Mākslīgais intelekts neatbilst zinātnes progresa loģikai
Mēs daudzkārt esam rakstījuši MT par pētniekiem un profesionāļiem, kuri pasludina mašīnmācīšanās sistēmas par “melnajām kastēm” (1) pat tiem, kas tās veido. Tas apgrūtina rezultātu novērtēšanu un jauno algoritmu atkārtotu izmantošanu.
Neironu tīkli — tehnika, kas nodrošina mums inteliģentus konvertēšanas robotus un ģeniālus teksta ģeneratorus, kas var pat radīt dzeju — joprojām ir neizprotams noslēpums ārējiem novērotājiem.
Tie kļūst arvien lielāki un sarežģītāki, apstrādā milzīgas datu kopas un izmanto masīvus skaitļošanas masīvus. Tas padara iegūto modeļu replikāciju un analīzi dārgu un dažreiz neiespējamu citiem pētniekiem, izņemot lielus centrus ar milzīgu budžetu.
Daudzi zinātnieki labi apzinās šo problēmu. Viņu vidū ir Džoels Pino (2), NeurIPS, galvenās konferences par reproducējamību, priekšsēdētājs. Viņas vadītie eksperti vēlas izveidot "reproducējamības kontrolsarakstu".
Pino teica, ka ideja ir mudināt pētniekus piedāvāt citiem ceļvedi, lai viņi varētu atjaunot un izmantot jau paveikto darbu. Var brīnīties par jauna teksta ģeneratora daiļrunību vai videospēļu robota pārcilvēcisko veiklību, taču pat labākajiem ekspertiem nav ne jausmas, kā šie brīnumi darbojas. Tāpēc mākslīgā intelekta modeļu reproducēšana ir svarīga ne tikai jaunu pētniecības mērķu un virzienu noteikšanai, bet arī kā tīri praktisks lietošanas ceļvedis.
Citi cenšas atrisināt šo problēmu. Google pētnieki piedāvāja "modeļu kartes", lai detalizēti aprakstītu, kā sistēmas tika pārbaudītas, tostarp rezultātus, kas norāda uz iespējamām kļūdām. Pētnieki Alena Mākslīgā intelekta institūtā (AI2) ir publicējuši dokumentu, kura mērķis ir paplašināt Pinot reproducējamības kontrolsarakstu, iekļaujot citus eksperimentālā procesa posmus. "Parādi savu darbu," viņi mudina.
Dažkārt trūkst pamatinformācijas, jo izpētes projekts pieder, īpaši laboratorijām, kas strādā uzņēmumā. Tomēr biežāk tas liecina par nespēju aprakstīt mainīgas un arvien sarežģītākas pētniecības metodes. Neironu tīkli ir ļoti sarežģīta joma. Lai iegūtu vislabākos rezultātus, bieži ir nepieciešama tūkstošiem "pogu un pogu" precīza noregulēšana, ko daži sauc par "melno maģiju". Optimālā modeļa izvēle bieži ir saistīta ar lielu skaitu eksperimentu. Maģija kļūst ļoti dārga.
Piemēram, kad Facebook mēģināja atkārtot DeepMind Alphabet izstrādātās sistēmas AlphaGo darbu, uzdevums izrādījās ārkārtīgi grūts. Milzīgās skaitļošanas prasības, miljoniem eksperimentu ar tūkstošiem ierīču daudzu dienu laikā, apvienojumā ar koda trūkumu, padarīja sistēmu "ļoti grūti, ja ne neiespējamu, atjaunot, pārbaudīt, uzlabot un paplašināt", norāda Facebook darbinieki.
Šķiet, ka problēma ir specializēta. Taču, ja padomājam tālāk, fenomens, ka problēmas ar rezultātu un funkciju reproducējamību starp vienu un otru pētnieku grupu grauj visu mums zināmo zinātnes un pētniecības procesu funkcionēšanas loģiku. Kā likums, iepriekšējo pētījumu rezultātus var izmantot par pamatu turpmākiem pētījumiem, kas stimulē zināšanu, tehnoloģiju attīstību un vispārējo progresu.
