Mga Key Takeaway
- Gumawa ang mga mananaliksik ng mga diskarteng nagbibigay-daan sa mga user na i-rank ang mga resulta ng gawi ng modelo ng machine-learning.
- Sabi ng mga eksperto, ipinapakita ng pamamaraan na ang mga makina ay nakakakuha ng kakayahan sa pag-iisip ng mga tao.
- Maaaring mapabilis ng mga advance sa AI ang pagbuo ng kakayahan ng mga computer na maunawaan ang wika at baguhin ang paraan ng pakikipag-ugnayan ng AI at mga tao.
Isang bagong pamamaraan na sumusukat sa kapangyarihan ng pangangatwiran ng artificial intelligence (AI) ay nagpapakita na ang mga makina ay nakakakuha ng mga tao sa kanilang mga kakayahan na mag-isip, sabi ng mga eksperto.
Ang mga mananaliksik sa MIT at IBM Research ay lumikha ng isang paraan na nagbibigay-daan sa isang user na i-rank ang mga resulta ng pag-uugali ng modelo ng machine-learning. Ang kanilang diskarte, na tinatawag na Shared Interest, ay nagsasama ng mga sukatan na naghahambing kung gaano kahusay ang pag-iisip ng isang modelo ay tumutugma sa mga tao.
"Ngayon, ang AI ay may kakayahang maabot (at, sa ilang mga kaso, lumampas) sa pagganap ng tao sa mga partikular na gawain, kabilang ang pagkilala sa imahe at pag-unawa sa wika, " Pieter Buteneers, direktor ng engineering sa machine learning at AI sa mga komunikasyon kumpanyang Sinch, sinabi sa Lifewire sa isang panayam sa email. "Sa natural na pagpoproseso ng wika (NLP), ang mga AI system ay maaaring mag-interpret, magsulat at magsalita ng mga wika pati na rin ang mga tao, at ang AI ay maaari pang ayusin ang kanyang diyalekto at tono upang iayon sa kanyang mga kapantay na tao."
Artificial Smarts
Ang AI ay kadalasang gumagawa ng mga resulta nang hindi ipinapaliwanag kung bakit tama ang mga desisyong iyon. At ang mga tool na tumutulong sa mga eksperto na maunawaan ang pangangatwiran ng isang modelo ay kadalasang nagbibigay lamang ng mga insight, isang halimbawa lamang sa bawat pagkakataon. Karaniwang sinasanay ang AI gamit ang milyun-milyong data input, na ginagawang mahirap para sa isang tao na suriin ang sapat na mga desisyon upang matukoy ang mga pattern.
Sa isang kamakailang papel, sinabi ng mga mananaliksik na ang Shared Interest ay maaaring makatulong sa isang user na tumuklas ng mga uso sa paggawa ng desisyon ng isang modelo. At ang mga insight na ito ay maaaring magbigay-daan sa user na magpasya kung ang isang modelo ay handa nang i-deploy.
“Sa pagbuo ng Nakabahaging Interes, ang aming layunin ay mapalaki ang proseso ng pagsusuri na ito upang maunawaan mo sa isang mas pandaigdigang antas kung ano ang pag-uugali ng iyong modelo,” Angie Boggust, isang co-author ng papel, sinabi sa release ng balita.
Nakabahaging Interes ay gumagamit ng diskarteng nagpapakita kung paano gumawa ng partikular na desisyon ang isang machine-learning na modelo, na kilala bilang mga pamamaraan ng saliency. Kung ang modelo ay nag-uuri ng mga larawan, ang mga paraan ng saliency ay nagha-highlight ng mga bahagi ng isang larawan na mahalaga sa modelo kapag nagdesisyon ito. Gumagana ang Shared Interest sa pamamagitan ng paghahambing ng mga paraan ng kapansin-pansing saliency sa mga annotation na binuo ng tao.
Ginamit ng mga mananaliksik ang Shared Interest para matulungan ang isang dermatologist na matukoy kung dapat niyang pagkatiwalaan ang isang machine-learning model na idinisenyo upang tumulong sa pag-diagnose ng cancer mula sa mga larawan ng mga sugat sa balat. Pinagana ng Shared Interest ang dermatologist na mabilis na makakita ng mga halimbawa ng tama at maling hula ng modelo. Napagpasyahan ng dermatologist na hindi niya mapagkakatiwalaan ang modelo dahil gumawa ito ng masyadong maraming hula batay sa mga artifact ng imahe sa halip na mga aktwal na sugat.
“Ang halaga dito ay ang paggamit ng Nakabahaging Interes, nakikita namin ang mga pattern na ito na lumalabas sa gawi ng aming modelo. Sa humigit-kumulang kalahating oras, nakapagpasya ang dermatologist kung pagtitiwalaan o hindi ang modelo at kung i-deploy ito o hindi, sabi ni Boggust.
Ang pangangatwiran sa likod ng desisyon ng isang modelo ay mahalaga sa machine learning researcher at sa gumagawa ng desisyon.
Pagsukat sa Pag-unlad
Ang gawain ng mga mananaliksik ng MIT ay maaaring maging isang makabuluhang hakbang pasulong para sa pag-unlad ng AI tungo sa antas ng katalinuhan ng tao, sinabi ni Ben Hagag, pinuno ng pananaliksik sa Darrow, isang kumpanya na gumagamit ng mga algorithm sa pag-aaral ng machine, na sinabi sa Lifewire sa isang panayam sa email.
“Ang pangangatwiran sa likod ng desisyon ng isang modelo ay mahalaga para sa machine learning researcher at sa gumagawa ng desisyon,” sabi ni Hagag. “Gusto ng una na maunawaan kung gaano kahusay ang modelo at kung paano ito mapapabuti, samantalang gusto ng huli na magkaroon ng kumpiyansa sa modelo, kaya kailangan nilang maunawaan kung bakit hinulaang ang output na iyon.”
Ngunit nagbabala si Hagag na ang pananaliksik sa MIT ay batay sa pag-aakalang naiintindihan natin o kaya nating i-annotate ang pag-unawa ng tao o pangangatwiran ng tao.
“Gayunpaman, may posibilidad na maaaring hindi ito tumpak, kaya kailangan ng higit pang gawain sa pag-unawa sa paggawa ng desisyon ng tao,” dagdag ni Hagag.
Maaaring mapabilis ng mga advance sa AI ang pagbuo ng kakayahan ng mga computer na maunawaan ang wika at baguhin ang paraan ng pakikipag-ugnayan ng AI at mga tao, sabi ni Buteneers. Naiintindihan ng mga Chatbot ang daan-daang wika sa isang pagkakataon, at ang mga AI assistant ay maaaring mag-scan ng mga katawan ng teksto para sa mga sagot sa mga tanong o iregularidad.
“Maaaring tukuyin ng ilang algorithm kapag ang mga mensahe ay mapanlinlang, na makakatulong sa mga negosyo at consumer na alisin ang mga spam na mensahe,” idinagdag ni Buteneers.
Ngunit, sabi ng mga Buteneers, ang AI ay nakakagawa pa rin ng ilang pagkakamali na hindi kailanman gagawin ng mga tao. "Bagama't ang ilan ay nag-aalala na papalitan ng AI ang mga trabaho ng tao, ang katotohanan ay palagi nating kakailanganin ang mga taong nagtatrabaho sa tabi ng mga AI bot upang tulungan silang mapanatili ang mga ito at maiwasan ang mga pagkakamaling ito habang pinapanatili ang isang tao sa negosyo," dagdag niya.
