211service.com
Din beste lagkamerat kan en dag bli en algoritme
PAR
Google lanserer en innsats som de håper kan gjøre mennesker og intelligente maskiner til produktive arbeidskamerater.
Gjennom et prosjekt kalt People + AI Research, eller PAIR, vil Google gi ut verktøy utviklet for å gjøre den indre funksjonen til AI-systemer mer gjennomsiktig. Selskapet lanserer også flere forskningsinitiativer rettet mot å finne nye måter for mennesker og AI-systemer til å samarbeide effektivt.
Det har nylig blitt gjort mye ut av potensialet for kunstig intelligens for å eliminere jobber og erstatte mennesker, men i sannhet kan teknologien ofte tjene som en kraftig ny type verktøy som er i stand til å automatisere bare deler av en persons arbeid.
Å finne ut hvordan man får mennesker og AI-algoritmer til å samarbeide effektivt kan ha stor økonomisk betydning, og det kan forme måten arbeidsstyrken er utdannet på. Det kan også spille en rolle i å dempe negative reaksjoner på automatiseringens økende rolle i mange omgivelser (se Ødelegger teknologien jobber? og Hvem vil eie robotene? ).
Barbara Grosz , en professor ved Harvard University som lenge har hevdet at informatikere bør designe AI-systemer for å komplementere i stedet for å erstatte mennesker, sier at denne tilnærmingen er nødvendig fordi AI fortsatt er så begrenset i hva den kan gjøre. Grosz legger til at menneskelige og maskinelle evner kan summere seg til mer enn summen av delene deres. AI-systemer, som alle datamaskiner, må utvikles for de som skal bruke dem, sier hun.
En viss følelse av hvordan AI-algoritmer kan samarbeide med mennesker kan sees i spill. Sjakk- eller Go-spillere kan slå seg sammen med dataprogrammer for å prestere på et forhøyet nivå. Dette krever et nytt sett med ferdigheter og en ny tilnærming til hvert spill.
De siste årene har det vært raske fremskritt innen maskinlæring, med dramatiske forbedringer i teknisk ytelse, skrev forskerne i et blogginnlegg der de kunngjorde initiativet. Men vi tror AI kan gå mye lenger – og være mer nyttig for oss alle – hvis vi bygger systemer med folk i tankene i starten av prosessen.
PAIR ledes av Fernanda Viégas og Martin Wattenberg, forskere som spesialiserer seg på å utvikle visualiseringer som gjør kompleks informasjon mer forståelig. Viégas og Wattenberg utviklet tidligere en serie verktøy for å belyse oppførselen til komplekse og abstrakte maskinlæringsmodeller. Ugjennomsiktigheten til slike modeller er en økende bekymring for de som håper å distribuere dem i et bredere spekter av innstillinger (se The Dark Secret at the Heart of AI).
PAIR-prosjektet slippes i dag to verktøy for å visualisere typen store datasett som brukes til å trene en maskinlæringsmodell til å lage nyttige spådommer. Disse visualiseringene kan hjelpe en dataforsker med å identifisere anomalier i treningsdata.
Grosz sier det er spesielt utfordrende å bygge AI-systemer som fungerer godt med mennesker, delvis fordi disse systemene kan være komplekse og ugjennomsiktige, men også fordi det er en stor utfordring å samhandle med et menneske på en intelligent måte. I enhver situasjon må du kunne modellere en persons mentale tilstand, sier hun.