Penki klausimai, kuriuos galite naudoti norėdami išvengti AI hype

Abstrakti iliustracija, kurioje pavaizduoti skaičiai 1-5 ir klaustukai Ponia Tech

Prieš dvi savaites Jungtiniai Arabų Emyratai surengė pirmąją didelę AI konferenciją ir vieną didžiausių pasaulyje AI programų konferenciją „Ai Everything“. Šis įvykis buvo įspūdingas liudijimas apie pramonės šakų, kuriose įmonės dabar naudoja mašininį mokymąsi, platumą. Tai taip pat buvo svarbus priminimas apie tai, kaip verslo pasaulis gali užtemdyti ir pervertinti technologijos galimybes.

Atsakydamas, norėčiau trumpai apibūdinti penkis klausimus, kuriuos paprastai naudoju vertindamas įmonės technologijos kokybę ir pagrįstumą:

1. Kokią problemą bandoma išspręsti?

Aš visada pradedu nuo problemos teiginio. Ką bendrovė sako, kad ji bando padaryti ir ar tai verta mašininio mokymosi? Galbūt kalbame su „Affectiva“, kuri kuria emocijų atpažinimo technologiją, kad būtų galima tiksliai sekti ir analizuoti žmonių nuotaikas. Konceptualiai tai yra modelio atpažinimo problema, todėl mašininis mokymasis galėtų ją išspręsti (žr.: Kas yra mašininis mokymasis? ). Taip pat būtų labai sudėtinga tai padaryti naudojant kitas priemones, nes tai per sudėtinga programuoti į taisyklių rinkinį.

2. Kaip įmonė sprendžia mašininio mokymosi problemą?

Dabar, kai konceptualiai suprantame problemą, norime žinoti, kaip įmonė ketina ją spręsti. Emocijų atpažinimo įmonė, kurdama savo produktą, gali imtis įvairių būdų. Tai galėtų išmokyti kompiuterinę regos sistemą, kad ji atitiktų žmonių veido išraiškas arba garso sistemą, kad ji atitiktų žmonių balso toną. Čia norime išsiaiškinti, kaip įmonė savo problemos teiginį pertvarkė į mašininio mokymosi problemą, ir nustatyti, kokius duomenis jai reikės įvesti į savo algoritmus.

Susijusi istorija

Susijusi istorija

Dirbtinio intelekto apibrėžimas nuolat tobulinamas, o terminas dažnai sumaišomas, todėl esame čia, kad padėtume.

3. Kaip įmonė gauna mokymo duomenis?

Kai žinome, kokių duomenų įmonei reikia, norime žinoti, kaip įmonė ketina juos įsigyti. Dauguma AI programų naudoja prižiūrimą mašininį mokymąsi, kuriam reikalingi švarūs, aukštos kokybės pažymėti duomenys. Kas ženklina duomenis? Ir jei etiketėse užfiksuotas kažkas subjektyvaus, pavyzdžiui, emocijos, ar jos atitinka mokslinį standartą? „Affectiva“ atveju sužinotumėte, kad įmonė savanoriškai renka garso ir vaizdo duomenis iš vartotojų ir samdo apmokytus specialistus, kurie griežtai nuosekliai ženklina duomenis. Žinodami išsamią informaciją apie šią dujotiekio dalį, taip pat galite nustatyti galimus duomenų rinkimo ar ženklinimo šališkumo šaltinius (žr.: Taip iš tikrųjų atsitinka AI paklaida ).

4. Ar įmonė turi savo produktų audito procesus?

Dabar turėtume ištirti, ar įmonė išbando savo produktus. Kiek tikslūs jo algoritmai? Ar jie tikrinami dėl šališkumo? Kaip dažnai ji iš naujo įvertina savo algoritmus, kad įsitikintų, jog jie vis dar veikia nepriekaištingai? Jei įmonė dar neturi algoritmų, kurie pasiektų pageidaujamą tikslumą ar sąžiningumą, kokius planus ji turi įsitikinti, kad jie bus prieš diegiant?

5. Ar įmonė turėtų naudoti mašininį mokymąsi, kad išspręstų šią problemą?

Tai labiau teismo sprendimas. Net jei problema gali Išspręsta naudojant mašininį mokymąsi, svarbu suabejoti, ar tai turėtų būti. Vien todėl, kad galite sukurti emocijų atpažinimo platformą, kuri pasiekia bent 80% tikslumą skirtingoms rasėms ir lytims, nereiškia, kad ja nebus piktnaudžiaujama. Ar šios technologijos pranašumai nusveria galimus žmogaus teisių pažeidimus, susijusius su emociniu stebėjimu? Ir ar įmonė turi mechanizmų, kaip sušvelninti bet kokį galimą neigiamą poveikį?

Mano nuomone, įmonė, turinti kokybišką mašininio mokymosi produktą, turėtų pažymėti visus langelius: ji turėtų spręsti mašininiam mokymuisi pritaikytą problemą, turėti patikimus duomenų gavimo ir audito procesus, turėti labai tikslius algoritmus arba planą juos tobulinti, ir kovoti su etiniais klausimais. Dažnai įmonės išlaiko pirmuosius keturis testus, bet ne paskutinį. Man tai yra pagrindinė raudona vėliava. Tai rodo, kad bendrovė negalvoja holistiškai apie tai, kaip jos technologija gali paveikti žmonių gyvenimus, ir turi didelę galimybę vėliau „Facebook“ patraukti. Jei esate vadovas, ieškantis mašininio mokymosi sprendimų savo įmonei, tai turėtų jus įspėti, kad nebendradarbiautumėte su konkrečiu pardavėju.

Ši istorija iš pradžių pasirodė mūsų Webby nominuotame AI informaciniame biuletenyje „The Algorithm“. Jei norite, kad daugiau tokių istorijų būtų pristatyta tiesiai į gautuosius, prisiregistruokite čia. Tai nemokama.

paslėpti