Tehisintellekt on viimastel aastatel oluliselt arenenud, eriti pildituvastuse valdkonnas. Siiski on igal tehnoloogial piirangud ja väljakutsed, mis vajavad lahendamist. Üks selline väljakutse on juhuslike seoste ja eelarvamuste oht, mis võivad olla sisse ehitatud masina arusaamises maailmast.
Selle ületamiseks on teadlased võtnud uue lähenemisviisi – seadma süsteemi reeglid ja paluma masinal kasutada oma keele tõlgendamise võimeid, et otsustada, kas näited sobivad nende reeglitega kokku või mitte. See uudne meetod on näidanud paljulubavaid tulemusi keeruka teabe kategoriseerimisel ja klassifitseerimisel.
Näiteks viimases eksperimendis näitas masint õppiv algoritm arusaamise ja nüansirikkust erinevate stsenaariumide tõlgendamisel. Ta tunnustas, et naine, kes tuli sünagoogist, võib olla juut, ning et Iisraeli plakatite maha rebimine Gazas võib osutada eelarvamusele juutide vastu. Vastupidiselt mõistis see, et motivatsioonid musta naise ründamiseks ei pruugi olla samad mis juutide ründamiseks. Need tõlgendused näitavad generatiivse tehisintellekti potentsiaali keerukate kontekstide mõistmisel.
Liikudes lihtsatest stsenaariumitest kaugemale, testiti algoritmi ka keerukamate juhiste alusel. Sellele anti stiili ja kajastamise suunised Trans Ajakirjanike Assotsiatsioonilt, samuti teisi dokumente valeinformatsiooni kohta, ja paluti hinnata valeinformatsiooni ja vale esitamise taset trans-teemalistes reaalsetes uudistes. Algoritm mitte ainult ei analüüsinud artiklites esitatud teavet, vaid tuvastas ka kontekstuaalsed puudujäägid. See näitab masina võimet lugeda ja tõlgendada antud reegleid.
See läbimurre generatiivses tehisintellektis avab mitmesuguseid rakendusvõimalusi. Näiteks võiks seda kasutada määratletud juhiste rikkumiste tuvastamiseks, nagu näiteks New Yorgi Linna Korteri Autoriteet reglementides. Tänu võimekusele tuvastada potentsiaalsed probleemid ja kategooriatesse jaotada need vastavalt asjakohasele reeglile, võiks see tehnoloogia muuta vastavushindamise protsessi tõhusamaks.
Kokkuvõttes keskendub see lähenemine pigem generatiivse tehisintellekti põhiliste võimete kasutamisele info klassifitseerimise ja tõlgendamise täiustamiseks, mitte püüdele luua kõike teadvat masinat. Mõistes ja käsitledes masinõppes algoritmide sisemisi piiranguid ja eelarvamusi, avastavad teadlased selle tehnoloogia tõelise potentsiaali inimeste otsuste tegemise protsesside täiustamiseks erinevates valdkondades.
KKK (Korduma kippuvad küsimused) generatiivse tehisintellekti ja info klassifitseerimise kohta:
1. Mis on generatiivne tehisintellekt?
Generatiivne tehisintellekt viitab masinõppe algoritmide kasutamisele, mida on koolitatud genereerima uut ja originaalset sisu, näiteks pilte, muusikat või teksti, lähtuvalt olemasolevate andmete mustritest ja näidetest.
2. Millised on masinõppe piirangud ja väljakutsed?
Nagu iga tehnoloogia, on masinõppel omad piirangud. Üheks väljakutseks on võimalus, et masina arusaamisesse maailmast võivad olla sisse ehitatud juhuslikud seosed ja eelarvamused, mis võivad mõjutada selle võimet info korrektseks klassifitseerimiseks ja tõlgendamiseks.
3. Kuidas teadlased käsitlevad eelarvamusi masinõppe algoritmides?
Teadlased kasutavad uudset lähenemist, panemaks süsteemi reeglid ja paluma masinal tõlgendada näiteid nende reeglite alusel. Kasutades keele tõlgendamise võimeid, suudavad masinõppe algoritmid määrata, kas näited sobivad etteantud reeglitesse või mitte, aidates ületada eelarvamusi ja parandada klassifitseerimise täpsust.
4. Mis on mõned näited masina võimest mõista keerulisi kontekste?
Viimases eksperimendis demonstreeris masinõppe algoritm oma mõistmist ja nüansirikkust, tõlgendades õigesti erinevaid stsenaariume. Näiteks ta tunnustas, et naine, kes tuli sünagoogist, võib olla juut ning et Iisraeli plakatite maha rebimine Gazas võib viidata eelarvamusele juutide vastu. See näitab generatiivse tehisintellekti potentsiaali keerukate kontekstide mõistmisel.
5. Kuidas saab generatiivset tehisintellekti rakendada reaalmaailma stsenaariumides?
Generatiivsel tehisintellektil on arvukalt potentsiaalseid rakendusi. Näiteks võiks seda kasutada määratletud juhiste rikkumiste tuvastamiseks, nagu elamumäärused, täpselt märkides võimalikud probleemsed kohad ja kategoriseerides need vastavalt asjakohasele reeglile. See tehnoloogia võiks lihtsustada vastavushindamise protsesse.
6. Kuidas hindab algoritm valeinformatsiooni ja vale kajastamist uudistes?
Algoritmile anti stiili ja kajastamise suunised, samuti dokumendid valeinformatsiooni kohta, ning paluti hinnata valeinformatsiooni ja vale kajastamise taset trans-teemalistes reaalsetes uudistes. See analüüsis mitte ainult artiklites esitatud teavet, vaid tuvastas ka kontekstuaalsed puudujäägid, näidates oma võimet lugeda ja tõlgendada antud reegleid.
The source of the article is from the blog elektrischnederland.nl