Kunstig intelligens er kun et redskab, men hvilket redskab er det. Det kan være at løfte vores verden ind i en æra af oplysning og produktivitet eller kaste os ned i en mørk grav. For at hjælpe med at opnå det førstnævnte, og ikke det sidste, skal det håndteres med stor omhu og omtanke. Det er her, teknologiledere og praktikere skal træde op og hjælpe med at bane vejen og tilskynde til brug af AI til at forstærke og forstærke menneskelige evner.
Foto : Joe McKendrick
Det er nogle af de observationer, der er trukket fra Stanford Universitets nyligt udgivne rapport, den næste del af sit hundredeårige studie om kunstig intelligens, en ekstremt langsigtet indsats for at spore og overvåge AI, som det skrider frem i det kommende århundrede. Rapporten, der først blev lanceret i 2016, blev udarbejdet af et stående udvalg, der omfatter et panel på 17 eksperter, og opfordrer til, at AI bruges som et værktøj til at forstærke og forstærke menneskelige færdigheder. “Alle interessenter skal være involveret i designet af AI-assistenter for at producere et menneske-AI-team, der udkonkurrerer enten alene. Menneskelige brugere skal forstå AI-systemet og dets begrænsninger for at stole på og bruge det korrekt, og AI-systemdesignere skal forstå konteksten hvor systemet vil blive brugt. “
AI har det største potentiale, når det øger menneskelige evner, og det er her det kan være mest produktivt, hævder rapportens forfattere. “Uanset om det er at finde mønstre i kemiske interaktioner, der fører til en ny stofopdagelse eller hjælpe offentlige forsvarere med at finde de mest passende strategier at forfølge, er der mange måder, hvorpå AI kan øge menneskers muligheder. Et AI -system kan være bedre til at syntetisere tilgængelige data og træffe beslutninger i velkarakteriserede dele af et problem, mens et menneske kan være bedre til at forstå konsekvenserne af dataene -sig, hvis manglende datafelter faktisk er et signal for vigtig, umålt information for nogle undergrupper repræsenteret i dataene – -arbejde med vanskeligt fuldt ud kvantificerede mål og identificere kreative handlinger ud over hvad AI kan programmeres til at overveje. ”
Fuldstændig autonomi “er ikke det endelige mål for AI-systemer,” fastslår medforfatterne. Der skal være “klare kommunikationslinjer mellem menneskelige og automatiserede beslutningstagere. I slutningen af dagen vil feltets succes blive målt ved, hvordan det har styrket alle mennesker, ikke ved hvor effektivt maskiner devaluerer de mennesker, vi er. prøver at hjælpe. ”
Rapporten undersøger centrale områder, hvor AI udvikler sig og gør en forskel i arbejde og liv:
Opdagelse: “Ny udvikling inden for fortolkelig AI og visualisering af AI gør det meget lettere for mennesker at inspicere AI -programmer dybere og bruge dem til eksplicit at organisere information på en måde, der letter en menneskelig ekspert, der sætter stykkerne sammen og tegner indsigt,” bemærker rapporten .
Beslutning: AI hjælper med at opsummere data, der er for komplekse til, at en person let kan absorbere. “Opsummering bliver nu brugt eller aktivt overvejet inden for områder, hvor store mængder tekst skal læses og analyseres – uanset om det følger nyhedsmedier, laver finansiel research, foretager søgemaskineoptimering eller analyserer kontrakter, patenter eller juridiske dokumenter. Nascent fremskridt i meget realistisk (men i øjeblikket ikke pålidelig eller nøjagtig) tekstgenerering, såsom GPT-3, kan også gøre disse interaktioner mere naturlige. ”
AI som assistent: “Vi er allerede begyndt at se AI -programmer, der kan behandle og oversætte tekst fra et fotografi, så rejsende kan læse skiltning og menuer. Forbedrede oversættelsesværktøjer vil lette menneskelige interaktioner på tværs af kulturer. Projekter, der engang krævede en person at have meget specialiseret viden eller rigeligt tid kan blive tilgængelig for flere mennesker ved at lade dem søge efter opgave og kontekstspecifik ekspertise. ”
Sprogbehandling: Sprogbehandlingsteknologiske fremskridt er blevet understøttet af sprogmodeller i neurale netværk, herunder ELMo, GPT, mT5 og BERT, der “lærer om, hvordan ord bruges i kontekst -herunder elementer af grammatik, betydning og grundlæggende fakta om verden – fra at sigte gennem mønstrene i naturligt forekommende tekst. Disse modellers facilitet med sprog understøtter allerede applikationer som maskinoversættelse, tekstklassificering, talegenkendelse, skrivehjælpemidler og chatbots. Fremtidige applikationer kan omfatte forbedring af menneskelig-AI-interaktioner på tværs af forskellige sprog og situationer. ”
Computersyn og billedbehandling: “Mange billedbehandlingsmetoder bruger dyb læring til genkendelse, klassificering, konvertering og andre opgaver. Træningstiden til billedbehandling er reduceret betydeligt. Programmer, der kører på ImageNet, en massiv standardiseret samling af over 14 millioner fotografier, der bruges til at træne og teste visuelle identifikationsprogrammer, fuldfører deres arbejde 100 gange hurtigere end for bare tre år siden. ” Rapportens forfattere advarer imidlertid om, at sådan teknologi kan blive udsat for misbrug.
Robotik: “I de sidste fem år har der været konsekvente fremskridt inden for intelligent robotik drevet af maskinlæring, kraftfulde computer- og kommunikationsevner og øget tilgængelighed af sofistikerede sensorsystemer. Selvom disse systemer ikke fuldt ud er i stand til at drage fordel af alle fremskridt inden for AI, primært pga. til de fysiske begrænsninger i miljøerne, er meget fleksible og dynamiske robotiksystemer nu tilgængelige til hjemmebrug og industri. ”
Mobilitet: “De optimistiske forudsigelser fra fem år siden om hurtige fremskridt i fuldt autonom kørsel er ikke lykkedes. Årsagerne kan være komplicerede, men behovet for ekstraordinære sikkerhedsniveauer i komplekse fysiske miljøer gør problemet mere udfordrende og dyrere at løse end forventet. Designet af selvkørende biler kræver integration af en række teknologier, herunder sensorfusion, AI-planlægning og beslutningstagning, forudsigelse af køretøjsdynamik, omdirigering i luften, kommunikation mellem køretøjer og mere. ”
Anbefalingssystemer: AI -teknologierne, der driver anbefalingssystemer, har ændret sig betydeligt i de sidste fem år, hedder det i rapporten. “Et skift er den næsten universelle inkorporering af dybe neurale netværk for bedre at forudsige brugernes svar på anbefalinger. Der er også blevet øget brug af sofistikerede maskinlæringsteknikker til at analysere indholdet af anbefalede elementer, frem for kun at bruge metadata og brugerklik eller forbrugsadfærd. ”
Rapportens forfattere advarer om, at “brugen af stadigt mere sofistikerede maskinlærte modeller til anbefaling af produkter, tjenester og indhold har rejst betydelige bekymringer om spørgsmålene om retfærdighed, mangfoldighed, polarisering og fremkomsten af filterbobler, hvor anbefaleren system foreslår. Selvom disse problemer kræver mere end bare tekniske løsninger, er der mere og mere opmærksomhed på teknologier, der i det mindste delvist kan løse sådanne problemer. ”
Relaterede emner:
Big Data Analytics Digital Transformation CXO Internet of Things Innovation Enterprise Software 