Nul
Der er et sted mellem dagens machine learning teknologi og nogle af de kommende “AI”, som er uklart og vanskeligt og konfliktfyldt.
I denne strid, IBM forsøger at indsætte sig selv som en røst af kompetence og erfaring.
På det prestigefyldte NeurIPS machine learning-konferencen i Montreal i denne uge, IBM kontaktpersoner, John Smith, leder af AI teknologi hos IBM, og Kush Varshney, en principal research scientist med IBM Research, var at gøre det tilfælde, at virksomheden har en rolle i, hvordan en stadig meget “skørt” machine learning feltet kan være mere pålidelige og “troværdig”, afhængigt af, hvad man mener med det udtryk.
Også: Der er ikke én rolle for AI eller data videnskab: dette er en holdindsats
“Det handler om at flytte fra den smalle AI, hvor alle af det er virkelig kraftfulde teknologi har været meget præcise, men inden for et begrænset område af anvendelsen, og som gør det noget bredere, noget mindre skør og noget kan forklares,” Smith sagde til ZDNet.
IBM ‘ s stand på dette års NeurIPS machine learning-konferencen i Montreal. Virksomheden søgte at formidle en række projekter, der bevæger sig ud over “smalle AI,” som selskabets forskere henvise til meget af området. (Billede: Tiernan Ray til ZDNet)
Måske ikke “Kunstig Generel Intelligens,” siger Smith, men noget, der ligger mellem det Hellige Gral af AI, og i dag er den faktiske implementering af neurale netværk.
Nogle af de, der indebærer særlig oprindelige tekniske landvindinger, som IBM-forskere vil diskutere i denne uge. For eksempel, Lazaros C. Polymenakos, er at præsentere papiret Viden Funderet End-to-End Dialog, som bygger på tidligere arbejde inden for sætning embeddings i naturligt sprog. Den forsøger at give en større forståelse for machine learning modeller ved at behandle de enkelte enheder i naturlige sprog udtalelser som at have deres egen plads i hukommelsen.
Og så er der arbejde, der udvider sig ud fra de tekniske tilgange til opfattelsen af, hvordan man definerer problemet i machine learning til at begynde med. Et eksempel er Projektet Debattør, et edb-system, der engagerer folk i en frem-og-tilbage dialog.
“Vi fik på dette punkt, for hvordan kan en computer sammensætter argumenter,” siger Smith. “Debattør handler om, hvordan computeren kommet op med disse problemer i første omgang, hvordan den computer, gå ud og gøre alle sine lektier?”
“Det interessante ting om Debattør er, er det ikke bare at læse, men at lytte,” siger Smith. “At lytte til, hvordan er folk, der siger ting, det er at lytte og forstå.”
Selv om Smith beskriver Debattør som “ganske tidligt grundlæggende arbejde” — der er en række af offentliggjort forskning bag den indsats, udgivet af IBM i en stor samling — det er ikke et eksempel, hvor IBM er at skabe teknologi fra bunden. “Vi bygger på naturligt sprog forarbejdning værktøjer her,” forklarer han.
“Hvis du er på udkig efter et enkelt, end-to-end-modellen, er det ikke det, det er hele NLP pipeline, og at gøre alt dette arbejde i denne situation, og etablering af en baseline.”
Smith, igen og igen spørgsmålet om AI kommer tilbage til at definere et problem. “Du kan komme op med en god idé” fra et teknologisk synspunkt, “men så har ingen data, eller ikke har noget at gøre med de data, der er interessante.”
IBM-ledere John Smith, venstre, leder af AI teknologi hos IBM, og Kush Varshney, en principal research scientist med IBM Research, gøre det tilfælde, at virksomheden har en rolle i, hvordan en stadig meget “skørt” machine learning feltet kan være mere pålidelige og “troværdig”, afhængigt af, hvad man mener med denne sætning (Billede: Tiernan Ray til ZDNet)
IBM har selektivt plukket i områder, hvor den mener, det kan hjælpe, såsom tilfælde af bias, for eksempel. På IBM ‘ s stand på messen, selskabet vises skærme, der beskriver indsats som en udforskning af forudsigelser af tilbagefald blandt forbrydere i USA.
Analysefirmaet ProPublica havde lavet en undersøgelse, i 2016, af forudsigelser af tilbagefald til kriminalitet, der blev udført ved hjælp af egen algoritme, “COMPAS,” solgt til retshåndhævelsen ved det firma, der hedder Northpointe. ProPublica ‘ s undersøgelse havde fundet, at de Afrikanske Amerikanere, for eksempel, blev forudsagt af den algoritme til at have højere priser for tilbagefald end andre dele af befolkningen, der var faktisk ikke understøttes af historiske tilbagefald data — en instans af race bias.
Varshney gestikulerede til resultater på den skærm, der viste, at IBM kunne revidere sådanne data til at komme med forudsigelser, der var meget præcise, men heller ikke har høj bias. Hvorfor dette er svært, og hvorfor det er omfattet af IBM ‘ s teknologi, siger han. “Det er vanskeligt, er den indbyrdes afhængighed mellem de statistiske elementer” siger Varshney. “Du er nødt til at gå igennem, og finde alle de måder, som der er afhængigheder, der driver der forårsager bias selv, hvis du udtrykkeligt har fjernet disse variabler af race, køn, etc., eller udtrykkeligt er kompenseret til dem.” (Mere om den indsats, i den oprindelige blog-indlæg om sagen.)
Ud over sådanne isolerede forekomster, Varshney siger, at et stigende problem, som han og andre vil tage fat på, er spørgsmålet om, hvad der gør statistikker pålidelig. Machine learning er en anvendelse af statistik, og uanset om det er smalt eller bredt, der er stadig det helt grundlæggende spørgsmål om, hvor godt statistikker kan benyttes til at drage slutninger om populationer og adfærd og hændelser i fremtiden.
Et andet eksempel på at sætte tingene i praksis er arbejdet med Memorial Sloan Kettering Cancer Center til at analysere kræft patient data og anbefale behandlingsmetoder. Teknologien har modtaget nogle kritiske vurderinger i pressen. For eksempel sidste år, The Boston Globe ‘ s dybdeborende forskning datterselskab, STAT, rapporterede, at dets undersøgelser fandt, at “Watson Onkologi” indsats var faldet langt fra op til forventningerne.
Skal læse
IBM skaber AI til at ødelægge mennesker… i debatten (CNET), Hvor IBM Watson revolutionerer 10 brancher (TechRepublic)
Varshney er optimistisk, siger, at “forhåbentlig vil vi få det ind i klinikken snart.” Tanken om en AI-assisteret læge er en årtier gammel drøm, han er klar, men “først skal vi nødt til at få den nøjagtighed, der kræves, – det kommer tilbage til at stole AI.”
Sådanne eksempler på partnerskab kommer tilbage til Smith ‘ s større punkt for at definere problemet.
“Det er en samtale, vi har al den tid med emnet er eksperter, når vi taler til hinanden, der er, når ideer opstår.”
Han bemærker, at IBM har over 400.000 medarbejdere “i alle brancher … vi får en masse problemer fra den virkelige verden, der kommer tilbage til os.”
Tidligere og relaterede dækning:
Hvad er AI? Alt, hvad du behøver at vide
En executive guide til kunstig intelligens, fra machine learning og generelt AI til neurale netværk.
Hvad er dyb læring? Alt, hvad du behøver at vide
Den lowdown på en dyb læring: fra hvordan det relaterer til det bredere felt af machine learning igennem til, hvordan du kommer i gang med det.
Hvad er machine learning? Alt, hvad du behøver at vide
Denne vejledning forklarer, hvad machine learning er, hvordan det er relateret til kunstig intelligens, hvordan det fungerer, og hvorfor det er vigtigt.
Hvad er cloud computing? Alt, hvad du behøver at vide om
En introduktion til cloud computing-lige fra det grundlæggende op til IaaS og PaaS, hybrid, offentlige og private cloud.
Relaterede Emner:
Big Data Analytics
Digital Transformation
CXO
Tingenes Internet
Innovation
Virksomhedens Software
0