Отраслевые роли в ИИ быстро развиваются, и трудно сказать, какие должности будут в следующем десятилетии. В отрасли все чаще будет требоваться объединение лиц, занимающих технические должности, таких как математики и разработчики, с теми, кто занимается социальными науками и изучает психологию, нейробиологию, инженерию общественного мнения или лингвистику. Нам потребуются люди, получившие образование в форме колонки, которые являются глубокими экспертами в своей области. Нам также понадобятся люди, которые смогут сплоченно объединить этих экспертов.
Как мы определяем эти новые роли ИИ? Недавно я посетил мероприятие в UT в Остине, которое дало мне несколько отличных идей по этому поводу. 14 сентября 2018 года компания Good Systems начала свою первую большую встречу. Good Systems - это междисциплинарная группа ученых, инженеров, гуманистов и социологов, которая стремится обеспечить совместимость искусственного интеллекта с человеческими ценностями. Они вступают в год концептуальных, эмпирических, технических и синтезирующих исследовательских проектов. Когда я присутствовал на встрече, там присутствовали профессора и аспиранты из всех областей UT. Редко бывает, что такая разноплановая группа ученых собирается вместе, и может быть трудно унифицировать наш язык и цели. Чтобы помочь нам работать вместе, мы познакомились с моделью под названием «Социальные сети технического взаимодействия».
С одной стороны, мы можем рассматривать широкие задачи по созданию хороших систем искусственного интеллекта. Эти цели:
- Создание концептуальных основ
- Эмпирический анализ
- Технические приложения
С другой стороны модели, мы можем рассмотреть людей, необходимых для того, чтобы это произошло:
- Гуманитарные науки
- Социальные науки
- Технологи
Ясно, что если мы оставим модель на этом уровне, мы получим разрозненные структуры, которые так часто встречаются в университетах и во многих отраслях. Мы можем начать решать эту проблему, убедившись, что каждый, кто работает в команде, находится на пересечении по крайней мере двух из этих областей (подумайте о диаграмме Венна). Например, допустим, мы находим кого-то, кто обладает знаниями как в гуманитарных науках, так и в конкретной технической области. Естественно, что их продукция будет отражать как технические приложения, так и концептуальную работу с рамками. Мы не можем позволить себе образование или работу, которые ограничивают нас в одной из сфер деятельности. Междисциплинарный подход будет необходим для будущей работы (например, в сфере искусственного интеллекта).
Когда я читала статью Дженнифер Сьюки о ролях ИИ в будущем, ее описание хореографа ИИ показалось мне полностью подходящим, а также хорошо согласуется с междисциплинарной направленностью модели, описанной выше. Эта роль может выступать в качестве связующего звена между высокотехнологичной моделью обучения ИИ и теми ролями, которые действительно формируют интерфейс пользователя. Пребывание между ними и полярно противоположными техническими / дизайнерскими пространствами позволяет людям, представляющим общую картину, указывать на главные преимущества инноваций, напоминать командам, что на самом деле должна обеспечивать система, и видеть, в чем будут проявляться этические проблемы. Я бы не стал думать об этом как о `` роли менеджера по продукту '', поскольку он подразумевает большее погружение в сорняки: просмотр моделей обучения и наших оценок, просмотр данных, которые мы очищаем, и просмотр диалога, который создают дизайнеры взаимодействия. письмо. Я бы добавил, что у этих хореографов AI могут быть разные уровни. Некоторые из них действительно могут углубиться в конкретный аспект. (То есть дизайнер взаимодействия действительно сосредоточился на языке для улучшения отношений с пользователем). Другие люди будут представлять большую картину - они будут хореографировать, как все части складываются вместе. Самая сложная часть для этой роли - выяснить, как их идеи на самом деле воплощаются в жизнь.
У меня было больше пирамидального образования (и я еще не достиг пика), поэтому я нахожусь прямо посередине диаграммы Венна между концептуальной структурой, эмпирическим анализом и техническими способностями. Я склонен думать о своей роли в команде ИИ как о «модельном мыслителе». Это означает применение моделей из разных областей к разработке продуктов ИИ, чтобы работать над продуктами, которые преодолевают существующие барьеры. . Повседневные задачи могут включать в себя работу с командой дизайнеров для определения проблем, которые может решить ИИ, или фактическое обучение модели ИИ. Но самой захватывающей частью моей работы было бы применение концептуальных рамок и работа переводчиком между товарищами по команде. * Нет, это не управление продуктом!
Я пришел к выводу, что попадаю в роль хореографа ИИ или модельного мыслителя благодаря недавней команде проекта ИИ, над которой я работал. В исследовании изучалось, как классификаторы изображений, обученные на данных сигнала, могут указывать на альтернативную систему оповещения о чрезвычайных ситуациях (которая скоро появится в IEEE!). Во время этого проекта я попал в роль тренера моделей, кодировщиков данных и социологов.
Большая часть моей работы заключалась в том, чтобы взять знание существующих моделей или теорий и предложить применить их к нашему классификатору. Т.е. предлагая скрытое распределение Дирихле для тематического моделирования, когда мы перешли от данных, состоящих из изображений, к тексту. Я также нашел предыдущие эмпирические исследования, объясняющие, почему последствия этой модели неэтичны. Это повлияло на сбор и очистку данных, конвейер обучающей модели и потенциальные применения модели в будущем.
Я был очень рад попасть в эту роль, потому что в течение многих лет я пытался совместить свою дизайнерскую сторону с моей аналитической стороной. Подберем немного: мое образование свернулось по очень извилистому пути, который вел меня через управление художественной галереей, разработку продуктов на хакатонах CS, изучение немецкого языка (политика и философию), изучение организационной психологии, создание обучающих видео на профессиональном уровне. ипотечная компания и работа «аналитиком конфигурации» в Oracle. (Это, по-видимому, означает разработку испытаний RCT для A / B-тестирования и выполнение других дополнительных задач с клиентами). Сейчас я учусь в аспирантуре по журналистике, занимаюсь исследованиями по таким темам, как голосовой помощник UX и анализ настроений на выборах в социальных сетях.
Искусственный интеллект - прекрасная область, потому что он может продолжать вводить новшества (этичным способом) только путем объединения всех наших самых передовых знаний в области гуманитарных, социальных и технических наук стратегическим образом. Меня привлекает эта дисциплина, потому что я люблю погрязнуть в сложностях и представить себе, каким может быть будущее.
По мере того, как я становлюсь более технически способным к пониманию моделей ИИ, я обнаруживаю, что мои творческие способности только растут. В будущем мне больше всего нравится работать в областях НЛП, производства синтетического звука, классификации изображений и генерации изображений. Мои руководящие принципы в области ИИ взяты в основном из книги Кэти О’Нил «Оружие массового уничтожения», и я бы посоветовал всем, кто читает этот пост, взять ее книгу, если вы боретесь с большими данными и ИИ как с растущей отраслью.
Дополнительная информация:
Многие из моделей / фреймворков, которые, на мой взгляд, относятся к сегодняшнему дню, прошли через сложный системный курс, который я прошел в UofM в бакалавриате. Когда я слушаю лекции о взломе технологий, у меня в голове постоянно возникает модель. Я всегда думаю, что если мы все вместе сможем увидеть более широкую картину, мы сможем разработать более эффективные идеи.
Образцовый мыслитель Скотта Пейджа, профессора сложных систем в UofM
