Artificiell intelligens är bara ett verktyg, men vilket verktyg är det. Det kan vara att lyfta vår värld till en tid av upplysning och produktivitet, eller kasta oss i en mörk grop. För att uppnå det förstnämnda, och inte det senare, måste det hanteras med stor omsorg och omtanke. Det är här teknikledare och utövare måste ta steget och hjälpa till att bana väg, uppmuntra användningen av AI för att öka och förstärka mänsklig förmåga.
Foto : Joe McKendrick
Det är några av observationerna från Stanford Universitys nyligen släppta rapport, nästa del av sin hundraåriga studie om artificiell intelligens, en extremt långsiktig strävan att spåra och övervaka AI under utvecklingen under det kommande århundradet. Rapporten, som lanserades första gången 2016, utarbetades av en ständig kommitté som består av en panel med 17 experter och uppmanar AI att användas som ett verktyg för att öka och förstärka mänskliga färdigheter. “Alla intressenter måste vara delaktiga i utformningen av AI-assistenter för att producera ett mänskligt-AI-team som överträffar ensam. Mänskliga användare måste förstå AI-systemet och dess begränsningar för att lita på och använda det på lämpligt sätt, och AI-systemdesigners måste förstå sammanhanget där systemet kommer att användas. “
AI har den största potentialen när det förstärker mänsklig förmåga, och det är här det kan vara mest produktivt, hävdar rapportens författare. “Oavsett om det är att hitta mönster i kemiska interaktioner som leder till en ny läkemedelsupptäckt eller att hjälpa offentliga försvarare att hitta de lämpligaste strategierna att följa, det finns många sätt på vilka AI kan öka människors möjligheter. Ett AI -system kan vara bättre på att syntetisera tillgängliga data och fatta beslut i välkarakteriserade delar av ett problem, medan en människa kan vara bättre på att förstå konsekvenserna av data -säg om saknade datafält faktiskt är en signal för viktig, omätad information för någon undergrupp som representeras i data – -arbeta med svårt att helt kvantifiera mål och identifiera kreativa handlingar utöver vad AI kan programmeras att överväga. ”
Fullständig autonomi “är inte det slutliga målet för AI-system”, säger medförfattarna. Det måste finnas “tydliga kommunikationslinjer mellan mänskliga och automatiserade beslutsfattare. I slutet av dagen kommer fältets framgång att mätas utifrån hur det har gett alla människor makt, inte genom hur effektivt maskiner devalverar själva människorna vi är försöker hjälpa. ”
Rapporten undersöker viktiga områden där AI utvecklas och gör skillnad i arbete och liv:
Upptäckt: “Ny utveckling inom tolkningsbar AI och visualisering av AI gör det mycket lättare för människor att inspektera AI -program djupare och använda dem för att uttryckligen organisera information på ett sätt som underlättar för en mänsklig expert att sätta ihop bitarna och dra insikter”, konstaterar rapporten .
Beslutsfattande: AI hjälper till att sammanfatta data som är för komplexa för att en person lätt ska kunna ta till sig. “Sammanfattning används eller övervägs nu aktivt inom områden där stora mängder text måste läsas och analyseras – oavsett om det följer nyhetsmedier, gör finansiell forskning, genomför sökmotoroptimering eller analyserar kontrakt, patent eller juridiska dokument. Nascent framsteg i mycket realistisk (men för närvarande inte tillförlitlig eller korrekt) textgenerering, till exempel GPT-3, kan också göra dessa interaktioner mer naturliga. ”
AI som assistent: “Vi börjar redan se AI -program som kan bearbeta och översätta text från ett fotografi, så att resenärer kan läsa skyltar och menyer. Förbättrade översättningsverktyg kommer att underlätta mänsklig interaktion mellan kulturer. Projekt som en gång krävde en person att ha högspecialiserad kunskap eller rikligt tid kan bli tillgänglig för fler människor genom att låta dem söka efter uppgift och kontextspecifik expertis. ”
Språkbehandling: Språkbehandlingstekniska framsteg har stötts av språkliga modeller för neurala nätverk, inklusive ELMo, GPT, mT5 och BERT, som “lär sig hur ord används i sammanhang -inklusive element i grammatik, mening och grundläggande fakta om världen – från att sikta igenom mönstren i naturligt förekommande text. Dessa modellers anläggning med språk stöder redan applikationer som maskinoversättning, textklassificering, taligenkänning, skrivhjälpmedel och chatbots. Framtida applikationer kan inkludera förbättring av människa-AI-interaktioner på olika språk och situationer. ”
Datorsyn och bildbehandling: “Många bildbehandlingsmetoder använder djupinlärning för igenkänning, klassificering, konvertering och andra uppgifter. Träningstiden för bildbehandling har minskat avsevärt. Program som körs på ImageNet, en massiv standardiserad samling av över 14 miljoner fotografier som används för att träna och testa visuella identifieringsprogram, slutför sitt arbete 100 gånger snabbare än för bara tre år sedan. ” Rapportförfattarna varnar dock för att sådan teknik kan utsättas för missbruk.
Robotik: “De senaste fem åren har vi sett konsekventa framsteg inom intelligent robotik som drivs av maskininlärning, kraftfulla dator- och kommunikationsmöjligheter och ökad tillgänglighet för sofistikerade sensorsystem. Även om dessa system inte fullt ut kan dra nytta av alla framsteg inom AI, främst pga. till miljöns fysiska begränsningar, är nu mycket smidiga och dynamiska robotsystem tillgängliga för hemmabruk och industriell användning. ”
Rörlighet: “De optimistiska förutsägelserna från fem år sedan om snabba framsteg inom helt autonom körning har inte lyckats förverkligas. Orsakerna kan vara komplicerade, men behovet av exceptionella säkerhetsnivåer i komplexa fysiska miljöer gör problemet mer utmanande och dyrare att lösa än förväntat. Utformningen av självkörande bilar kräver integration av en rad olika tekniker, inklusive sensorfusion, AI-planering och beslutsfattande, förutsägelse av fordonsdynamik, omdirigering direkt, kommunikation mellan fordon och mer. ”
Rekommendationssystem: AI -tekniken som driver rekommendatorsystem har förändrats avsevärt under de senaste fem åren, står det i rapporten. “Ett skifte är det nästan universella införandet av djupa neurala nätverk för att bättre förutsäga användarens svar på rekommendationer. Det har också ökat användningen av sofistikerade maskininlärningstekniker för att analysera innehållet i rekommenderade objekt, snarare än att bara använda metadata och användarklick eller konsumtionsbeteende. ”
Rapportförfattarna varnar för att “användningen av allt mer sofistikerade maskininlärda modeller för att rekommendera produkter, tjänster och innehåll har väckt betydande oro kring frågor om rättvisa, mångfald, polarisering och uppkomsten av filterbubblor, där rekommendatören systemet föreslår. Även om dessa problem kräver mer än bara tekniska lösningar, ägnas allt större uppmärksamhet åt teknik som åtminstone delvis kan hantera sådana problem. ”
Relaterade ämnen:
Big Data Analytics Digital Transformation CXO Internet of Things Innovation Enterprise Software 