Miksi teknologiayritykset käyttävät ihmisiä auttamaan ai | Ben Dickson

"Andrew Ingram" on digitaalinen avustaja, joka skannaa sähköpostisi, antaa aikatauluideoita kokouksille ja tapaamisille, joista keskustelet työtovereidesi kanssa, asettaa tehtäviä ja lähettää kutsut asianomaisille osapuolille erittäin pienellä avulla. Se käyttää uuden, uuden X.ai, edistynyttä tekoälyä Yorkissa sijaitsevan startti, joka on erikoistunut AI-avustajien kehittämiseen. Sen ratkaisemat ongelmat voivat säästää paljon aikaa ja turhautumista ihmisille (kuten minä), joilla on sotkuinen aikataulu.

Mutta toukokuussa julkaistun Wired-tarinan mukaan Andrew Ingramin takana oleva älykkyys ei ole täysin keinotekoinen. Sitä tukee 40 filippiiniläinen ryhmä erittäin turvallisessa rakennuksessa Manilan laitamilla, jotka seuraavat AI: n käyttäytymistä ja ottavat vallan aina kun avustaja joutuu tapaukseen, jota se ei voi käsitellä.

Vaikka ajatus siitä, että oikeat ihmiset skannaa sähköpostisi, saattaa kuulostaa kauhistuttavalta, siitä on tullut yleinen käytäntö monissa yrityksissä, jotka tarjoavat AI-palveluita asiakkailleen. Äskettäisessä The Wall Street Journal -artikkelissa paljastettiin useita yrityksiä, jotka antavat työntekijöilleen pääsyn ja lukevat asiakassähköposteja uusien ominaisuuksien luomiseksi ja AI: n kouluttamiseksi tapauksissa, joita se ei ole ennen nähnyt.

"Wizard of Oz" -tekniikkaa tai pseudo-AI-tekniikkaa käyttävä käytäntö, jonka mukaan ihmisiä käytetään hiljaa AI-algoritmien puutteiden korjaamiseksi, tuo esiin joitain syvimmistä haasteista, joita AI-teollisuus kohtaa.

AI ei ole valmis laajoihin ongelmiin

Viime vuosien useimpien AI-innovaatioiden taustalla ovat syväoppimisalgoritmit ja hermoverkot. Syvähermosverkot ovat erittäin tehokkaita luokittelemaan tietoa. Monissa tapauksissa, kuten äänen ja kasvojen tunnistuksessa tai syövän tunnistamisessa MRI- ja CT-skannauksissa, ne voivat olla parempia kuin ihmiset.

Mutta se ei tarkoita syvää oppimista ja hermostoverkot voivat suorittaa minkä tahansa tehtävän, jonka ihmiset voivat.

"Syvä oppiminen antaa meille mahdollisuuden ratkaista havaintoongelma. Tämä on iso asia, koska havaitseminen on rajoittanut AI: ta sen perustamisesta lähtien yli 60 vuotta sitten", sanoo Jonathan Mugan, DeepGrammarin perustaja ja toimitusjohtaja. "Havaintoongelman ratkaiseminen on vihdoin tehnyt AI: stä hyödyllisen esimerkiksi äänentunnistuksessa ja robotiikassa."

Mugan kuitenkin huomauttaa, että havainto ei ole ainoa ongelma. Syvän oppimisen kamppailut, joissa on kyse tavallisesta päättelystä ja ymmärtämisestä.

"Syvä oppiminen ei auta meitä tässä ongelmassa", hän sanoo. "Olemme edistyneet jonkin verran NLP: ssä (luonnollinen kielenkäsittely) käsittelemällä kieltä havaintoongelmina; ts. Muuntamalla sanat ja lauseet vektoreiksi. Tämän avulla olemme pystyneet edustamaan tekstiä paremmin luokittelussa ja konekääntämisessä (kun tiedot), mutta se ei auta tavallisen päättelyn perusteluissa. Siksi chatbotit ovat suurelta osin epäonnistuneet."

Yksi kaikkien syväoppimissovellusten pääongelmista on oikean tiedon kerääminen AI-mallien kouluttamiseksi. Neuroverkon kouluttamiseen tehtävän suorittamiseen tarvittava työ ja tiedot riippuvat siitä, kuinka laaja ongelmatila on ja mitä tarkkuustasoa vaaditaan.

Esimerkiksi kuvan luokittelusovellus, kuten Not Hotdog -sovellus HBO: n Piilaaksosta, tekee erittäin kapean ja tarkan tehtävän: Se kertoo, näyttääkö älypuhelimesi kamera hotdogin vai ei. Riittävästi hotdog-kuvia, sovelluksen AI voi suorittaa erittäin tärkeän toimintonsa erittäin tarkasti. Ja vaikka se tekee virheenkin satunnaisesti, se ei satuta ketään.

Mutta muut AI-sovellukset, kuten X.ai: n rakentama, ratkaisevat paljon laajempia ongelmia, mikä tarkoittaa, että ne vaativat paljon laadukkaita esimerkkejä. Niiden virhetoleranssi on myös paljon heikompi. Kurkkua sekoitetaan hotdogiksi ja tärkeätä yrityskokousta ajoitetaan väärään aikaan väärässä erossa.

Valitettavasti laatutiedot eivät ole hyödyke, joka kaikilla yrityksillä on.

"Nyrkkisääntönä on, että mitä yleisempiä ongelmia AI yrittää käsitellä, sitä enemmän reunatapauksia tai epätavallisia käytöksiä voi esiintyä. Tämä tarkoittaa väistämättä, että tarvitset huomattavasti enemmän koulutusesimerkkejä kaiken kattamiseksi", tohtori Steve Marsh sanoo. CTO Geospockissa. "Startup-yrityksillä ei yleensä ole pääsyä valtavaan määrään koulutustietoa, joten mallit, joita ne voivat toteutettavasti rakentaa, ovat erittäin kapeita ja hauraita, jotka eivät yleensä vastaa heidän odotuksiaan."

Tällainen rikas tieto on vain suurten yritysten, kuten Facebook ja Google, hallussa, jotka ovat keränneet miljardeja käyttäjiä tietoja vuosien ajan. Pienempien yritysten on maksettava suuria summia koulutustietojen hankkimiseksi tai luomiseksi, ja se viivästää sovellusten julkaisua. Vaihtoehto on käynnistää joka tapauksessa ja aloittaa AI: n kouluttaminen lennossa käyttämällä ihmisten kouluttajia ja eläviä asiakastietoja ja toivoen, että AI lopulta riippuu vähemmän ihmisistä.

Esimerkiksi Edison Software, kalifornialainen yritys, joka kehittää sovelluksia sähköpostien hallintaan, oli työntekijöiden lukemassa asiakkaidensa sähköposteja kehittääkseen "älykästä vastausta" -ominaisuuden, koska heillä ei ollut tarpeeksi tietoa kouluttaa yrityksen algoritmia. Toimitusjohtaja kertoi The Wall Street Journalille. Älykkäiden vastausten luominen on laaja ja haastava tehtävä. Jopa Google, jolla on pääsy miljardien käyttäjien sähköposteihin, tarjoaa älykkäitä vastauksia erittäin kapeisiin tapauksiin.

Mutta ihmisten käyttäminen AI: n kouluttamiseen elävien käyttäjätietojen avulla ei ole rajoitettu pienempiin yrityksiin.

Vuonna 2015 Facebook julkaisi M: n, AI-chatbotin, joka pystyy ymmärtämään ja vastaamaan keskustelujen eri vivahteisiin ja suorittamaan monia tehtäviä. Facebook antoi M: n rajoitetulle määrälle Kalifornian käyttäjiä ja perusti henkilöstöoperaattoreiden henkilöstön, joka seuraisi AI: n suoritusta ja puuttuisi korjaamaan sitä, kun se ei ymmärtänyt käyttäjän pyyntöä. Alkuperäisen suunnitelman mukaan ihmisoperaattorit auttoivat avustamaan avustajaa vastaamaan reunatapauksiin, joita se ei ollut ennen nähnyt. Ajan myötä M pystyisi toimimaan ilman ihmisten apua.

Saavuttamaton tavoite?

Ei ole selvää, kuinka kauan kestää, ennen kuin Edison Software, X.ai ja muut yritykset, jotka ovat käynnistäneet in-the-loop-järjestelmät, tekevät AI: n täysin automatisoiduksi. On myös epävarmaa, voivatko AI: n nykyiset suuntaukset koskaan saavuttaa pisteen harjoittaa laajempaa aluetta.

Vuonna 2018 Facebook lopetti M: n käyttöönottamatta sitä virallisesti. Yhtiö ei jakanut yksityiskohtia, mutta on selvää, että chatbotin luominen, joka voi käydä laajoja keskusteluja, on erittäin vaikeaa. Ja M: n asettaminen kaikkien Facebookin kahden miljardin käyttäjän saataville tekemättä siitä ensin täysin kykenevää vastaamaan automaattisesti kaikenlaisiin keskusteluihin olisi vaatinut sosiaalisen median jättiläättä palkkaamaan valtavan määrän ihmisiä M: n aukkojen täyttämiseksi.

DeepGrammarin Mugan uskoo, että pystymme lopulta luomaan AI: n, joka voi ratkaista tavallisen päättelyn, jonka muut luokittelevat yleiseksi AI: ksi. Mutta se ei tapahdu pian. "Horisontissa ei ole tällä hetkellä menetelmiä, joiden avulla tietokone voisi ymmärtää pienen lapsen tietämät", Mugan sanoo. "Ilman tätä perustietoa tietokoneet eivät pysty suorittamaan monia tehtäviä hyvin 100 prosenttia ajasta."

Tämän näkökulman huomioon ottamiseksi OpenAI: n asiantuntijat kehittivät äskettäin Dactylia, robotti-kättä, joka pystyy käsittelemään esineitä. Tämän tehtävän jokainen ihmisen lapsi oppii suorittamaan alitajuisesti varhaisessa iässä. Mutta Dactyl 6144 prosessorilla ja 8 GPU: lla ja noin sadan vuoden kokemus samojen taitojen kehittämiseen kesti. Vaikka se on kiehtova saavutus, se tuo esiin myös huomattavat erot kapean AI: n ja ihmisen aivojen toiminnan välillä.

"Olemme erittäin kaukana keinotekoisesta yleisestä älykkyydestä, ja melko todennäköisesti AGI on monien erityyppisten kapeiden tai sovelluskohtaisten AI-yhdistelmien yhdistäminen ja koordinointi", Marsh sanoo. "Uskon, että tällä hetkellä on taipumus yliarvioida AI: n ominaisuuksia, mutta näen myös olevan valtava arvo vain aloittamalla ensimmäiset vaiheet ja toteuttamalla perinteisiä koneoppimismalleja."

Onko toinen AI Winter Looming?

Vuonna 1984 American Artificial Intelligence Association (myöhemmin nimeltään Association of the Advantage of Artificial Intelligence) varoitti yritysyhteisöä siitä, että AI: n ympäröivä hype ja innostus johtavat lopulta pettymykseen. Pian sen jälkeen sijoitus ja kiinnostus AI: ta kohtaan romahtivat, mikä johti aikakauteen, joka tunnetaan paremmin "AI-talvena".

Kiinnostus ja investoinnit alaan ovat lisääntyneet jälleen vuoden 2010 alusta. Jotkut asiantuntijat pelkäävät, että jos AI-sovellukset eivät ole riittäviä tai eivät täytä odotuksia, seuraa uusi AI-talvi. Mutta asiantuntijat, joiden kanssa puhuimme, uskoivat, että AI on jo integroitunut elämäämme voidakseen seurata askeleensa.

"En usko, että olemme vaarassa sellaisen AI-talven kanssa kuin aiemmin, koska AI tarjoaa nyt todellista arvoa, ei vain hypoteettista arvoa", Mugan sanoo. "Jos kuitenkin sanomme edelleen suurelle yleisölle, että tietokoneet ovat älykkäitä kuin ihmiset, vaarana on takaisku. Emme palaa takaisin siihen, että emme käytä syvällistä oppimista havainnointiin, mutta termi 'AI' voi olla surullinen, ja me joutuisi kutsumaan sitä joku muu."

On varmaa, että ainakin meillä on pettymyksen aikakausi. Olemme oppimassa, missä määrin voimme luottaa nykyisiin AI-sekoituksiin eri aloilla.

"Odotan näkeväni, että jotkut yritykset ovat iloisesti yllättyneitä siitä, kuinka nopeasti ne voivat tarjota AI: n aiemmin manuaaliselle ja kalliille palveluille, ja että muut yritykset huomaavat, että kestää kauemmin kuin odotettiin keräävän tarpeeksi tietoa tullakseen taloudellisesti kannattava ", sanoo Kindred.ai: n perustaja ja tutkimusjohtaja James Bergstra. "Jos jälkimmäisiä on liian paljon eikä niistä riitä, se saattaa laukaista uuden AI-talven sijoittajien keskuudessa."

• Keinotekoisella älykkyydellä on bias-ongelma, ja se on meidän virheemme Keinotekoisella älykkyydellä on bias-ongelma, ja se on meidän virheemme
• Miksi AI: n opettaminen peleihin on tärkeää Miksi AI: n opettaminen on tärkeää
• AI tarjoaa valtavan potentiaalin, mutta se ei tapahdu yön yli AI tarjoaa valtavan potentiaalin, mutta se ei tapahdu yön yli

Geospockin Marsh ennustaa, että vaikka rahoitus ei lakkaa, sen dynamiikkaan tulee olemaan joitain muutoksia. Kun sijoittajat ymmärtävät, että todellinen asiantuntemus on harvinaista ja että vain niillä, joilla on pääsy tietoihin mallien kouluttamiseksi, on teollisuudessa eroja, markkinoilla tapahtuu suuri vakiintuminen ja rahoitusta saa paljon vähemmän startup-yrityksiä.

"Monille AI-aloittelijoille, joilla ei ole markkinarako-sovellusta tai valtavia määriä tietoja: talvi on tulossa", Marsh toteaa.