Mengapa syarikat teknologi menggunakan manusia untuk membantu ai | ben dickson

"Andrew Ingram" adalah pembantu digital yang mengimbas e-mel anda, memberi penjadualan idea untuk mesyuarat dan temu janji yang anda bincangkan dengan rakan sekerja anda, menetapkan tugas, dan menghantar jemputan kepada pihak yang berkaitan dengan bantuan yang sangat sedikit. Ia menggunakan keupayaan kecerdasan buatan maju X.ai, yang Baru Berasaskan York permulaan yang mengkhusus dalam membangunkan pembantu AI. Masalah yang diselesaikannya dapat menjimatkan banyak masa dan frustrasi untuk orang (seperti saya) yang mempunyai jadual yang tidak menyenangkan.

Tetapi menurut kisah Wired yang diterbitkan pada bulan Mei, perisikan di belakang Andrew Ingram tidak benar-benar buatan. Ia disokong oleh sekumpulan 40 orang Filipina di bangunan yang sangat terjamin di pinggir bandar Manila yang memantau kelakuan AI dan mengambil alih setiap kali pembantu berjalan dalam kes yang tidak dapat ditangani.

Walaupun idea bahawa e-mel anda yang diimbas oleh orang sebenar mungkin terdengar menyeramkan, ia telah menjadi amalan biasa di kalangan banyak syarikat yang menyediakan perkhidmatan AI kepada pelanggan mereka. Artikel baru-baru ini di The Wall Street Journal mendedahkan beberapa firma yang membiarkan pekerja mereka mengakses dan membaca e-mel pelanggan untuk membina ciri-ciri baru dan melatih AI mereka dalam kes-kes yang tidak pernah dilihat sebelumnya.

Memanggil teknik "Wizard of Oz" atau pseudo-AI, amalan diam-diam menggunakan manusia untuk menampung kelemahan algoritma AI memberikan cahaya pada beberapa cabaran terdalam yang dihadapi oleh industri AI.

AI Tidak Sedia untuk Masalah Luas

Di sebalik kebanyakan inovasi AI dalam beberapa tahun kebelakangan ini adalah algoritma pembelajaran dan rangkaian saraf yang mendalam. Rangkaian neural dalam sangat berkesan dalam mengklasifikasikan maklumat. Dalam banyak kes, seperti pengiktirafan suara dan muka atau mengenal pasti kanser dalam scan MRI dan CT, mereka dapat mengalahkan manusia.

Tetapi itu tidak bermakna pembelajaran mendalam dan rangkaian saraf boleh mencapai apa-apa tugas yang boleh dilakukan oleh manusia.

"Pembelajaran yang mendalam membolehkan kita menyelesaikan masalah persepsi ini kerana persepsi telah membatasi AI sejak penubuhannya lebih 60 tahun yang lalu, " kata Jonathan Mugan, pengasas bersama dan Ketua Pegawai Eksekutif DeepGrammar. "Menyelesaikan masalah persepsi akhirnya menjadikan AI berguna untuk perkara seperti pengiktirafan suara dan robotika."

Walau bagaimanapun, nota Mugan, persepsi bukan satu-satunya masalah. Perjuangan pembelajaran yang mendalam di mana penalaran dan pemahaman yang berpengalaman terlibat.

"Pembelajaran yang mendalam tidak membantu kita dengan masalah ini, " katanya. "Kami telah membuat beberapa kemajuan dalam NLP (pemprosesan bahasa semulajadi) dengan merawat bahasa sebagai masalah persepsi, iaitu mengubah kata-kata dan ayat-ayat menjadi vektor. Ini membolehkan kita lebih baik mewakili teks untuk klasifikasi dan terjemahan mesin (apabila terdapat banyak data), tetapi ia tidak membantu dengan alasan yang munasabah. Inilah sebabnya chatbots sebahagian besarnya gagal."

Salah satu masalah utama yang dihadapi semua aplikasi pembelajaran mendalam ialah mengumpul data yang tepat untuk melatih model AI mereka. Usaha dan data yang melibatkan latihan rangkaian saraf untuk melaksanakan tugas bergantung pada seberapa luas ruang masalah dan tahap ketepatan yang diperlukan.

Sebagai contoh, aplikasi klasifikasi imej seperti aplikasi Not Hotdog dari Silicon Valley HBO melakukan tugas yang sangat sempit dan spesifik: Ia memberitahu anda sama ada kamera telefon pintar anda menunjukkan hotdog atau tidak. Dengan imej hotdog yang cukup, AI aplikasi boleh melakukan fungsi yang sangat penting dengan tahap ketepatan yang tinggi. Dan walaupun ia membuat kesilapan setiap sekali-sekala, ia tidak akan menyakitkan sesiapa pun.

Tetapi aplikasi AI yang lain, seperti yang X.ai sedang membina, sedang menangani banyak masalah yang lebih luas, yang bermaksud mereka memerlukan banyak contoh yang berkualiti. Juga, toleransi mereka untuk kesilapan jauh lebih rendah. Terdapat perbezaan yang sangat besar antara kekeliruan timun untuk hotdog dan menjadualkan mesyuarat perniagaan penting pada masa yang salah.

Malangnya, data berkualiti bukan komoditi yang dimiliki oleh semua syarikat.

"Aturan praktikal adalah bahawa masalah yang lebih umum adalah masalah AI yang cuba diatasi, lebih banyak kelebihan atau kelakuan yang luar biasa yang boleh berlaku. Ini tidak dapat dielakkan bermakna anda memerlukan lebih banyak contoh latihan untuk melindungi segala sesuatu, " kata Dr Steve Marsh, CTO di Geospock. "Pemula biasanya tidak mempunyai akses kepada banyak data latihan, jadi model yang mereka dapat dengan mudah membina akan menjadi sangat niche dan rapuh, yang biasanya tidak memenuhi harapan mereka."

Kekayaan maklumat semacam ini hanya milik syarikat besar seperti Facebook dan Google, yang telah mengumpulkan data berbilion-bilion pengguna selama bertahun-tahun. Syarikat-syarikat yang lebih kecil perlu membayar sejumlah besar untuk mendapatkan atau mencipta data latihan, dan kelewatan pelancaran aplikasi mereka. Alternatifnya adalah untuk melancarkan pula dan mula melatih AI mereka dengan cepat, menggunakan pelatih manusia dan data pelanggan hidup dan berharap akhirnya AI akan menjadi kurang bergantung pada manusia.

Contohnya, Edison Software, sebuah syarikat yang berpangkalan di California yang membangunkan aplikasi untuk mengurus e-mel, telah memaklumkan e-melnya kepada kliennya untuk membangunkan ciri "jawapan cerdas" kerana mereka tidak mempunyai data yang cukup untuk melatih algoritma, Ketua Pegawai Eksekutif memberitahu The Wall Street Journal. Membuat balasan cerdas adalah tugas yang luas dan mencabar. Malah Google, yang mempunyai akses kepada e-mel berbilion pengguna, memberikan balasan pintar untuk kes yang sangat sempit.

Tetapi menggunakan manusia untuk melatih AI dengan data pengguna langsung tidak terhad kepada syarikat yang lebih kecil.

Pada tahun 2015, Facebook melancarkan M, chatroulette AI yang dapat memahami dan bertindak balas terhadap nuansa perbualan yang berbeza dan mencapai banyak tugas. Facebook membuat M tersedia kepada sejumlah pengguna yang terhad di California dan menubuhkan kakitangan pengendali manusia yang akan memantau prestasi AI dan campur tangan untuk membetulkannya apabila ia tidak dapat memahami permintaan pengguna. Pelan asal adalah untuk pengendali manusia untuk membantu mengajar pembantu untuk bertindak balas terhadap kes-kes tepi yang tidak pernah dilihat sebelumnya. Lama kelamaan, M akan dapat beroperasi tanpa bantuan manusia.

Matlamat yang Tidak Dapat Dihubungi?

Tidak jelas berapa lama masa yang diperlukan untuk Perisian Edison, X.ai dan syarikat lain yang telah melancarkan sistem human-in-the-loop untuk menjadikan AI mereka sepenuhnya automatik. Terdapat juga keraguan jika aliran semasa AI dapat mencapai titik yang meluas dalam domain yang lebih luas.

Pada tahun 2018, Facebook menutup M tanpa setiap meletakkannya secara rasmi. Syarikat itu tidak berkongsi butiran, tetapi jelas bahawa membuat chatbot yang boleh melibatkan diri dalam perbualan luas sangat sukar. Dan menjadikan M tersedia kepada semua pengguna dua bilion Facebook tanpa terlebih dahulu membuat ia sepenuhnya mampu secara automatik bertindak balas terhadap pelbagai perbualan akan memerlukan gergasi media sosial untuk mengupah kakitangan besar manusia untuk mengisi jurang M.

Mugan DeepGrammar percaya bahawa pada akhirnya kita akan dapat membuat AI yang dapat menyelesaikan pemikiran akal budi, yang lain diklasifikasikan sebagai AI umum. Tetapi ia tidak akan berlaku tidak lama lagi. "Pada masa ini, tiada kaedah di kaki langit yang membolehkan komputer memahami apa yang diketahui kanak-kanak kecil, " kata Mugan. "Tanpa pemahaman asas ini, komputer tidak dapat melakukan banyak tugas dengan baik 100 peratus masa itu."

Untuk meletakkannya ke dalam perspektif, pakar di OpenAI baru-baru ini mengembangkan Dactyl, tangan robot yang boleh mengendalikan objek. Ini adalah tugas yang dilakukan oleh mana-mana anak manusia untuk melakukan subconsciously pada usia muda. Tetapi ia mengambil Dactyl 6, 144 CPU dan 8 GPU dan pengalaman bernilai kira-kira seratus tahun untuk membangunkan kemahiran yang sama. Walaupun ia adalah pencapaian yang menarik, ia juga menyoroti perbezaan yang ketara antara AI sempit dan cara kerja otak manusia.

"Kami sangat jauh daripada mempunyai Perisikan Umum Buatan, dan kemungkinan besar, AGI akan menjadi gabungan dan koordinasi pelbagai jenis AI yang sempit atau spesifik aplikasi, " kata Marsh. "Saya fikir ada kecenderungan untuk mengatasi keupayaan AI pada masa ini, tetapi saya juga melihat terdapat nilai yang sangat besar dalam mengambil langkah pertama dan melaksanakan model Pembelajaran Mesin tradisional."

Adakah Satu Lagi AI Winter Looming?

Pada tahun 1984, Persatuan Intelijen Buatan Amerika (kemudian dinamakan semula sebagai Persatuan untuk Kemajuan Kepintaran Artificial) memberi amaran kepada komuniti perniagaan yang bersemangat dan bersemangat di sekeliling AI akhirnya mengakibatkan kekecewaan. Tidak lama selepas itu, pelaburan dan minat dalam AI runtuh, yang membawa kepada era yang lebih dikenali sebagai "musim sejuk AI".

Sejak awal tahun 2010, minat dan pelaburan di lapangan semakin meningkat. Sesetengah pakar bimbang bahawa jika aplikasi AI kurang baik dan gagal memenuhi jangkaan, satu lagi musim sejuk AI akan berlaku. Tetapi pakar yang kami bincangkan untuk percaya bahawa AI telah menjadi terlalu terintegrasi dalam kehidupan kami untuk menjejaki langkahnya.

"Saya tidak fikir kita berada dalam bahaya musim sejuk AI seperti yang sebelumnya kerana AI kini memberikan nilai sebenar, bukan hanya nilai hipotesis, " kata Mugan. "Bagaimanapun, jika kita terus memberitahu orang ramai bahawa komputer pintar seperti manusia, kita berisiko untuk mengulangi tindak balas. Kita tidak akan kembali kepada tidak menggunakan pembelajaran mendalam untuk persepsi, tetapi istilah 'AI' boleh dikurangkan, dan kita perlu memanggilnya sesuatu yang lain."

Apa yang pasti adalah sekurang-kurangnya, era kekecewaan berdiri di hadapan kita. Kita akan mengetahui sejauh mana kita boleh mempercayai gabungan AI semasa dalam bidang yang berbeza.

"Apa yang saya harapkan untuk melihat adalah bahawa sesetengah syarikat terkejut dengan seberapa cepat mereka dapat menyediakan AI untuk perkhidmatan manual dan mahal sebelum ini, dan syarikat lain akan mendapati bahawa ia mengambil masa yang lebih lama daripada yang diharapkan untuk mengumpulkan data yang mencukupi untuk menjadi dari segi kewangan, "kata James Bergstra, pengasas bersama dan ketua penyelidikan di Kindred.ai. "Sekiranya terdapat terlalu banyak yang terakhir dan tidak mencukupi, ia mungkin mencetuskan musim sejuk AI yang lain di kalangan pelabur."

• Kecerdasan Buatan Mempunyai Masalah Bias, dan Ia Kecerdasan Buatan Kecederaan Kami Mempunyai Masalah Bias, dan Ini Kesalahan Kita
• Kenapa Mengajar AI untuk Main Permainan Penting Kenapa Mengajar AI untuk Main Permainan Adalah Penting
• AI Menawarkan Potensi Besar, Tetapi Tidak Akan Terjadi Semalaman AI Menawarkan Potensi Besar, Tetapi Tidak Akan Terjadi Semalaman

Geospock's Marsh meramalkan bahawa walaupun pembiayaan tidak akan mereda, akan ada beberapa penyesuaian dinamiknya. Apabila para pelabur menyedari bahawa kepakaran yang benar jarang berlaku dan hanya mereka yang mempunyai akses kepada data untuk melatih model akan berbeza dalam industri, akan ada penyatuan yang besar di pasaran dan semakin banyak permulaan akan mendapat pembiayaan.

"Bagi banyak pemula AI tanpa aplikasi pasaran khusus atau data yang banyak: musim sejuk akan datang, " Marsh menyimpulkan.