se sa njerĂ«zit, qĂ« nuk Ă«shtĂ« njĂ« arsye pĂ«r t'i marrĂ« ata si dĂ«shmitarĂ« dhe pĂ«r tĂ« marrĂ« vendime tĂ« bazuara tek deklaratat e tyre. Dhe qenĂ«t, pĂ«r t'u pĂ«rmendur, janĂ« shumĂ« mĂ« tĂ« mençur se çdo sistem mĂ«simi nga makinat.
PĂ«rkthimi:Â .
Redaktimi:Â .
Komuniteti: .
Burimi: habr.com
