Inhoud
Q:
Hoe proberen bedrijven een "snelheidsmeter" toe te voegen aan kunstmatige intelligentie?
EEN:
Sommige van de bedrijven die werken aan de nieuwste ontwikkelingen op het gebied van kunstmatige intelligentie worden steeds meer gericht op het kwantificeren van de vooruitgang die ze hebben geboekt, en het benchmarken van sommige aspecten van hoe kunstmatige intelligentie zich in de loop van de tijd heeft ontwikkeld. Er zijn tal van redenen waarom bedrijven dit soort analyses nastreven. Over het algemeen proberen ze erachter te komen hoe ver kunstmatige intelligentie is gekomen, hoe dit van toepassing is op ons leven en hoe dit de markten zal beïnvloeden.
Sommige bedrijven brainstormen en monitoren hun vooruitgang op het gebied van kunstmatige intelligentie om erachter te komen hoe nieuwe technologieën de burgerlijke vrijheden kunnen beïnvloeden of hoe ze nieuwe economische realiteit kunnen creëren. Afhankelijk van de benadering van het bedrijf, kunnen dit soort analyses de vorm aannemen van proberen te achterhalen hoe gebruikersgegevens door systemen kunnen stromen, begrijpen hoe interfaces werken, of uitzoeken welke mogelijkheden kunstmatige intelligentie-entiteiten hebben en hoe ze die mogelijkheden kunnen gebruiken.
Als het gaat om methoden, kunnen bedrijven die proberen kunstmatige intelligentie te benchmarken zich richten op het afbreken van abstracte informatie - bijvoorbeeld, een artikel in Wired citeert het AI Index-project, waar onderzoekers zoals Ray Perrault, die werkt bij non-profit lab SRI International, werken op een gedetailleerde momentopname van wat er gaande is op het gebied van kunstmatige intelligentie.
"Dit is iets dat moet worden gedaan, deels omdat er zoveel gekte is over waar AI naartoe gaat," zegt Perrault in het artikel, commentaar op de motivatie om dit soort project aan te nemen.
Door uit te leggen hoe benchmarking van kunstmatige intelligentie werkt, leggen sommige experts uit dat ingenieurs of andere partijen mogelijk proberen 'hard testen' voor kunstmatige intelligentieprojecten na te streven, bijvoorbeeld door kunstmatige intelligentiesystemen te 'bedriegen' of 'te verslaan'. Dit soort beschrijving raakt echt de kern van hoe bedrijven kunstmatige intelligentie echt kunnen monitoren en evalueren. Een manier om hierover na te denken, is door dezelfde ideeën die programmeurs in het verleden hebben gebruikt, toe te passen op lineaire codesystemen.
Bij het debuggen van lineaire codesystemen ging het erom de plekken te vinden waar het systeem goed zou werken - waar een programma zou crashen, waar het zou vastlopen, waar het langzaam zou lopen, enz. Het ging erom te ontdekken waar logische fouten een project zouden stoppen of in verwarring brengen, waar een functie niet correct zou werken, of waar een onbedoelde gebruikersgebeurtenis zou kunnen zijn.
Als je erover nadenkt, kan het moderne testen van kunstmatige intelligentie op een heel ander vlak een soortgelijke poging zijn - omdat de technologieën voor kunstmatige intelligentie meer cognitief dan lineair zijn, dat testen een veel andere vorm aanneemt, maar mensen zoeken nog steeds naar 'de bugs' "- manieren waarop deze programma's onbedoelde gevolgen kunnen hebben, manieren waarop ze kunnen optreden en menselijke instellingen kunnen schaden, enz. Met dat in gedachten, hoewel er veel verschillende uiteenlopende methoden zijn om een snelheidsmeter of benchmark te maken voor kunstmatige intelligentie, de soorten harde testen die hierboven zijn beschreven, geven de mens over het algemeen een uniek inzicht in hoe ver kunstmatige intelligentie is gekomen en wat moet worden gedaan om ervoor te zorgen dat deze meer positieve resultaten oplevert zonder meer negatieve aspecten te ontwikkelen.