Q:
Kaip įmonės bando pridėti „spidometrą“ prie dirbtinio intelekto darbo?
A:Kai kurios kompanijos, dirbančios su naujausiais dirbtinio intelekto pasiekimais, vis labiau stengiasi kiekybiškai įvertinti pasiektą pažangą ir palyginti tam tikrus aspektus, kaip dirbtinis intelektas vystėsi bėgant laikui. Yra daugybė priežasčių, kodėl įmonės atlieka tokio tipo analizę. Apskritai jie bando išsiaiškinti, kiek nuėjo dirbtinis intelektas, kaip jis taikomas mūsų gyvenimui ir kaip jis paveiks rinkas.
Kai kurios įmonės vykdo protų šturmą ir stebi savo dirbtinio intelekto pažangą siekdamos išsiaiškinti, kaip naujos technologijos gali paveikti piliečių laisves arba kaip jos gali sukurti naują ekonominę tikrovę. Atsižvelgiant į bendrovės požiūrį, šios analizės rūšys gali būti bandymai išsiaiškinti, kaip vartotojo duomenys gali tekėti sistemomis, supratimas, kaip veiks sąsajos, arba išsiaiškinimas, kokias galimybes turi dirbtinio intelekto subjektai ir kaip jie galėtų naudoti tas galimybes.
Kalbant apie metodus, įmonės, kurios bando palyginti dirbtinį intelektą, gali sutelkti dėmesį į abstrakčios informacijos skaidymą - pavyzdžiui, „Wired“ straipsnyje cituojamas AI indekso projektas, kuriame dirba tokie tyrėjai kaip Ray Perrault, dirbantis ne pelno siekiančioje laboratorijoje „SRI International“. išsamaus vaizdo apie tai, kas vyksta dirbtinio intelekto srityje, momentinis vaizdas.
„Tai kažkas, ką reikia padaryti, iš dalies todėl, kad ten tiek daug beprotybės dėl to, kur vyksta AI“, - sako Perraultas straipsnyje, komentuodamas motyvaciją imtis tokio tipo projektų.
Aiškindami, kaip veikia dirbtinio intelekto lyginamoji analizė, kai kurie ekspertai aiškina, kad inžinieriai ar kitos šalys gali bandyti atlikti „sunkius bandymus“ dirbtinio intelekto projektams, pavyzdžiui, bandyti „apgauti“ ar „nugalėti“ dirbtinio intelekto sistemas. Toks apibūdinimas iš tiesų eina į širdį, kaip įmonės gali iš tikrųjų stebėti ir vertinti dirbtinį intelektą. Vienas iš būdų galvoti apie tai yra pritaikyti tas pačias idėjas, kurias ankstesniais laikais programuotojai naudojo linijinių kodų sistemoms derinti.
Derinant linijinių kodų sistemas reikėjo surasti vietas, kur sistema gerai veiktų - kur programa sudužtų, kur užstrigtų, kur veiktų lėtai ir tt Tai turėjo būti suradimas, kur loginės klaidos sustabdytų ar supainiotų projektą, kur funkcija neveiktų tinkamai arba kur gali būti netyčinis vartotojo įvykis.
Kai pagalvoji apie tai, šiuolaikinis dirbtinio intelekto testavimas gali būti panašus siekis labai skirtingoje plotmėje - kadangi dirbtinio intelekto technologijos yra labiau pažintinės nei linijinės, tas testavimas įgauna daug kitokią formą, tačiau žmonės vis dar ieško „klaidų“. “- būdai, kaip šios programos gali turėti netyčinių padarinių, būdų, kaip jos gali veikti ir pakenkti žmonių įstaigoms, ir tt. Turint tai omenyje, nors yra daug skirtingų metodų, kaip sukurti spidometrą ar etaloninį dirbtinio intelekto progresą, aukščiau aprašyti sunkūs bandymai paprastai suteiks žmonėms unikalią informaciją apie tai, kiek nuėjo dirbtinis intelektas ir ką reikia daryti, kad jis duotų daugiau teigiamų rezultatų, o ne sukurtų daugiau negatyvų.
