Noll
Det finns en plats någonstans mellan dagens maskininlärning teknik och några framtida “AI” som är dunkla och svåra och konfliktfyllda.
I detta brott, IBM strävar efter att sätta sig som en röst av kompetens och erfarenhet.
På den prestigefyllda NeurIPS maskininlärning-konferensen i Montreal den här veckan, IBM befattningshavare John Smith, chef för AI-teknik på IBM, och Kush Varshney, en principal research scientist med IBM Research, var gör det fall att företaget har en roll i hur en fortfarande mycket “sprött” machine learning fält kan vara mer tillförlitliga och “trovärdig”, beroende på vad man menar med det uttrycket.
Också: Det finns ingen roll för AI eller data vetenskap: det här är ett lagarbete
“Det handlar om att gå från smal AI, där allt detta riktigt kraftfull teknik har varit mycket noggranna, men inom ett begränsat område av ansökan, och gör det till något större, något mindre sprött och något svårförklarligt,” Smith sa till ZDNet.
IBM: s monter på årets NeurIPS maskininlärning-konferensen i Montreal. Företaget försökte förmedla ett antal projekt som rör sig bortom den “smala AI,” som forskarna kallar för en stor del av området. (Bild: Tiernan Ray för ZDNet)
Kanske inte “Artificiell Generell Intelligens”, säger Smith, men något som ligger mellan den Heliga Graal av AI och dagens faktiska implementeringar av neurala nätverk.
Del av som medför särskilt ursprungliga tekniska landvinningar, som IBM forskare kommer att diskutera den här veckan. Till exempel, Lazaros C. Polymenakos, är att lägga fram de papper Kunskap Jordad End-to-End-Dialogen, som bygger på tidigare arbete inom området meningen embeddings i naturligt språk. Den försöker ge en större förståelse för maskininlärning modeller genom att behandla enskilda enheter i naturliga språk uttalanden som att ha en egen separat utrymme i minnet.
Och då är det arbete som breddar ut från tekniska lösningar till en föreställning av hur man definierar problemet i maskininlärning till att börja med. Ett exempel är Projektet Debattör, en dator som engagerar människor i en bak-och-fram dialog.
“Vi fick på denna punkt av hur kan en dator sätter ihop argument,” säger Smith. “Debattör handlar om hur datorn komma upp med dessa problem i första hand, hur datorn går ut och gör alla sina läxor?”
“Det intressanta med Debattör är, det är inte bara att läsa utan lyssna,” säger Smith. “Lyssna på hur folk säger saker, det är hörförståelse.”
Även om Smith beskriver Debattör som “ganska tidigt grundläggande arbete” – det är en rad av publicerad forskning bakom satsningen, postat av IBM i en stor samling-det är inte ett exempel, där IBM är att skapa teknik från början. “Vi bygger på naturligt språk som verktyg för behandling här, förklarar han.
“Om du letar efter ett enda, end-to-end modell, det är inte att det är hela NLP-ledningen, och att alla som arbetar i denna situation, och skapa en baslinje.”
Smith, igen och igen frågan om AI kommer tillbaka för att definiera ett problem. “Du kan komma upp med en bra idé” från en teknisk synvinkel, “men då har ingen data, eller inte har något att göra med den data som är intressant.”
IBM befattningshavare John Smith, vänster, chef för AI-teknik på IBM, och Kush Varshney, en principal research scientist med IBM Research, göra det fall att företaget har en roll i hur en fortfarande mycket “sprött” machine learning fält kan vara mer tillförlitliga och “trovärdig”, beroende på vad man menar med att fras (Bild: Tiernan Ray för ZDNet)
IBM har selektivt plockat områden där den anser att det kan hjälpa, till exempel fall av fördomar, till exempel. På IBM: s monter på mässan visade företaget skärmar som beskriver insatser som en utforskning av förutsägelser om risken för återfall bland brottslingar i USA.
Undersökningsföretaget ProPublica hade gjort en studie, 2016, för förutsägelser av återfall i brott som utfördes med hjälp av en egen algoritm, “COMPS”, som säljs till lag verkställighet av den firma som heter Northpointe. ProPublica studie hade funnit att Afro-Amerikaner, till exempel, var förutsedda av algoritmen att ha högre priser för återfall än andra medlemmar av befolkningen, som var faktiskt inte stöds av historiska återfall data — en instans av rasistiska fördomar.
Varshney pekade resultaten på displayen som visade IBM kunde se över sådana uppgifter att komma med förutsägelser som var mycket noggrann, men inte heller har hög bias. Varför detta är svårt, och varför det fördelar från IBM: s teknik, säger han. “Svårigheten är beroende mellan den statistiska element”, säger Varshney. “Du måste gå igenom och hitta alla de sätt som det finns beroenden som bedriver verksamhet som kan orsaka bias även om du har uttryckligen bort dessa variabler av ras, kön, etc., eller uttryckligen ersättning för dem.” (Mer om arbetet i de ursprungliga blogginlägg om saken.)
Utöver sådana isolerade incidenter, Varshney, säger en i ökande fråga han och andra kommer att ta itu med är att den övergripande frågan om vad som gör att statistiken är tillförlitlig. Maskininlärning är en tillämpning av statistik, och oavsett om det används för smalt eller brett, det är fortfarande den grundläggande frågan om hur väl statistiken kan användas för att dra slutsatser om befolkningen och beteende och framtida händelser.
Ett annat exempel av att sätta saker och ting i praktiken är ett arbete som bedrivs med Memorial Sloan Kettering Cancer Center för att analysera cancer patient data och rekommenderar behandlingsmetoder. Tekniken har fått en del kritiska bedömningar i pressen. Till exempel, förra året, Boston Globe: s undersökande forskning dotterbolag, STAT, rapporterade att dess undersökningar funnit att “Watson Onkologi” ansträngning hade fallit långt under förväntningarna.
Måste läsa
IBM skapar AI för att förstöra människor… i debatten (CNET)Hur IBM Watson revolutionerar 10 branscher (TechRepublic)
Varshney är optimistisk, säger att “vi kommer förhoppningsvis att få det till kliniken snart.” Idén om en AI-assisted läkare är en flera decennier gammal dröm, han är medveten om, men “först måste vi få den precision som krävs – det kommer tillbaka för att lita på AI.”
Sådana exempel på partnerskap kommer tillbaka till Smiths större punkt för att definiera problemet.
“Det är ett samtal som vi har all tid med ämnesexperter, när vi pratar med varandra, det är när idéer växa fram.”
Han konstaterar att med IBM med över 400 000 anställda i alla branscher … vi får många verkliga problem som kommer tillbaka till oss.”
Tidigare och relaterade täckning:
Vad är AI? Allt du behöver veta
En verkställande guide till artificiell intelligens, från maskininlärning och allmänna AI att neurala nätverk.
Vad är djupt lärande? Allt du behöver veta
Lowdown på djupt lärande: från hur det förhåller sig till de bredare fält av maskinen lärande genom hur man kommer igång med det.
Vad är lärande? Allt du behöver veta
Denna guide förklarar vad lärande är, hur den är relaterad till artificiell intelligens, hur det fungerar och varför det är viktigt.
Vad är cloud computing? Allt du behöver veta om
En introduktion till cloud computing rätt från grunderna upp till IaaS och PaaS, hybrid, offentliga och privata moln.
Relaterade Ämnen:
Big Data Analytics
Digital Omvandling
CXO
Sakernas Internet
Innovation
Affärssystem
0