زیرساخت داده بهتر، رشد زیادی را برای رشد هوش مصنوعی فراهم کرده است، اما برخی چیزها هنوز به انسان نیاز دارند.
ما سالهاست که تواناییهای فعلی هوش مصنوعی را بیش از حد میفروشیم، اما این بدان معنا نیست که آینده روشنی ندارد. شاید به همین دلیل است که محققان دانشگاه استنفورد یک “صد ساله مطالعه بر روی هوش مصنوعی” (۱۰۰ سال!) در سال ۲۰۱۶، با برنامه ریزی برای به روز رسانی گزارش هر پنج سال تا سال ۲۱۱۶، و نمودار پیشرفت هوش مصنوعی در طول مسیر. پنج سال پس از گزارش افتتاحیه، نویسندگان مطالعه اخیرا گزارش دوم.
TL;DR؟ ما تنها در پنج سال بهدلیل بهبود زیرساختهای داده، «پیشرفت قابلتوجهی» داشتهایم، با این حال هنوز «از آرزوی پایهگذاری این رشته برای بازآفرینی هوش کامل شبیه انسان در ماشینها فاصله داریم». با این حال، آنچه ما در حال کشف هستیم، اهمیت به هم پیوستن انسان و ماشین برای دستیابی به نتایج بهتر است. آیا هوش مصنوعی «واقعی» است؟ نه آنطور که در ابتدا تصور می شد. اما مسلماً بهتر است.
داده های بزرگ؟ “easy data”
را امتحان کنید
یکی از بازدارندههای اصلی برای واقعی شدن علم داده (و هوش مصنوعی حاصل) ارتباط چندانی با علم و همه چیز مربوط به دادهها ندارد. همانطور که سرمایهگذار FirstMark مت تورک اخیراً در «منظره یادگیری ماشینی، هوش مصنوعی و دادهها (MAD) 2021» فراخوان داد، اخیراً انبارهای داده تکامل یافتهاند تا «مقدار عظیمی از دادهها را به گونهای ذخیره کنند که مفید باشد، کاملاً مقرون به صرفه نیست، و برای نگهداری به ارتشی از افراد بسیار فنی نیاز ندارد». بله، ما برای چندین دهه انبارهای داده داشتیم، اما آنها پیچیده و پرهزینه بودند. اخیراً ما در Apache Hadoop کار کردهایم که کارها را ارزانتر میکند اما همچنان بسیار پیچیده است.
تنها در چند سال گذشته، صنعت بر بلوغ زیرساخت داده ما متمرکز شده است، به طوری که به طور چشمگیری برای افراد فانی ساده (که ممکن است دکترا داشته باشند یا نداشته باشند) قابل دسترس تر شده است. تورک استدلال میکند که با ایجاد «در نهایت امکان ذخیره و پردازش دادههای بزرگ» به روشی مقرونبهصرفه، «اثبات کرده است که یک قفل اصلی برای بقیه فضای داده/هوش مصنوعی» به سه روش اصلی:
- افزایش انبارهای داده به طور قابل توجهی اندازه بازار را نه تنها برای دسته بندی آن، بلکه برای کل اکوسیستم داده و هوش مصنوعی افزایش می دهد.
- انبار داده ها قفل اکوسیستم کاملی از ابزارها و شرکت هایی را باز کرده اند که حول آنها می چرخند، مانند استخراج، بارگذاری، تبدیل (ELT).
- انبار دادهها شرکتها را آزاد میکنند تا روی پروژههای با ارزشی که در سلسله مراتب نیازهای داده بالاتر به نظر میرسند تمرکز کنند.
اگرچه تورک بر تاثیر مثبت انبارهای داده مدرن تمرکز میکند، صنعت از پیشرفتهای دیگری در پایگاههای داده (پایگاههای اطلاعاتی توزیعشده، NoSQL و غیره) و ابر بهرهمند شده است که تکرار آن را آسانتر کرده است. روی داده. از طریق این نیروها و سایر نیروها، ذخیره و کار با داده ها آسان تر شده است که به نوبه خود، سازمان ها را قادر می سازد تا با آن داده ها کارهای بیشتری انجام دهند.
که ما را به AI100 استنفورد بازمی گرداند.
مکمل، نه رقابت
ما به نقطهای رسیدهایم که به طور روزانه با هوش مصنوعی تعامل داریم و معمولاً کاستیهای آن را میبینیم. تسلا رو بگیر خودروهای الکتریکی تسلا با وجود تمام بازاریابی نادرست خود در زمینه «خودرانی کامل» با هوش مصنوعی، به هیچ وجه نمیتوانند با خیال راحت مسافران را از نقطه A به نقطه B ببرند، مگر در محیطهایی که با دقت کنترل شدهاند. با این حال، ما به اندازه کافی دیده ایم که برای آینده جذاب و امیدوار باشیم.
در حال حاضر، نویسندگان AI100 به سه حوزه اشاره میکنند که هوش مصنوعی پیشرفت واقعی را نشان داده است:
- یادگیری به روشی خود نظارت یا خودانگیزه
- یادگیری به روش مستمر برای حل مسائل از حوزه های مختلف بدون نیاز به بازآموزی گسترده برای هر یک
- تعمیم بین کارها—تطبیق دانش و مهارت هایی که سیستم برای یک کار به دست آورده با موقعیت های جدید
این بدان معنا نیست که هوش مصنوعی به زودی جایگزین انسانها میشود، اما به این معنی است که هوش مصنوعی به طور فزایندهای قادر است افراد را به روشهای معناداری تکمیل کند. همانطور که آنها توضیح می دهند، “رویکردهای هوش مصنوعی افزایش توانایی های انسانی می تواند در موقعیت هایی که انسان ها و هوش مصنوعی دارای نقاط قوت مکمل هستند بسیار ارزشمند باشد. یک سیستم هوش مصنوعی ممکن است در ترکیب دادههای موجود و تصمیمگیری در بخشهای مشخص یک مشکل بهتر باشد، در حالی که یک انسان ممکن است در درک پیامدهای دادهها بهتر باشد.”
برای مثال، نویسندگان گزارش میگویند که ماشینها هرگز جایگزین مناسبی برای افرادی که از سالمندان مراقبت میکنند، نخواهند بود. “مراقبت خوب نیازمند احترام و وقار است، چیزهایی که ما به سادگی نمی دانیم چگونه آنها را در الگوریتم های رویه ای کدگذاری کنیم.” اما هوش مصنوعی که مقادیر زیادی از داده ها را خرد می کند تا زمانی که یک سالمند ممکن است به دارو یا سایر حمایت ها نیاز داشته باشد به مراقبین پیشنهاد دهد؟ یا شاید استفاده از پردازش تصویر مبتنی بر هوش مصنوعی برای ارزیابی داروهایی که سالمند ممکن است به تنهایی مصرف کند، اما ممکن است مضر باشد (به دلیل کمیت یا ماهیت خود دارو) و به مراقب هشدار دهد؟ این یک ترکیب عالی است.
گاهی ترفند این است که مدل هوش مصنوعی را برای تجزیه و تحلیل داده ها آزاد کنید، سپس بفهمید که چگونه به نتیجه رسیده است. نویسندگان خاطرنشان میکنند: «با آموزش مدلی که در انجام پیشبینیها بسیار خوب باشد، و سپس کار برای درک اینکه چرا این پیشبینیها بسیار خوب هستند، ما درک علمی خود را از همه چیز از بیماری گرفته تا دینامیک زلزله عمیقتر کردهایم». در این مثال، ماشینها افراد را وادار میکنند تا عمیقتر درباره دادهها فکر کنند، و از نتیجهگیریهایی که ماشینها نمیفهمند اما به هر حال میتوانند به آنها برسند، درس میگیرند.
به طور خلاصه، ماشینها میتوانند مقادیر عظیمی از اطلاعات را تجزیه و تحلیل کنند، آن اطلاعات را خلاصه یا به گونهای دیگر به مردم ارائه دهند که هضمتر شود. به این ترتیب می توان هوش انسانی را به طور موثرتری به کار برد. انسان ها جایگزین ماشین ها نمی شوند و ماشین ها جایگزین انسان ها نمی شوند. ما زیرساخت دادهای را ایجاد میکنیم که مقادیر فراوانی از دادهها را ممکن میسازد، و ماشینها با کمک به ما در درک همه آن، نقش خود را انجام میدهند. یک همکاری خوب، در واقع.
پست های مرتبط
جایی که هوش مصنوعی پیشرفت واقعی داشته است
جایی که هوش مصنوعی پیشرفت واقعی داشته است
جایی که هوش مصنوعی پیشرفت واقعی داشته است