Miért használnak a technológiai társaságok embereket az ai segítségére? ben dickson

"Andrew Ingram" egy digitális asszisztens, amely beolvassa az e-maileket, ütemezési ötleteket ad a munkatársaival megbeszéltetett találkozókhoz és találkozókhoz, feladatokat állít fel, és nagyon kevés segítséggel meghívókat küld az érintett feleknek. Használja az új X.ai fejlett mesterséges intelligencia képességeit York-i székhelyű startup, amely az AI asszisztensek fejlesztésére szakosodott. A megoldott problémák sok időt és frusztrációt takaríthatnak meg olyan emberek számára (mint én), akik rendetlen ütemtervvel rendelkeznek.

De a májusban megjelent Wired történet szerint Andrew Ingram mögött álló intelligencia nem teljesen mesterséges. Ezt egy 40 filippínóból álló csoport támasztja alá egy nagyon biztonságos épületben, Manila külvárosában, akik figyelemmel kísérik az AI viselkedését és átveszik az ügynököt, amikor az asszisztens olyan esetre kerül, amikor azt nem tudja kezelni.

Bár az a gondolat, hogy az e-maileket valódi emberek szkennelik, hátborzongatónak tűnhet, sok társaság körében szokásossá vált, amelyek AI szolgáltatásokat nyújtanak ügyfeleiknek. A The Wall Street Journal egy nemrégiben írt cikke több céget tár fel, amelyek lehetővé tették alkalmazottaik számára, hogy hozzáférjenek és olvassák el az ügyfelek e-maileit, új funkciók felépítéséhez és AI képzéséhez olyan esetekben, amelyeket még nem láttak.

Az úgynevezett "Varázsló Oz" technikának vagy ál-AI-nek, az emberek csendes felhasználásának gyakorlása az AI algoritmusok hiányosságainak pótlására bemutatja az AI iparának néhány legmélyebb kihívását.

Az AI még nem áll készen a széles problémákra

Az utóbbi évek legtöbb AI-innovációja mélyreható algoritmusok és idegi hálózatok mögött áll. A mély neurális hálózatok nagyon hatékonyan osztályozzák az információkat. Sok esetben - például a hang- és arcfelismerésnél, vagy a rák azonosításakor az MRI és CT vizsgálatok során - felülmúlhatják az embereket.

De ez nem jelenti azt, hogy a mély tanulás és az idegi hálózatok bármely olyan feladatot elvégezhetnek, amelyet az emberek megtehetnek.

"A mély tanulás lehetővé teszi számunkra, hogy megoldjuk az észlelési problémát. Ez nagy ügy, mert az észlelés korlátozta az AI-t annak kezdete óta, több mint 60 évvel ezelőtt" - mondta Jonathan Mugan, a DeepGrammar társalapítója és vezérigazgatója. "Az észlelési probléma megoldása végre az AI-t hasznossá tette olyan dolgokban, mint a hangfelismerés és a robotika."

Mugan szerint azonban az észlelés nem az egyetlen probléma. A mély tanulás küzdelmei, amelyekben közönséges érvelés és megértés van szó.

"A mély tanulás nem segít nekünk ebben a problémában" - mondja. "Némi előrelépést tettünk az NLP (természetes nyelvfeldolgozás) területén azáltal, hogy a nyelvet érzékelési problémának tekintjük; azaz a szavakat és a mondatokat vektorokká alakítottuk. Ez lehetővé tette számunkra, hogy jobban ábrázoljuk a szöveget a besorolás és a gépi fordítás szempontjából (amikor nagyon sok a adatok), de ez nem segít a közérdekű érvelésben. Ez az oka annak, hogy a chatbotok nagyrészt kudarcot valltak."

Az egyik legfontosabb probléma, amellyel a mélyreható tanulási alkalmazások szembesülnek, a megfelelő adatok gyűjtése az AI-modellek kiképzéséhez. Az a feladat elvégzéséhez szükséges ideghálózat képzéséhez szükséges erőfeszítés és adat attól függ, hogy milyen széles a problémakör és milyen pontosságra van szükség.

Például egy olyan képosztályozó alkalmazás, mint a HBO Szilícium-völgyének Not Hotdog alkalmazás, nagyon szűk és konkrét feladatot végez: Megmondja, hogy az okostelefon fényképezőgépe hotdogot mutat-e vagy sem. Ha elegendő hotdog-kép van, az alkalmazás AI-je nagy pontossággal képes elvégezni nagyon fontos funkcióját. És még ha időnként hibázik is, senkit sem fog bántani.

De más AI alkalmazások, mint például az X.ai, amelyet építenek, sokkal szélesebb körű problémákat kezelnek, ami azt jelenti, hogy sok minõségi példára van szükség. Ezenkívül sokkal alacsonyabb a tolerancia a hibákkal szemben. Nyilvánvaló különbség van az között, ha egy uborkát tévesen találnak meg egy hotdogról, és egy fontos üzleti találkozót rossz időben ütemez.

Sajnos a minőségi adatok nem olyan áruk, amelyek minden társaság birtokában vannak.

"A hüvelykujjszabály az, hogy minél általánosabb egy problémát, amelyet egy AI megpróbál kezelni, annál szélsőségesebb esetek vagy szokatlan viselkedések fordulhatnak elő. Ez elkerülhetetlenül azt jelenti, hogy sokkal több képzési példára van szüksége az összes lefedéséhez" - mondja Dr. Steve Marsh, CTO a Geospockban. "Az induló vállalkozások általában nem férnek hozzá hatalmas mennyiségű képzési adathoz, tehát azok a modellek, amelyek megvalósíthatóak, nagyon nichesek és törékeny modellek, amelyek általában nem felelnek meg az elvárásoknak."

Az ilyen gazdag információ csak olyan nagyvállalatok birtokában van, mint a Facebook és a Google, amelyek évek óta gyűjtik a felhasználók milliárdjait. A kisebb vállalatoknak nagy összegeket kell fizetniük a képzési adatok megszerzéséhez vagy létrehozásához, és ez késlelteti alkalmazásuk elindítását. Alternatív megoldásként elindíthatja az AI-t és menet közben elkezdheti képzését az emberi oktatók és az ügyfelek élő adatainak felhasználásával, és abban a reményben, hogy az AI végül kevésbé lesz függő az emberekre.

Például az Edison Software, egy kaliforniai székhelyű cég, amely alkalmazásokat fejlesztett ki az e-mailek kezelésére, amikor az alkalmazottak elolvasták ügyfeleik e-maileit egy "intelligens válasz" szolgáltatás kifejlesztésére, mert nem voltak elegendő adat az algoritmus kiképzéséhez. A vezérigazgató elmondta a The Wall Street Journal-nak. Az intelligens válaszok létrehozása széles és kihívásokkal teli feladat. Még a Google, amely több milliárd felhasználó e-mail-hez fér hozzá, intelligens válaszokat nyújt nagyon szűk esetekre.

De az emberek felhasználása az AI élő felhasználói adatokkal való továbbképzésére nem korlátozódik a kisebb vállalatokra.

2015-ben a Facebook elindította az M-t, egy AI chatbotot, amely képes megérteni és megválaszolni a beszélgetések különböző árnyalatait, és számos feladatot elvégezni. A Facebook korlátozott számú felhasználó számára elérhetővé tette az M-t Kaliforniában, és olyan humán operátorok személyzetét állította fel, akik figyelemmel kísérik az AI teljesítményét és beavatkoznak annak javításához, ha nem érti a felhasználói kérést. Az eredeti terv az volt, hogy az emberi operátorok segítsék az asszisztenst arra, hogy megtanítsa reagálni a szélsőséges esetekre, amelyeket még nem látott. Az idő múlásával az M képes lenne működni emberi segítség nélkül.

Elérhetetlen cél?

Nem egyértelmű, hogy mennyi időbe telik az Edison Software, X.ai és más cégek, amelyek elindították az emberi hurokban rendszert, hogy az AI teljesen automatizált legyen. Az is kétséges, hogy az AI jelenlegi trendei elérhetik-e azt a pontot, hogy szélesebb területeken vegyenek részt.

2018-ban a Facebook bezárta az M-t anélkül, hogy minden hivatalosan telepített volna. A társaság nem osztotta meg a részleteket, de nyilvánvaló, hogy széles körű beszélgetéseket kezdeményező chatbot létrehozása nagyon nehéz. És az M hozzáférhetõvé tétele a Facebook kétmilliárd felhasználói számára anélkül, hogy elõször teljes mértékben képes lenne automatikusan reagálni mindenféle beszélgetésre, a szociális média óriásnak óriási embereket kellett volna alkalmaznia, hogy kitöltsék M hiányosságait.

A DeepGrammar Mugan úgy véli, hogy végül képesek leszünk olyan AI-t létrehozni, amely megoldhatja a közérdekű érvelést, amit mások általános AI-nek minősítenek. De ez nem fog megtörténni hamarosan. "Jelenleg nincs olyan módszer a láthatáron, amely lehetővé tenné a számítógép számára, hogy megértse azt, amit egy kisgyerek tud" - mondja Mugan. "Ezen alapvető ismeretek nélkül a számítógépek az idő 100% -át nem tudják sok feladatot elvégezni."

Ezt a perspektívat szem előtt tartva az OpenAI szakértői nemrégiben fejlesztették ki a Dactyl-t, egy robotkeretet, amely tárgyak kezelésére képes. Ezt a feladatot minden emberi gyermek megtanulja tudatosan végrehajtani korai életkorban. De Dactyl 6144 processzorra és 8 GPU-ra és körülbelül száz éves tapasztalatra volt szükség ahhoz, hogy ugyanazokat a képességeket kifejlessze. Noha izgalmas eredmény, rávilágít a szűk AI és az emberi agy működése közötti szigorú különbségekre.

"Nagyon messze vagyunk a mesterséges általános intelligenciától, és valószínű, hogy az AGI sokféle szűk vagy alkalmazás-specifikus AI kombinációja és koordinációja lesz" - mondja Marsh. "Azt hiszem, jelenleg egy tendencia van az AI képességeinek túlírására, de azt is látom, hogy óriási érték van az első lépések megtételében és a hagyományos gépi tanulási modellek megvalósításában."

Van egy másik AI Winter Looming?

1984-ben az Amerikai Mesterséges Intelligencia Szövetség (amelyet később átneveztek a Mesterséges Intelligencia Fejlesztésének Egyesületévé) figyelmeztette az üzleti közösséget, hogy az AI körüli hype és lelkesedés végül csalódást okoz. Nem sokkal ezután összeomlott az AI iránti érdeklődés és érdeklődés, ami egy olyan korszakhoz vezetett, amelyet jobban nevezik "AI télnek".

A 2010-es évek eleje óta az érdeklődés és a beruházások újra növekednek. Egyes szakértők attól tartanak, hogy ha az AI-alkalmazások alulteljesítenek, és nem felelnek meg az elvárásoknak, újabb AI-tél következik be. A szakértők, akikkel beszéltünk, azt hitték, hogy az AI már túlságosan integrálódott az életünkbe ahhoz, hogy vissza tudjon lépni.

"Nem hiszem, hogy olyan fenyőfajta tél veszélyben van, mint amilyenek voltak azelőtt, mert az AI most valós értéket szolgáltat, nem csak hipotetikus értéket" - mondja Mugan. "Ha azonban továbbra is azt mondjuk a nagyközönségnek, hogy a számítógépek olyan okosak, mint az emberek, akkor kockázatot jelent a visszafordulás. Nem térünk vissza azzal, hogy nem használjuk a mélyreható tanulást az érzékeléshez, de az" AI "kifejezést megsérthetjük, és mi valami másnak kellene hívnom."

Az biztos, hogy legalább a kiábrándulás korszaka áll előttünk. Arra készülünk, hogy megtudjuk, mennyire bízhatunk az AI jelenlegi keverékeiben a különböző területeken.

"Azt várom, hogy látom, hogy néhány vállalat kellemesen meglepődik azzal, hogy milyen gyorsan tudnak biztosítani AI-t egy korábban kézi és drága szolgáltatásért, és hogy más cégek azt fogják tapasztalni, hogy hosszabb időt vesz igénybe, mint amennyit vártak ahhoz, hogy elegendő adatot gyűjtsenek ahhoz, hogy pénzügyi szempontból életképes "- mondta James Bergstra, a Kindred.ai társalapítója és kutatási vezetője. "Ha túl sok az utóbbiban, és az elsőben nem elegendő, akkor újabb AI-tél indíthat a befektetők körében."

• A mesterséges intelligencia torzító problémával rendelkezik, és ez a mi hibánk A mesterséges intelligencia torzító problémával rendelkezik, és ez a mi hibánk
• Miért fontos az AI oktatása a játékokhoz? Miért fontos az AI tanítása a játékokhoz?
• Az AI hatalmas potenciált kínál, de nem fog megtörténni éjszaka Az AI hatalmas potenciált kínál, de éjszakánként nem fog megtörténni

A Geospock's Marsh azt jósolja, hogy míg a finanszírozás nem fog csökkenni, dinamikájának némi kiigazítása is lesz. Mivel a befektetők rájönnek, hogy az igazi szakértelem ritka, és csak azok számára, akik adatokhoz férnek hozzá a modellek képzéséhez, különbségek lesznek az iparban, nagy a piaci konszolidáció és a kevesebb induló vállalkozás kap finanszírozást.

"Számos AI induló vállalkozás számára, ahol nincs rés-piaci alkalmazás vagy hatalmas mennyiségű adat: jön a tél" - zárja le Marsh.