Ključni izsledki
- Raziskovalci so ustvarili tehnike, ki uporabnikom omogočajo razvrščanje rezultatov vedenja modela strojnega učenja.
- Strokovnjaki pravijo, da metoda kaže, da stroji dohitevajo človeške miselne sposobnosti.
- Napredek v umetni inteligenci bi lahko pospešil razvoj sposobnosti računalnikov za razumevanje jezika in spremenil način interakcije umetne inteligence in ljudi.
Nova tehnika, ki meri sposobnost razmišljanja umetne inteligence (AI), kaže, da stroji dohitevajo ljudi v njihovih sposobnostih razmišljanja, pravijo strokovnjaki.
Raziskovalci na MIT in IBM Research so ustvarili metodo, ki uporabniku omogoča rangiranje rezultatov vedenja modela strojnega učenja. Njihova tehnika, imenovana Shared Interest, vključuje meritve, ki primerjajo, kako dobro se modelovo razmišljanje ujema z razmišljanjem ljudi.
"Danes je umetna inteligenca sposobna doseči (in v nekaterih primerih preseči) človeško zmogljivost pri določenih nalogah, vključno s prepoznavanjem slik in razumevanjem jezika," Pieter Buteneers, direktor inženiringa na področju strojnega učenja in umetne inteligence pri komunikacijah družbe Sinch, je povedal Lifewire v intervjuju po elektronski pošti. "Z obdelavo naravnega jezika (NLP) lahko sistemi umetne inteligence razlagajo, pišejo in govorijo jezike tako dobro kot ljudje, umetna inteligenca pa lahko celo prilagodi svoje narečje in ton, da se uskladi s svojimi človeškimi vrstniki."
Umetna pamet
AI pogosto daje rezultate brez pojasnila, zakaj so te odločitve pravilne. Orodja, ki strokovnjakom pomagajo razumeti razmišljanje modela, pogosto zagotavljajo samo vpoglede, le en primer naenkrat. AI se običajno usposablja z uporabo milijonov vnosov podatkov, zaradi česar človek težko oceni dovolj odločitev za prepoznavanje vzorcev.
V nedavnem prispevku so raziskovalci povedali, da lahko skupni interes pomaga uporabniku odkriti trende pri odločanju modela. In ti vpogledi bi lahko uporabniku omogočili, da se odloči, ali je model pripravljen za uvedbo.
»Pri razvoju skupnega interesa je naš cilj povečati ta proces analize, tako da boste lahko na bolj globalni ravni razumeli, kakšno je vedenje vašega modela,« Angie Boggust, soavtorica prispevka, je zapisano v sporočilu za javnost.
Shared Interest uporablja tehniko, ki prikazuje, kako je model strojnega učenja sprejel določeno odločitev, znano kot metode opaznosti. Če model razvršča slike, metode opaznosti poudarjajo področja slike, ki so pomembna za model, ko se odloča. Shared Interest deluje tako, da primerja metode opaznosti z opombami, ki jih ustvari človek.
Raziskovalci so uporabili Shared Interest, da bi dermatologu pomagali ugotoviti, ali naj zaupa modelu strojnega učenja, zasnovanemu za pomoč pri diagnosticiranju raka na podlagi fotografij kožnih lezij. Skupni interes je dermatologu omogočil hiter ogled primerov pravilnih in nepravilnih napovedi modela. Dermatolog se je odločil, da modelu ne more zaupati, ker je dal preveč napovedi, ki temeljijo na slikovnih artefaktih in ne na dejanskih lezijah.
»Vrednost tukaj je, da lahko z uporabo skupnega interesa vidimo, da se ti vzorci pojavljajo v vedenju našega modela. V približno pol ure se je dermatolog lahko odločil, ali naj zaupa modelu in ali ga bo uporabil ali ne,« je dejal Boggust.
Razlog za odločitev modela je pomemben tako za raziskovalca strojnega učenja kot za odločevalca.
Merjenje napredka
Delo raziskovalcev MIT bi lahko pomenilo pomemben korak naprej pri napredku umetne inteligence k inteligenci na človeški ravni, je povedal Ben Hagag, vodja raziskav v podjetju Darrow, ki uporablja algoritme strojnega učenja, v intervjuju za Lifewire po elektronski pošti..
»Razlog za odločitev modela je pomemben tako za raziskovalca strojnega učenja kot za odločevalca,« je dejal Hagag. "Prvi želi razumeti, kako dober je model in kako ga je mogoče izboljšati, medtem ko želi drugi razviti občutek zaupanja v model, zato mora razumeti, zakaj je bil ta rezultat napovedan."
Toda Hagag je opozoril, da raziskava MIT temelji na predpostavki, da razumemo ali lahko označimo človeško razumevanje ali človeško razmišljanje.
»Vendar obstaja možnost, da to morda ni točno, zato je potrebno več dela na razumevanju človeškega odločanja,« je dodal Hagag.
Napredek v umetni inteligenci bi lahko pospešil razvoj sposobnosti računalnikov za razumevanje jezika in spremenil način interakcije umetne inteligence in ljudi, je dejal Buteneers. Klepetalni roboti lahko razumejo na stotine jezikov hkrati, pomočniki z umetno inteligenco pa lahko skenirajo besedila in iščejo odgovore na vprašanja ali nepravilnosti.
»Nekateri algoritmi lahko celo prepoznajo, kdaj so sporočila goljufiva, kar lahko tako podjetjem kot potrošnikom pomaga pri izločevanju neželenih sporočil,« je dodal Buteneers.
Toda, je dejal Buteneers, umetna inteligenca še vedno naredi nekaj napak, ki jih ljudje nikoli. "Medtem ko nekatere skrbi, da bo umetna inteligenca nadomestila človeška delovna mesta, bomo v resnici vedno potrebovali ljudi, ki bodo delali skupaj z roboti umetne inteligence, da jih bodo obvladovali in preprečili te napake, hkrati pa ohranili človeško noto v poslu," je dodal.
