Хиймэл оюун ухаан нь шинжлэх ухааны дэвшлийн логикийг дагаж мөрддөггүй
Машин сургалтын системийг бүтээгчид хүртэл "хар хайрцаг" (1) гэж тунхагладаг судлаачид, мэргэжилтнүүдийн талаар бид МТ-д олон удаа бичсэн. Энэ нь үр дүнг үнэлэх, шинээр гарч ирж буй алгоритмуудыг дахин ашиглахад хүндрэл учруулдаг.
Мэдрэлийн сүлжээ буюу яруу найраг хүртэл бүтээж чадах ухаалаг хөрвүүлэгч роботууд болон ухаалаг текст үүсгэгчийг бидэнд олгодог техник нь гадны ажиглагчдын хувьд үл ойлгогдох нууц хэвээр байна.
Тэд улам бүр томорч, илүү төвөгтэй болж, асар том өгөгдлийн багцыг удирдаж, асар том тооцооллын массивуудыг ашиглаж байна. Энэ нь олж авсан загваруудыг хуулбарлах, дүн шинжилгээ хийх нь асар их төсөвтэй томоохон төвүүдээс бусад судлаачдад үнэтэй бөгөөд заримдаа боломжгүй болгодог.
Олон эрдэмтэд энэ асуудлыг сайн мэддэг. Тэдний дунд Жоэл Пино (2), NeurIPS-ийн дарга, нөхөн үржихүйн талаархи тэргүүлэх бага хурал. Түүний удирдлаган дор байгаа мэргэжилтнүүд "дахин үржих чадварыг шалгах хуудас" гаргахыг хүсч байна.
Энэхүү санаа нь судлаачдыг бусад хүмүүст замын зураглалыг санал болгоход урамшуулах зорилготой гэж Пино хэлэв. Ингэснээр тэд аль хэдийн хийгдсэн ажлаа дахин бүтээж, ашиглах боломжтой болно. Та шинэ текст үүсгэгчийн уран яруу чадвар эсвэл видео тоглоомын роботын хүний ур чадварыг гайхшруулж чадна, гэхдээ шилдэг мэргэжилтнүүд хүртэл эдгээр гайхамшиг хэрхэн ажилладаг талаар мэдэхгүй байна. Тиймээс хиймэл оюун ухааны загваруудыг хуулбарлах нь судалгааны шинэ зорилго, чиглэлийг тодорхойлоход чухал ач холбогдолтой төдийгүй ашиглахад цэвэр практик гарын авлага болж өгдөг.
Бусад нь энэ асуудлыг шийдэхийг оролдож байна. Google-ийн судлаачид боломжит алдааг харуулсан үр дүнг багтаасан системийг хэрхэн туршиж үзсэн талаар дэлгэрэнгүй тайлбарлах "загвар карт"-ыг санал болгов. Аллены нэрэмжит хиймэл оюун ухааны хүрээлэнгийн (AI2) судлаачид Пинотын дахин үржих чадварыг шалгах хуудсыг туршилтын үйл явцын бусад үе шатуудад өргөтгөх зорилготой нийтлэл хэвлүүлсэн байна. "Ажлаа харуул" гэж тэд уриалдаг.
Судалгааны төслийг ялангуяа тус компанид ажилладаг лабораториуд эзэмшдэг учраас заримдаа үндсэн мэдээлэл дутмаг байдаг. Ихэнхдээ энэ нь өөрчлөгдөж, улам бүр төвөгтэй болж буй судалгааны аргуудыг тайлбарлах чадваргүй байдлын шинж тэмдэг юм. Мэдрэлийн сүлжээ бол маш нарийн төвөгтэй газар юм. Хамгийн сайн үр дүнд хүрэхийн тулд олон мянган "барилга, товчлуур" -ыг нарийн тааруулах шаардлагатай байдаг бөгөөд үүнийг зарим нь "хар ид шид" гэж нэрлэдэг. Хамгийн оновчтой загварыг сонгох нь ихэвчлэн олон тооны туршилтуудтай холбоотой байдаг. Ид шид маш үнэтэй болдог.
Жишээлбэл, Facebook DeepMind Alphabet-ийн бүтээсэн AlphaGo системийг хуулбарлахыг оролдох үед даалгавар нь маш хэцүү байсан. Тооцооллын асар их шаардлагууд, олон өдрийн турш олон мянган төхөөрөмж дээр хийсэн сая сая туршилтууд нь кодын хомсдолтой хослуулсан нь системийг "дахин бүтээх, турших, сайжруулах, өргөтгөхөд маш хэцүү, боломжгүй юм гэхэд боломжгүй юм" гэж Facebook-ийн ажилтнууд хэлэв.
Асуудал нь мэргэшсэн бололтой. Гэсэн хэдий ч, хэрэв бид цааш нь бодох юм бол нэг судалгааны баг болон нөгөө судалгааны багийн хооронд үр дүн, функцийг давтахтай холбоотой асуудлын үзэгдэл нь бидний мэддэг шинжлэх ухаан, судалгааны үйл явцын үйл ажиллагааны бүх логикийг алдагдуулж байна. Дүрмээр бол өмнөх судалгааны үр дүнг мэдлэг, технологи, ерөнхий дэвшлийг хөгжүүлэхэд түлхэц болох цаашдын судалгаанд үндэс болгон ашиглаж болно.
