Inteligjenca artificiale nuk ndjek logjikën e përparimit shkencor

Ne kemi shkruar shumë herë në MT për studiues dhe profesionistë që shpallin sistemet e mësimit të makinerive si "kuti të zeza" (1) edhe për ata që i ndërtojnë ato. Kjo e bën të vështirë vlerësimin e rezultateve dhe ripërdorimin e algoritmeve në zhvillim.

Rrjetet nervore - teknika që na jep robotët inteligjentë të konvertimit dhe gjeneruesit e zgjuar të tekstit që mund të krijojnë edhe poezi - mbetet një mister i pakuptueshëm për vëzhguesit e jashtëm.

Ato po bëhen më të mëdha dhe më komplekse, duke trajtuar grupe të mëdha të dhënash dhe duke përdorur grupe masive llogaritëse. Kjo e bën përsëritjen dhe analizën e modeleve të marra të kushtueshme dhe ndonjëherë të pamundura për studiues të tjerë, me përjashtim të qendrave të mëdha me buxhete të mëdha.

Shumë shkencëtarë janë të vetëdijshëm për këtë problem. Midis tyre është Joel Pino (2), kryetar i NeurIPS, konferenca kryesore mbi riprodhueshmërinë. Ekspertët nën udhëheqjen e saj duan të krijojnë një "listë kontrolli të riprodhueshmërisë".

Ideja, sipas Pino, është të inkurajohen studiuesit që t'u ofrojnë të tjerëve një udhërrëfyes në mënyrë që ata të mund të rikrijojnë dhe përdorin punën e bërë tashmë. Mund të mrekulloheni me elokuencën e një gjeneruesi të ri teksti ose me shkathtësinë mbinjerëzore të një roboti lojërash video, por edhe ekspertët më të mirë nuk e kanë idenë se si funksionojnë këto mrekulli. Prandaj, riprodhimi i modeleve të AI është i rëndësishëm jo vetëm për identifikimin e qëllimeve dhe drejtimeve të reja për kërkimin, por edhe si një udhëzues thjesht praktik për t'u përdorur.

Të tjerët po përpiqen ta zgjidhin këtë problem. Studiuesit e Google ofruan "kartat model" për të përshkruar në detaje se si u testuan sistemet, duke përfshirë rezultatet që tregojnë për gabime të mundshme. Studiuesit në Institutin Allen për Inteligjencën Artificiale (AI2) kanë publikuar një punim që synon të zgjerojë listën kontrolluese të riprodhueshmërisë Pinot në hapa të tjerë në procesin eksperimental. “Tregoni punën tuaj”, nxisin ata.

Ndonjëherë informacioni bazë mungon sepse projekti kërkimor është në pronësi, veçanërisht nga laboratorët që punojnë për kompaninë. Më shpesh, megjithatë, është një shenjë e paaftësisë për të përshkruar metoda kërkimore në ndryshim dhe gjithnjë e më komplekse. Rrjetet nervore janë një zonë shumë komplekse. Për të marrë rezultatet më të mira, shpesh kërkohet akordimi i mirë i mijëra "pullave dhe butonave", të cilin disa e quajnë "magji e zezë". Zgjedhja e modelit optimal shpesh shoqërohet me një numër të madh eksperimentesh. Magjia bëhet shumë e shtrenjtë.

Për shembull, kur Facebook u përpoq të përsëriste punën e AlphaGo, një sistem i zhvilluar nga DeepMind Alphabet, detyra doli jashtëzakonisht e vështirë. Kërkesat e mëdha llogaritëse, miliona eksperimente në mijëra pajisje për shumë ditë, të kombinuara me mungesën e kodit, e bënë sistemin "shumë të vështirë, nëse jo të pamundur, për të rikrijuar, testuar, përmirësuar dhe zgjeruar", sipas punonjësve të Facebook.

Problemi duket se është i specializuar. Megjithatë, nëse mendojmë më tej, dukuria e problemeve me riprodhueshmërinë e rezultateve dhe funksioneve midis një ekipi kërkimor dhe një tjetri minon të gjithë logjikën e funksionimit të shkencës dhe proceseve kërkimore të njohura për ne. Si rregull, rezultatet e hulumtimeve të mëparshme mund të përdoren si bazë për kërkime të mëtejshme që stimulojnë zhvillimin e njohurive, teknologjisë dhe përparimin e përgjithshëm.