İçindekiler:
Video: Yapay zeka dünyasındaki en büyük sıçrama gerçekleşti! GPT-3 nedir? (Kasım 2024)
"Andrew Ingram", e-postalarınızı tarayan, iş arkadaşlarınızla tartıştığınız toplantılar ve randevular için zamanlama fikirleri veren, görev ayarlayan ve ilgili taraflara çok az yardımla davet gönderen bir dijital asistandır. Yeni bir X.ai'nin gelişmiş yapay zeka özelliklerini kullanmaktadır.
E-postalarınızın gerçek kişiler tarafından tarandığı fikri ürpertici gelse de, müşterilerine AI hizmetleri sunan birçok şirket arasında yaygın bir uygulama haline gelmiştir. The Wall Street Journal'da yayınlanan yeni bir makale, çalışanlarının yeni özellikler geliştirmek ve daha önce görmedikleri durumlarda AI'larını eğitmek için çalışanlarının müşteri e-postalarına erişmelerini ve okumalarını sağlayan birkaç firmayı ifşa etti.
"Oz Büyücüsü" tekniği veya sahte AI olarak adlandırılan AI algoritmalarının eksikliklerini telafi etmek için sessizce insanları kullanma uygulaması, AI endüstrisinin karşılaştığı en büyük zorlukların bazılarına ışık tutuyor.
AI, Geniş Sorunlara Hazır Değil
Son yıllarda çoğu AI yeniliğinin ardında derin öğrenme algoritmaları ve sinir ağları vardır. Derin sinir ağları bilgiyi sınıflandırmada çok etkilidir. MRI ve BT taramalarında ses ve yüz tanıma veya kanseri teşhis etme gibi birçok durumda, insanlar daha iyi performans gösterebilir.
Ancak bu, derin öğrenme ve sinir ağlarının insanların yapabileceği herhangi bir görevi başarabileceği anlamına gelmez.
DeepGrammar'ın kurucusu ve CEO'su Jonathan Mugan “Derin öğrenme algı sorununu çözmemize izin veriyor. Bu önemli bir şey çünkü algı 60 yıldan beri kuruluşundan bu yana algıyı sınırlandırıyor” diyor. "Algılama problemini çözmek sonunda AI'yi ses tanıma ve robotik gibi şeyler için faydalı hale getirdi."
Ancak Mugan, algının tek sorun olmadığını belirtti. Ortak akıl yürütme ve anlayışın yer aldığı derin öğrenme mücadeleleri.
“Derin öğrenme bu sorunla bize yardımcı olmuyor” diyor. “NLP'de (doğal dil işleme) dili bir algı sorunu olarak ele alarak, yani sözcükleri ve cümleleri vektörlere dönüştürerek bazı ilerlemeler kaydettik. Bu, sınıflandırma ve makine çevirisi için metni daha iyi temsil etmemizi sağladı (çok fazla olduğunda). veri), ama ortak akıl yürütme mantığına yardımcı olmuyor. Bu yüzden sohbetlerde büyük ölçüde başarısız oldu. "
Tüm derin öğrenme uygulamalarının karşılaştığı temel sorunlardan biri, AI modellerini eğitmek için doğru verileri toplamaktır. Bir sinir ağını bir görevi yerine getirmek için eğitmeye harcanan çaba ve veriler, sorun alanının ne kadar geniş olduğuna ve hangi düzeyde doğruluk gerektiğine bağlıdır.
Örneğin, HBO'nun Silikon Vadisi'nden Not Hotdog uygulaması gibi bir görüntü sınıflandırma uygulaması çok dar ve özel bir görev yapar: Akıllı telefonunuzun kamerasının bir hotdog gösterip göstermediğini size söyler. Yeterli hotdog görüntüleriyle, uygulamanın AI'si çok önemli bir işlevi yüksek hassasiyetle yerine getirebilir. Ve arada bir hata yaparsa, kimseye zarar vermez.
Ancak X.ai'nin inşa ettiği gibi diğer AI uygulamaları daha geniş problemlerle mücadele ediyor, bu da birçok kaliteli örnek gerektirdiği anlamına geliyor. Ayrıca, hatalara toleransları çok daha düşüktür. Bir sosisliyi bir salatalıkla karıştırmak ve yanlış bir zamanda önemli bir iş toplantısı planlamak arasında kesin bir fark var.
Ne yazık ki, kalite verileri tüm şirketlerin sahip olduğu bir mal değildir.
Steve Marsh, “Genel kural, bir AI'nın ele almaya çalıştığı bir problemin ne kadar genel olduğu, daha ileri vakalar veya olağandışı davranışların ortaya çıkmasıdır. Geospock şirketinde CTO. “Başlangıçlar genellikle büyük miktarlarda eğitim verilerine erişemez, bu nedenle uygulanabilir bir şekilde oluşturabilecekleri modeller genellikle beklentilerine uygun olmayan çok niş ve kırılgan olacaktır.”
Bu tür bilgi hazinesi sadece yıllardır milyarlarca kullanıcının verilerini toplayan Facebook ve Google gibi büyük şirketlere aittir. Küçük şirketler, eğitim verilerini elde etmek veya oluşturmak için büyük miktarlarda ödeme yapmak zorundadır ve bu da uygulamalarının başlatılmasını geciktirmektedir. Alternatif, yine de başlatmak ve AI eğitimlerini insan eğitmenleri ve canlı müşteri verilerini kullanarak anında eğitmeye başlamak ve sonunda AI'nın insanlara daha az bağımlı hale gelmesini ummaktır.
Örneğin, e-postaları yönetmek için uygulamalar geliştiren California merkezli bir şirket olan Edison Software, çalışanlarına, algoritmayı eğitmek için yeterli verilere sahip olmadıkları için, "akıllı bir yanıt" özelliği geliştirmek için müşterilerinin e-postalarını okudu. CEO Wall Street Journal'a söyledi. Akıllı cevaplar oluşturmak geniş ve zorlu bir iştir. Milyarlarca kullanıcının e-postalarına erişimi olan Google bile çok dar durumlar için akıllıca yanıtlar veriyor.
Ancak, AI'yı canlı kullanıcı verileriyle eğitmek için insanları kullanmak küçük şirketlerle sınırlı değildir.
2015 yılında Facebook, farklı konuşma nüanslarını anlayabilen ve cevaplayabilen ve birçok görevi yerine getirebilen bir AI chatbot M'yi başlattı. Facebook, M’yi California’daki sınırlı sayıda kullanıcı için kullanılabilir hale getirdi ve AI’nın performansını izleyen ve bir kullanıcı isteğini anlayamadığında düzeltmek için müdahale edecek bir insan operatör personeli oluşturdu. Asıl plan, insan operatörlere asistana daha önce görmediği son olaylara cevap vermesini öğretmek için yardımcı olmaktı. Zamanla, M, insanların yardımı olmadan çalışabilirdi.
Başarısız Bir Hedef?
AI'larını tamamen otomatik hale getirmek için Edison Yazılımı, X.ai ve diğer insan kaynakları sistemlerini piyasaya süren şirketlerin ne kadar süreceği belli değil. Mevcut AI eğilimlerinin daha geniş alanlara girme noktasına ulaşıp ulaşamayacağına da şüphe var.
2018’de Facebook, M’yi her biri resmi olarak dağıtmadan kapattı. Şirket detayları paylaşmadı, ancak geniş konuşmalar yapabilen bir sohbet yaratmanın çok zor olduğu açık. Ve M'nin Facebook'un iki milyar kullanıcısı için, her türlü konuşmaya otomatik olarak cevap verebilmesi için tümüyle kullanılabilir olmasını sağlamak, sosyal medya devinin, M'nin boşluklarını doldurması için çok büyük bir insan personeli işe almasını gerektirecekti.
DeepGrammar'dan Mugan, başkalarının genel AI olarak sınıflandırdıklarını, ortak akıl yürütme muhakemesini çözebilecek AI yaratabileceğimize inanıyor. Ama yakında bir daha olmayacak. Mugan, “Şu anda ufukta, bilgisayarın küçük bir çocuğun ne bildiğini anlamasını sağlayacak hiçbir yöntem yok” diyor. "Bu temel anlayış olmadan, bilgisayarlar zamanın yüzde 100'ünde pek çok işi yapamayacak."
Bunu perspektife koymak için, OpenAI uzmanları kısa süre önce nesneleri idare edebilecek robotik bir el olan Dactyl'i geliştirdiler. Bu, herhangi bir insan çocuğunun bilinçaltında erken yaşta gerçekleştirmeyi öğrendiği bir görevdir. Ancak aynı becerileri geliştirmek için Dactyl 6.144 CPU ve 8 GPU ve yaklaşık yüz yıllık deneyime sahipti. Büyüleyici bir başarı olmasına rağmen, aynı zamanda dar AI ile insan beyninin çalışma şekli arasındaki keskin farkları da vurgulamaktadır.
Marsh, "Yapay Genel İstihbarat'a sahip olmaktan çok uzun bir yoldayız ve büyük olasılıkla AGI, çok çeşitli dar veya uygulamaya özel AI'ların kombinasyonu ve koordinasyonu olacak, " diyor. “Şu anda AI'nın yeteneklerini aşırı yazma eğilimi olduğunu düşünüyorum, ancak ilk adımların atılmasında ve geleneksel Makine Öğrenimi modellerinin uygulanmasında muazzam değer olduğunu düşünüyorum.”
Başka bir AI Kış Looming mi?
1984 yılında, Amerikan Yapay Zeka Derneği (daha sonra Yapay Zeka Gelişimi Derneği olarak yeniden adlandırıldı) iş dünyasını AI'yı çevreleyen hype ve coşkunun sonunda hayal kırıklığına neden olacağı konusunda uyardı. Kısa bir süre sonra AI'ya yatırım ve ilgi çöktü ve “AI kış” olarak bilinen bir döneme yol açtı.
2010'ların başından bu yana, alana olan ilgi ve yatırım yeniden artmaktadır. Bazı uzmanlar AI başvuruları beklentileri karşılamıyorsa ve beklentileri karşılayamazsa, başka bir AI kışının olacağından korkuyor. Ancak, AI'nın zaten adımlarını takip etmek için yaşamlarımıza çok fazla entegre olduğuna inanmak için konuştuğumuz uzmanlar.
Mugan, “Daha önce olduğu gibi bir AI kışı tehlikesi altında olduğumuzu sanmıyorum, çünkü AI şimdi sadece varsayımsal bir değer değil, gerçek değer veriyor” diyor. “Ancak, genel halka kamuya bilgisayarların insanlar gibi akıllı olduğunu söylemeye devam edersek, ters tepme riskiyle karşı karşıyayız. Algılama için derin öğrenmeyi kullanmaya geri dönmeyiz, ancak 'AI' terimi mahk couldm edilebilir ve "başka bir şey aramak zorunda kalacaktı."
Kesin olan şey şu ki, en azından bizden önce bir hayal kırıklığı çağı duruyor. Mevcut AI karışımlarına farklı alanlarda ne ölçüde güvenebileceğimizi öğrenmek üzereyiz.
“Görmeyi beklediğim şey, bazı şirketlerin daha önce manuel ve pahalı bir hizmet için bir AI'yı ne kadar çabuk sunabildiklerinden hoş bir şekilde şaşırdıklarını ve diğer şirketlerin de olması için yeterli veri toplamayı beklediklerinden daha uzun sürdüğünü anlamalarıdır. mali açıdan uygulanabilir, "diyor Kindred.ai 'nin kurucu başkanı ve araştırma başkanı James Bergstra. “İkincisinin çok fazlası varsa ve birincisinin yeteri kadarı yoksa, yatırımcılar arasında bir AI kışı tetikleyebilir.”
- Yapay Zeka Önyargı Sorunu Var ve Bu Bizim Hatamız Yapay Zeka Önyargı Sorunu Var ve Bu Bizim Bizim Hatamız
- Oyun Oynamak için AI Öğretmenin Neden Önemlidir Oyun Oynamak için AI Öğretmenin Neden Önemli
- AI, Büyük Potansiyel Sunuyor, Ama Bir Gecede Olmayacak
Geospock'un Marsh'ı, finansmanın azalmayacak olmasına rağmen, dinamiklerinde bazı düzenlemeler olacağını öngörüyor. Yatırımcılar gerçek uzmanlığın nadir olduğunu ve yalnızca modelleri eğitmek için verilere erişimi olanların sektörde farklılık yaratacağını fark ettiklerinde, pazarda büyük bir konsolidasyon olacak ve daha az sayıda girişim finanse edilecek.
Marsh, “Niş pazar uygulaması veya çok fazla miktarda veri içermeyen birçok AI girişimi için: kış geliyor” diyor.
