Kunstig intelligens er bare et verktøy, men hvilket verktøy det er. Det kan være å heve verden vår inn i en tid med opplysning og produktivitet, eller kaste oss ned i en mørk grop. For å hjelpe til med å oppnå førstnevnte, og ikke sistnevnte, må den håndteres med stor forsiktighet og omtanke. Det er her teknologiledere og utøvere må gå opp og hjelpe til med å bane vei, og oppmuntre til bruk av AI for å forsterke og forsterke menneskelige evner.
Photo : Joe McKendrick
Dette er noen av observasjonene hentet fra Stanford Universitys nylig utgitte rapport, den neste delen av sin hundreårige studie om kunstig intelligens, en ekstremt langsiktig innsats for å spore og overvåke AI etter hvert som det utvikler seg i løpet av det kommende århundret. Rapporten, som først ble lansert i 2016, ble utarbeidet av en stående komité som består av et panel på 17 eksperter, og oppfordrer til at AI brukes som et verktøy for å forsterke og forsterke menneskelige ferdigheter. “Alle interessenter må være involvert i utformingen av AI-assistenter for å produsere et menneskelig-AI-team som utkonkurrerer enten alene. Menneskelige brukere må forstå AI-systemet og dets begrensninger for å stole på og bruke det på riktig måte, og AI-systemdesignere må forstå konteksten der systemet skal brukes. “
AI har det største potensialet når det forsterker menneskelige evner, og det er her det kan være mest produktivt, hevder rapportens forfattere. “Enten det er å finne mønstre i kjemiske interaksjoner som fører til et nytt stoffoppdagelse eller hjelpe offentlige forsvarere med å identifisere de mest passende strategiene å følge, det er mange måter AI kan øke menneskers evner på. Et AI -system kan være bedre til å syntetisere tilgjengelige data og ta beslutninger i godt karakteriserte deler av et problem, mens et menneske kan være flinkere til å forstå implikasjonene av dataene -si hvis manglende datafelt faktisk er et signal for viktig, umålt informasjon for noen undergrupper representert i dataene – -å jobbe med mål som er vanskelig å fullstendig kvantifisere, og identifisere kreative handlinger utover det AI kan programmeres til å vurdere. ”
Fullstendig autonomi “er ikke det endelige målet for AI-systemer,” sier medforfatterne. Det må være “klare kommunikasjonslinjer mellom menneskelige og automatiserte beslutningstakere. På slutten av dagen vil feltets suksess måles ut fra hvordan det har gitt alle mennesker makt, ikke av hvor effektivt maskiner devaluerer selve menneskene vi er. prøver å hjelpe. ”
Rapporten undersøker viktige områder der AI utvikler seg og gjør en forskjell i arbeid og liv:
Discovery: “Ny utvikling i tolkbar AI og visualisering av AI gjør det mye lettere for mennesker å inspisere AI -programmer dypere og bruke dem til å eksplisitt organisere informasjon på en måte som gjør det mulig for en menneskelig ekspert å sette brikkene sammen og trekke innsikt,” sier rapporten .
Beslutning: AI hjelper til med å oppsummere data som er for komplekse til at en person lett kan absorbere. “Oppsummering blir nå brukt eller aktivt vurdert på felt der store mengder tekst må leses og analyseres – enten det er å følge nyhetsmedier, gjøre finansiell forskning, utføre søkemotoroptimalisering eller analysere kontrakter, patenter eller juridiske dokumenter. Nascent fremskritt i svært realistisk (men foreløpig ikke pålitelig eller nøyaktig) tekstgenerering, for eksempel GPT-3, kan også gjøre disse interaksjonene mer naturlige. ”
AI som assistent: “Vi begynner allerede å se AI -programmer som kan behandle og oversette tekst fra et fotografi, slik at reisende kan lese skilting og menyer. Forbedrede oversettelsesverktøy vil lette menneskelig interaksjon på tvers av kulturer. Prosjekter som en gang krevde en person å ha spesialisert kunnskap eller rikelig tid kan bli tilgjengelig for flere mennesker ved å la dem søke etter oppgave og kontekstspesifikk ekspertise. ”
Språkbehandling: Språkbehandlingsteknologiske fremskritt har blitt støttet av nevrale nettverksspråklige modeller, inkludert ELMo, GPT, mT5 og BERT, som “lærer om hvordan ord brukes i kontekst -inkludert elementer av grammatikk, mening og grunnleggende fakta om verden – fra å sile gjennom mønstrene i naturlig forekommende tekst. Disse modellers anlegg med språk støtter allerede applikasjoner som maskinoversettelse, tekstklassifisering, talegjenkjenning, skrivehjelpemidler og chatbots. Fremtidige applikasjoner kan omfatte forbedring av menneskelig-AI-interaksjon på tvers av forskjellige språk og situasjoner. ”
Datasyn og bildebehandling: “Mange bildebehandlingsmetoder bruker dyp læring for gjenkjenning, klassifisering, konvertering og andre oppgaver. Treningstiden for bildebehandling har blitt vesentlig redusert. Programmer som kjører på ImageNet, en massiv standardisert samling på over 14 millioner fotografier som brukes til å trene og teste visuelle identifikasjonsprogrammer, fullfører arbeidet 100 ganger raskere enn for bare tre år siden. ” Rapportforfatterne advarer imidlertid om at slik teknologi kan bli utsatt for misbruk.
Robotikk: “De siste fem årene har det vært konsekvent fremgang innen intelligent robotikk drevet av maskinlæring, kraftige databehandling og kommunikasjonsevner og økt tilgjengelighet av sofistikerte sensorsystemer. Selv om disse systemene ikke fullt ut er i stand til å dra nytte av alle fremskritt innen AI, først og fremst pga. i forhold til de fysiske begrensningene i miljøene, er nå svært smidige og dynamiske robotsystemer tilgjengelig for hjemmebruk og industriell bruk. ”
Mobilitet: “De optimistiske spådommene fra fem år siden om rask fremgang i fullstendig autonom kjøring har ikke realisert seg. Årsakene kan være kompliserte, men behovet for eksepsjonelle sikkerhetsnivåer i komplekse fysiske miljøer gjør problemet mer utfordrende og dyrere å løse enn det var forventet. Utformingen av selvkjørende biler krever integrering av en rekke teknologier, inkludert sensorfusjon, AI-planlegging og beslutningstaking, forutsigelse av kjøretøydynamikk, omdirigering i luften, kommunikasjon mellom kjøretøyer og mer. ”
Anbefalersystemer: AI -teknologiene som driver anbefalingssystemer har endret seg betydelig de siste fem årene, heter det i rapporten. “Et skifte er den nesten universelle innlemmelsen av dype nevrale nettverk for bedre å forutsi brukersvar på anbefalinger. Det har også blitt økt bruk av sofistikerte maskinlæringsteknikker for å analysere innholdet i anbefalte elementer, i stedet for bare å bruke metadata og brukerklikk eller forbruksatferd. ”
Rapportforfatterne advarer om at “bruk av stadig mer sofistikerte maskinlærte modeller for å anbefale produkter, tjenester og innhold har skapt betydelige bekymringer om spørsmålene om rettferdighet, mangfold, polarisering og fremveksten av filterbobler, der anbefaleren foreslår systemet. Selv om disse problemene krever mer enn bare tekniske løsninger, blir det lagt større vekt på teknologier som i det minste delvis kan løse slike problemer. ”
Relaterte emner:
Big Data Analytics Digital Transformation CXO Internet of Things Innovation Enterprise Software 