Q:
Hvordan prøver selskaper å legge til et "speedometer" til kunstig intelligensarbeid?
EN:Noen av selskapene som jobber med de nyeste fremskrittene innen kunstig intelligens blir i ferd med å kvantifisere fremdriften de har oppnådd, og benchmarking noen aspekter av hvordan kunstig intelligens har utviklet seg over tid. Det er mange grunner til at selskaper driver med denne typen analyser. Generelt sett prøver de å finne ut hvor langt kunstig intelligens har kommet, hvordan det gjelder våre liv og hvordan det vil påvirke markedene.
Noen selskaper brainstormer og overvåker deres fremgang for kunstig intelligens for å finne ut hvordan nye teknologier kan påvirke sivile friheter, eller hvordan de kan skape nye økonomiske realiteter. Avhengig av selskapets tilnærming, kan denne typen analyser ha form av å prøve å finne ut hvordan brukerdata kan strømme gjennom systemer, forstå hvordan grensesnitt vil fungere, eller finne ut hvilke evner kunstig intelligensenheter har og hvordan de kan bruke disse mulighetene.
Når det gjelder metoder, kan selskaper som prøver å beregne kunstig intelligens, fokusere på å bryte ned abstrakt informasjon - for eksempel siterer en Wired-artikkel AI Index-prosjektet, der forskere som Ray Perrault, som jobber på nonprofit lab SRI International, jobber på et detaljert øyeblikksbilde av hva som skjer innen kunstig intelligensfelt.
"Dette er noe som må gjøres, delvis fordi det er så mye galskap der ute hvor AI skal, " sier Perrault i artikkelen og kommenterer motivasjonen for å ta på seg denne typen prosjekt.
Når de forklarer hvordan benchmarking kunstig intelligens fungerer, forklarer noen eksperter at ingeniører eller andre parter kan prøve å arbeide for "hard testing" for kunstig intelligensprosjekter, for eksempel å prøve å "lure" eller "beseire" systemer for kunstig intelligens. Denne typen beskrivelser er virkelig kjernen i hvordan selskaper virkelig kan overvåke og evaluere kunstig intelligens. En måte å tenke på dette på er å bruke de samme typene ideer som programmerere brukte i tidligere tider for å feilsøke lineære kodesystemer.
Feilsøking av lineære kodesystemer handlet om å finne stedene der systemet ville fungere bra - hvor et program skulle krasje, hvor det ville fryse, hvor det ville gå sakte, etc. Det handlet om å finne hvor logiske feil ville stoppe eller forvirre et prosjekt, der en funksjon ikke ville fungere riktig, eller hvor det kan være en utilsiktet brukerhendelse.
Når du tenker på det, kan moderne testing av kunstig intelligens være en lignende anstrengelse på et veldig annet plan - fordi kunstig intelligenssteknologiene er mer kognitive enn lineære, at testing tar en mye annen form, men mennesker leter fortsatt etter "feilene" ”- måter som disse programmene kan ha utilsiktede konsekvenser, måter de kan utføre og skade menneskelige institusjoner, osv. Med det i tankene, selv om det er mange forskjellige diverge metoder for å lage et hastighetsmåler eller målestokk for fremskritt av kunstig intelligens, hard testing som beskrevet ovenfor vil generelt gi menneskene unik innsikt i hvor langt kunstig intelligens har kommet, og hva som må gjøres for å holde den mer positive uten å utvikle flere negativer.
