Indhold
Q:
Hvordan prøver virksomheder at tilføje et "speedometer" til kunstigt intelligensarbejde?
EN:
Nogle af de virksomheder, der arbejder med de nyeste fremskridt inden for kunstig intelligens, bliver fokuseret på at kvantificere de fremskridt, de har opnået, og benchmarking nogle aspekter af, hvordan kunstig intelligens har udviklet sig over tid. Der er adskillige grunde til, at virksomheder forfølger disse typer analyser. Generelt forsøger de at finde ud af, hvor langt kunstig intelligens er kommet, hvordan det gælder vores liv og hvordan det vil påvirke markederne.
Nogle virksomheder brainstormer og overvåger deres fremskridt med kunstig intelligens for at finde ud af, hvordan nye teknologier kan påvirke borgerlige frihedsrettigheder, eller hvordan de kan skabe nye økonomiske realiteter. Afhængig af virksomhedens tilgang kan disse typer analyser have form af at forsøge at finde ud af, hvordan brugerdata kan flyde gennem systemer, forstå, hvordan grænseflader vil fungere, eller finde ud af, hvilke egenskaber kunstig intelligensenheder har, og hvordan de kan bruge disse muligheder.
Når det kommer til metoder, kan virksomheder, der forsøger at sammenligne kunstig intelligens, fokusere på at nedbryde abstrakt information - for eksempel citerer en Wired-artikel AI Index-projektet, hvor forskere som Ray Perrault, der arbejder på nonprofit-lab SRI International, arbejder på et detaljeret snapshot af hvad der foregår inden for kunstig intelligens.
”Dette er noget, der skal gøres, delvis fordi der er så meget galskab derude om, hvor AI skal hen,” siger Perrault i artiklen og kommenterer motivationen for at påtage sig denne type projekt.
Når de forklarer, hvordan benchmarking af kunstig intelligens fungerer, forklarer nogle eksperter, at ingeniører eller andre parter muligvis forsøger at udføre "hård test" til kunstig intelligensprojekter, for eksempel ved at "narre" eller "besejre" kunstig intelligenssystemer. Denne type beskrivelse er virkelig kernen i, hvordan virksomheder virkelig kan overvåge og evaluere kunstig intelligens. En måde at tænke over dette på er at anvende de samme slags ideer, som programmører brugte i fortiden til at fejlsøge lineære kodesystemer.
Fejlsøgning af lineære kodesystemer handlede om at finde de steder, hvor systemet ville fungere godt - hvor et program ville gå ned, hvor det ville fryse, hvor det ville køre langsomt osv. Det handlede om at finde, hvor logiske fejl ville stoppe eller forvirre et projekt, hvor en funktion ikke ville fungere korrekt, eller hvor der muligvis er en utilsigtet brugerhændelse.
Når du tænker over det, kan moderne test af kunstig intelligens være en lignende bestræbelse på et meget andet plan - fordi kunstig intelligens teknologier er mere kognitive end lineære, at testning tager en meget anden form, men mennesker er stadig på udkig efter "bugs ”- måder, hvorpå disse programmer kan have utilsigtede konsekvenser, måder, de kan udføre og skade menneskelige institutioner osv. Med det i tankerne, selvom der er mange forskellige divergerende metoder til at skabe et speedometer eller benchmark for fremskridt med kunstig intelligens, er hård test beskrevet ovenfor vil generelt give mennesker unik indsigt i, hvor langt kunstig intelligens er kommet, og hvad der skal gøres for at holde det med at give flere positive resultater uden at udvikle flere negativer.