ما باید نسبت به هوش مصنوعی واقع‌بینانه‌تر باشیم

منتشر‌شده در towardsdatascience به تاریخ ۲۲ آگوست ۲۰۲۱
لینک منبع We Must Be More Realistic With AI.

نمی‌توانستم جلوی خودم را بگیرم که این مقاله را ننویسم و عقیده‌ام را با شما در میان بگذارم. داشتم مصاحبه اندرو نگ را با مجله فورچون تماشا می‌کردم که در آن او تاکید کرد که تبلیغات داده‌های بزرگ را باور نکنید. او به عدم خرید تبلیغات بزرگ داده در حالی اشاره کرد که یکی از چهره‌های اصلی بود که در سال‌های گذشته تبلیغات داده‌های بزرگ را انجام داد. برای مثال، در طول مصاحبه با کسب‌وکار استنفورد در سال ۲۰۱۷، اندرو گفت که « برای معنی‌دار بودن هوش مصنوعی، شرکت‌ها باید مقادیر زیادی داده را به الگوریتم‌های خود تزریق کنند، که همیشه در دسترس نیست.» بنابراین، برای من جالب بود که متوجه شوم او نظرش را در این مورد تغییر داده‌است.

من معتقدم که هوش مصنوعی با دو چالش عمده مواجه است.

چالش اول زمانی است که متخصصان در تعریف تکنولوژی پشت هوش مصنوعی حد وسط را در نظر نمی‌گیرند. گاهی اوقات آن‌ها مفاهیم هوش مصنوعی را به یک سری «اگر … آنگاه» کاهش می‌دهند در حالی که گاهی اوقات آن‌ها در مورد هوش مصنوعی بد صحبت می‌کنند که نژاد بشر را کنترل خواهد کرد. ما باید در تعریف پیچیدگی پشت هوش مصنوعی و قدرت آن واقع‌بینانه‌تر باشیم.

چالش دوم زمانی است که کارشناسان در مورد اهمیت یک گام در توسعه محصول هوش مصنوعی اغراق می‌کنند. گاهی اوقات آن‌ها بر مقدار داده تاکید می‌کنند در حالی که گاهی اوقات آن را به یک مدل پیچیده خلاصه می‌کنند. به طور خلاصه، برای ساخت یک محصول هوش مصنوعی باید چندین گام بردارید و باید همه آن‌ها را به درستی دنبال کنید. هیچ راه میانبری در توسعه محصولات با عملکرد بالا هوش مصنوعی وجود ندارد. اگر تنها بر روی مقدار داده تمرکز کنید و به نحوه ارزیابی مدل اهمیت ندهید، موردی نخواهید داشت. و به همین ترتیب.

در ادامه، من دو تجربه خود را در برخورد با دو چالش بالا شرح دادم.

بیش از حد ساده‌سازی

داستان من با اندرو به ۱۰ سال پیش برمی گردد، زمانی که من رهبر هوش مصنوعی در آزمایشگاه تالمیک بودم، مخترع بازوبند کنترل Myo. در آن سال‌ها، دوره یادگیری ماشینی او در Coursera وایرال شد. آن دوره یک دوره عالی ۱۰۱ در یادگیری ماشینی بود. با این حال، یک سقوط ناگهانی داشت که ضربه سختی به من وارد کرد.

دوره اندرو مفاهیمی را آموزش داد به طوری که هر کسی که آن را گذراند فکر می‌کرد در این زمینه متخصص شده‌است. من در طول آن سال‌ها با بسیاری از نامزدها برای تیم خود مصاحبه کرده‌ام، و تقریبا همه آن‌ها ادعا کرده‌اند که در این زمینه متخصص بوده‌اند، زیرا این درس را گذرانده اند. همه چیز باید تا جای ممکن ساده شود، اما نه ساده‌تر! در حالی که این دوره جذاب و در عین حال پیچیده باید برای اندرو یک شمشیر دو لبه باشد، من معتقدم که او مفاهیم و روش‌ها را بیش از حد ساده کرده است.

اغراق بیش از حد

آن‌هایی که مرا می‌شناسند می‌توانند شهادت دهند که من همیشه قصد دارم انتظارات واقع گرایانه‌ای از هوش مصنوعی داشته باشم. من همیشه با احتیاط در مورد افزایش داده‌های بزرگ و یادگیری عمیق صحبت کرده‌ام. من از درهایی آگاه هستم که، برای مثال، داده‌های بزرگ و یادگیری عمیق برای جامعه هوش مصنوعی باز هستند اما هرگز آن‌ها را به عنوان راه حلی برای همه چیز در نظر نمی‌گیرند. من خوشحالم که اندرو نیز به این نتیجه می‌رسد.

اندرو در مصاحبه با شرکت استنفورد در سال ۲۰۱۷ گفت که برای معنی‌دار بودن هوش مصنوعی، شرکت‌ها باید مقادیر زیادی داده را به الگوریتم‌های خود تزریق کنند. نتیجه این نوع اظهارات این است که مدیران صنعتی بدون توجه به جزئیات دیگر، تلاش می‌کنند تا حجم عظیمی از داده‌ها را به صورت نامعقول جمع‌آوری کنند. به همین دلیل است که من معتقدم کارشناسان هوش مصنوعی باید واقع‌بینانه‌تر باشند.

در بخش دیگری از آن مصاحبه، وی اشاره کرد که هوش مصنوعی برق جدید است زیرا می‌تواند در هر صنعتی ارزش ایجاد کند. وقتی یکی از اعضای هوش مصنوعی مانند اندرو در مورد اهمیت هوش مصنوعی اغراق می‌کند، کتی وود، مدیر عامل شرکت آرک اینوست، ادعا می‌کند که یادگیری عمیق می‌تواند ارزش اقتصادی بیشتری نسبت به اینترنت ایجاد کند! سوال این است که چگونه می‌توانیم این اظهارات جسورانه را نشان دهیم. به اعتقاد متواضعانه اینجانب، فردی با نفوذ اندرو باید در مورد اظهارات خود کمی محتاط‌تر باشد.

آخرین کلمات

به طور خلاصه، من می‌خواهم بر دو چیز تاکید کنم.

اول اینکه، ما نباید مفاهیم و روش‌های هوش مصنوعی را بیش از حد ساده یا پیچیده کنیم. هر دو می‌توانند بسیار گمراه‌کننده باشند. به عنوان مثال، ساده‌سازی بیش از حد ممکن است انتظارات مدیران هوش مصنوعی را بالا ببرد و برای علاقه مندان هوش مصنوعی توهم ایجاد کند که خیلی زود به متخصصان تبدیل شوند. علاوه بر این، پیچیدگی بیش از حد ممکن است باعث شود که ما خودمان را در یک چرخه معیوب بدون هیچ نتیجه‌ای گیر بیندازیم.

دوم، ما نباید در مورد اهمیت یک گام در توسعه هوش مصنوعی بیش از حد مبالغه کنیم. با داده‌های با کیفیت بالا‌، یک مدل با عملکرد بالا و یک پایپ‌لاین آزمایش خودکار، هنوز جزئیات زیادی وجود دارد که باید برای ساخت یک محصول هوش مصنوعی برای بازار مورد توجه قرار گیرد. من معتقدم که همه مراحل توسعه یک راه‌حل هوش مصنوعی به یک اندازه مهم هستند. غفلت از هر کدام می‌تواند منجر به یک محصول با عملکرد پایین هوش مصنوعی شود.

بنابراین، ما باید با هوش مصنوعی واقع گرایانه‌تر باشیم. ما باید از بیش از حد ساده‌سازی، بیش از حد پیچیدگی و بیش از حد اغراق دوری کنیم. شما ممکن است با من موافق یا مخالف باشید، اما این تجربه من در 10 سال گذشته در این زمینه بوده است. به من اعتماد کنید، من مانند هر متخصص هوش مصنوعی عاشق این هستم که هوش مصنوعی پاسخ هر مشکلی باشد، اما اگر بخواهیم به جلو حرکت کنیم و این حوزه را پیش ببریم، ابتدا باید کاستی‌های آن را بپذیریم! شما چه فکر می‌کنید؟

این متن با استفاده از ربات ترجمه مقالات علم داده ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.