В наши дни очень популярны сценарии судного дня, в которых искусственный интеллект (ИИ) заменяет работников в разных отраслях. Тем, кто интересуется искусственным интеллектом, но не имеет глубоких знаний, легко понять опасения: такие термины, как большие данные, искусственный интеллект и машинное обучение часто упоминается в СМИ в том же контексте, что и массовая автоматизация, замена рабочих мест и техническая революция. Здесь, в EruditeAI, мы хотим заверить вас в том, что людям все еще есть место в рабочей силе.

Мы твердо верим, что ИИ играет важную роль в улучшении людей, особенно когда люди и машины объединяются в пары, они могут достичь большего, чем любой из них по отдельности. Многие люди помнят или слышали о Deep Blue, системе искусственного интеллекта, которая победила гроссмейстера Гари Каспарова в шахматах в 1997 году. Большинство людей не знают, что после этого матча Каспаров придумал идею Advanced Chess; который стал одним из первых примеров усиления и улучшения людей с помощью ИИ: это называется Увеличение интеллекта (IA).

Advanced Chess - это пример людей и машин, каждый из которых использует свои уникальные сильные стороны для решения проблемы. ИИ преуспевает во многих областях, но здесь, в EruditeAI, мы сосредоточены на областях, в которых люди могут получить поддержку с помощью технологий. В нашей первой статье мы открываем обсуждение некоторых областей, в которых ИИ все еще борется, чтобы облегчить беспокойство по поводу сингулярности Судного дня ИИ.

Сегодня большинство методов искусственного интеллекта вращается вокруг математической оптимизации функции затрат, мозг не делает этого - мы более склонны имитировать и повторно использовать безопасный и надежный подход, который, как было доказано, работает, который имеет как свои недостатки, так и преимущества.

Люди - мастера разговорных навыков

Понимание человеческого языка было одной из основных областей развития искусственного интеллекта с момента появления теории о компьютерах. На этом пути было много взлетов и падений, но многие исследователи могут согласиться с тем, что естественный язык сложен и что ИИ еще предстоит пройти долгий путь, чтобы полностью понять человеческий язык.

За последние несколько десятилетий были внесены значительные улучшения в некоторые крупные поддомены ИИ в языке: Обработка естественного языка (NLP) и Генерация естественного языка (NLG). Например, в переводе с обещанием языкового перевода в реальном времени с использованием берушей мы, возможно, не слишком далеки от вездесущего универсального переводчика из Звездного пути. Аналогичным образом, при написании новостных статей с минимальной помощью и даже создании сценариев целого фильма ИИ был показан для решения сложных проблем естественного языка.

Однако один аспект, который требует значительного улучшения, - это разговор. Хотя системы искусственного интеллекта могут быть запрограммированы на понимание концепций, выраженных на естественном языке, требуется время, прежде чем они разработают связный и связный язык, используемый для общения с людьми. Обычному чат-боту сегодня требуется многое из того, что мы называем жестким кодированием, когда инженеры пытаются предварительно запрограммировать бота на поиск определенных слов или фраз и отвечать заранее выбранными ответами, которые могут быть заполнены соответствующими деталями. В то время как наша способность жестко программировать может стать более изощренной (например, чат-бот туристического агента может понять, что отпуск и отпуск означают одно и то же, без необходимости говорить об этом человеку), чат-боты все еще недостаточно умны, чтобы делать намного больше того, чему их научили люди, которые их программировали. Конкурс Amazon Alexa направлен на выделение 2,5 миллиона долларов разработчикам ИИ, способного вести последовательную и увлекательную двадцатиминутную беседу с человеком. Это ключевой пример того, как крупный игрок осознает наличие проблемы в разговоре и предлагает исследователям серьезно попытаться ее решить. Между тем очевидно, что с точки зрения реального, глубокого разговора и общения люди по-прежнему являются бесспорными чемпионами.

Люди могут делать выводы из небольшого количества данных

Системы искусственного интеллекта превосходно обрабатывают большие объемы данных. Когнитивная наука демонстрирует, что люди могут обрабатывать 7 ∓ 2 элементов в своей рабочей памяти, но при попытке найти тенденции в миллиардах точек данных людям требуются математические инструменты - системы искусственного интеллекта являются ярким примером. Статья недавно продемонстрировала, что методы искусственного интеллекта могут быть применены для выбора стартапов для портфеля венчурных капиталистов (VC). В результате фонд стал бы вторым по эффективности за все время: ИИ превзошел венчурных капиталистов в принятии решений.

Когда дело доходит до обучения на небольших объемах данных, системы искусственного интеллекта неизменно уступают в производительности людям-операторам. Многие известные методы искусственного интеллекта в настоящее время полагаются на наличие большого количества данных. В новой среде или с небольшим набором данных, на котором можно учиться, системы искусственного интеллекта легко запутаются или обмануты, но люди могут легче адаптироваться, используя обобщение и свой предыдущий жизненный опыт в качестве ориентира. Новое исследование One-Shot Learning или meta-Learning может оказаться в будущем мощным инструментом для создания более эффективных систем искусственного интеллекта с меньшим объемом данных.

Например, классификатор с машинным обучением может смотреть на изображения, чтобы отличить кошек от собак, и, увидев сотни или, в идеале, тысячи примеров кошек и собак, он узнает о частях фотографии, которые различают кошек и собак. При этом этому же алгоритму может быть трудно отличить львов от волков, несмотря на то, что они похожи на кошек и собак. В основном это связано с тем, что классификатор учится искать очень специфические особенности, которые указывают, было ли изображение кошкой или собакой, и он может не находить эти особенности на изображениях львов и волков. Пока современные системы искусственного интеллекта не разовьют большие возможности для трансферного обучения, люди вряд ли будут заменены в ситуациях с низкой доступностью данных.

У людей есть творческие способности и воображение, которые не всегда подтверждаются данными.

Модели искусственного интеллекта прекрасно понимают сложные системы и делают прогнозы или классификации новых ситуаций с учетом большого количества обучающих данных, но им сложно интерпретировать последствия своих решений (что называется прогнозированием). Модели машинного обучения, используемые в ИИ, неспособны понимать вещи, которые не входят в мир их входных данных, и поэтому им трудно принимать решения, учитывающие общую картину.

Примером компании, выходящей на рынок с большой неопределенностью, является Death Wish кофе; «» у них было предчувствие, что какой-то сегмент рынка будет наслаждаться очень крепким кофе, несмотря на риск для здоровья. Используя свои предположения и бренд, они добились больших успехов в продажах. В таком сценарии ИИ мог бы помочь им продать больше своего текущего продукта своим текущим клиентам, но, возможно, не смог бы нацелиться на новый сегмент, для которого у него не было возможности оценить потенциал успеха. Люди справляются с такими сценариями сравнительно лучше, хотя и с высоким риском неудачи.

Несмотря на прогресс, достигнутый исследователями в помощи системам ИИ в принятии более сложных решений, потребуется время, прежде чем ИИ сможет выполнять роль людей, которым поручено нечто иное, чем то, для чего они были наняты. ИИ не может использоваться для прогнозирования будущих результатов в ситуации с высоким уровнем неопределенности, что для людей требует творчества и творческого мышления.

Люди обладают общим интеллектом - ИИ обладает узким интеллектом

Системы искусственного интеллекта, как правило, с трудом корректируют свои цели с учетом меняющейся ситуации. Технологические компании делают это постоянно, они называют это поворотом. Учитывая, что ИИ не умеет обобщать, логично, что им будет сложно переориентировать себя для решения совершенно другой проблемы. Люди занимаются этим с тех пор, как мы научились управлять огнем, поэтому мы можем быть вполне уверены в своей способности справиться с этим. ИИ в этом отношении улучшается: Обучение с подкреплением - это ключевая область, в которой исследования помогают ИИ научиться решать более сложные проблемы путем интеграции информации, полученной из внешних факторов, влияющих на решение.

Например, на следующей неделе в магазине появится новый лосьон для загара. Несмотря на то, что имеется большой объем соответствующих данных о потребительском спросе, ожидается, что в день запуска продукта пройдет гигантский шторм. Модель искусственного интеллекта не смогла учесть это, потому что у нее нет данных от метеорологических служб, поэтому она может с треском провалиться. Однако людям легче интегрировать эту новую переменную в прогноз, чтобы улучшить процесс принятия решений. Люди могут получать данные из, казалось бы, бесконечного числа источников и могут легко интегрировать новые источники неструктурированных данных в свои прогнозы. Системы искусственного интеллекта с их непониманием многих явлений реального мира неспособны спроецировать влияние своих решений за пределы их понимания. В настоящее время технически невозможно передать всю возможную информацию, связанную или не связанную с конкретной проблемой, в модель машинного обучения. Насколько нам известно, рассудительность, здравый смысл и понимание - незаменимые человеческие качества.

Заключение

В заключение, ИИ не может автоматизировать работу, которая включает в себя:

  • Разговорные навыки
  • Принятие решений без использования тысяч точек данных в качестве ориентира
  • Принятие решений, осознавая их влияние на мир
  • Принятие решений, требующих общего понимания мира

Большинство рабочих мест включают сочетание этих четырех навыков, и поэтому мы считаем, что людям все еще есть место. В EruditeAI мы всегда думаем о потенциальных слабостях моделей искусственного интеллекта. Мы рады разрабатывать новые решения ИИ, которые поддерживают гибридный подход, при котором люди и ИИ работают вместе. Наш следующий шаг - переделать текущие рабочие процессы, чтобы воспользоваться преимуществами машинного обучения, ориентированного на человека, чтобы мы могли значительно повысить продуктивность на рабочем месте; Таким образом, мы можем дать людям возможность воспользоваться преимуществами инструментов искусственного интеллекта для улучшения человечества.