Sadržaj
P:
Kako tvrtke pokušavaju dodati "brzinomjer" u umjetnu inteligenciju?
A:
Neke tvrtke koje rade na najnovijem napretku umjetne inteligencije postaju usredotočene na kvantificiranje napretka koji su postigle i uspoređivanje nekih aspekata razvoja umjetne inteligencije s vremenom. Brojni su razlozi zbog kojih tvrtke provode ove vrste analiza. Općenito, oni pokušavaju dokučiti koliko je stigla umjetna inteligencija, kako se primjenjuje na naš život i kako će utjecati na tržište.
Neke tvrtke razmišljaju o mozgu i prate napredak svoje umjetne inteligencije kako bi otkrile kako nove tehnologije mogu utjecati na građanske slobode ili kako bi mogle stvoriti novu ekonomsku stvarnost. Ovisno o pristupu tvrtki, ove vrste analiza mogu imati oblik pokušaja otkrivanja načina na koji korisnici mogu prolaziti kroz sustave, razumijevanja kako će sučelja funkcionirati ili promišljanja koje sposobnosti entiteta umjetne inteligencije imaju i kako mogu koristiti te mogućnosti.
Kad je riječ o metodama, tvrtke koje pokušavaju usporediti umjetnu inteligenciju mogu se usredotočiti na razbijanje apstraktnih podataka - na primjer, Wired članak navodi projekt AI Index, gdje rade istraživači poput Ray Perrault, koji radi u neprofitnoj laboratoriji SRI International. na detaljnom snimku onoga što se događa u području umjetne inteligencije.
"To je nešto što treba učiniti, dijelom i zato što ima toliko ludila tamo gdje AI ide", kaže Perrault u članku, komentirajući motivaciju za pokretanjem ove vrste projekta.
Objašnjavajući kako djeluje usporedna analiza umjetne inteligencije, neki stručnjaci objašnjavaju da inženjeri ili druge stranke možda pokušavaju provesti „teško testiranje“ za projekte umjetne inteligencije, na primjer, pokušavajući „izigrati“ ili „poraziti“ sustave umjetne inteligencije. Ova vrsta opisa zaista ide u srcu načina na koji tvrtke mogu istinski nadgledati i procjenjivati umjetnu inteligenciju. Jedan od načina razmišljanja o tome je primjena istih vrsta ideja koje su programeri koristili u prošlim vremenima za uklanjanje pogrešaka u sustavima linearnih kodova.
Otklanjanje pogrešaka kodova linearnih kodova odnosilo se na pronalaženje mjesta na kojima će sustav dobro raditi - gdje bi se program rušio, gdje bi zamrznuo, gdje bi se usporio itd. Bilo je oko pronalaženja mjesta gdje će logičke pogreške zaustaviti ili zbuniti projekt, tamo gdje funkcija ne bi radila ispravno ili gdje bi mogao doći do nekog nenamjenskog korisničkog događaja.
Kad razmislite, moderno testiranje umjetne inteligencije može biti sličan poduhvat u vrlo različitoj ravnini - jer su tehnologije umjetne inteligencije kognitivne od linearnih, to testiranje poprima mnogo drugačiji oblik, ali ljudi i dalje traže „greške "- načine na koji ovi programi mogu imati nenamjerene posljedice, načine na koje mogu djelovati i naštetiti ljudskim institucijama itd. Imajući to na umu, iako postoje mnoge različite divergentne metode stvaranja brzinomjera ili mjerila za napredak umjetne inteligencije, vrste gore opisano tvrdo testiranje općenito će ljudima pružiti jedinstven uvid u to koliko daleko je stigla umjetna inteligencija i što je potrebno učiniti da postigne više pozitivnog stanja, a da pritom ne razvije više negativnih utjecaja.