**Protingų algoritmų atsiradimas**
Neseniai vykusi diskusija, pvz., viena, paskelbta Konstantinos Simitis fondo, išryškino dirbtinio intelekto (DI) sudėtingumą ir jo pasekmes duomenų tvarkymui bei algoritmų patikimumui. Konstantinos Daskalakis, išskirtinis MIT profesorius ir tarptautiniu mastu pripažintas matematikas, kalbėjo apie mašininio mokymosi algoritmų kintamumą. Šie algoritmai, dažnai grindžiami daugiaparametriniais nelineariniais modeliais, pasižymi milijonais parametrų, kurie prisideda prie jų gylio ir skaičiavimo pajėgumo.
**Algoritmai: patikimos, bet nepatikimos informacijos kūrėjai**
Daskalakis pabrėžė svarbų esamų DI sistemų trūkumą: nors jos gali gaminti įtikinamą informaciją, jos nėra būtinai patikimos, pabrėždamas atsargią nuomonę apie DI pagamintą informaciją. Profesorius šį padėtį iliustravo, paminėdamas atvejį, kai įvaizdžių atpažinimo algoritmai naudojo nereikšmingus veiksnius, pvz., fono spalvas, norėdami atskirti tarp šunų ir vilkų nuotraukų. Tai buvo priskirta jų pradiniam apmokymui su nuotraukomis, rodančiomis šunis bėgančius per pievas, ir vilkus snieguotuose kraštovaizdžiuose, kuris neteisingai įgijo DI galimybę siekti fono, o ne tikrąją subjektą, atpažindamas gyvūnus.
**AI pagalbos vaidmuo įgūdžių tobulinime ir duomenų prieigos srityje**
Savo pastabose Daskalakis pripažino DI naudą, ypač jos gebėjimą palengvinti greitą ir lengvą prieigą prie archyvinių medžiagų ir tobulinti žmogaus sugebėjimus konkrečiuose įgūdžiuose, pvz., šachmatuose. DI gali imituoti didelių šachmatų žaidėjų strategijas, siekiant pagerinti žaidimą, dėl ko žmonės gali išmokti ir prisitaikyti savo žaidimo techniką.
**Atsargiai ir valdant DI naudojimą**
Tačiau jis taip pat pabrėžė, kad nepaisant to, kad pagrįsti galingi, DI įrankiai nėra iš esmės patikimi, ypač jei jie paremti fragmentiškais ar stereotipais apkrautais duomenimis. Išmanusios DI sistemų pradžiai reikalingas gerai sureguliuotas rinkinys duomenų, atspindintis įvairias vertybes ir požiūrius, siekiant užtikrinti subalansuotas pasekmes.
**DI kaip pagalba, o ne priešas**
Tuo tarpu Timos Sellis, kitas pripažintas profesorius ir „Arkimedo” tyrimų grupės direktorius Athena tyrimų centre, pakartojo, kad DI neturėtų būti laikoma priešu, o kaip žmogiškos išratos rezultatas – įrankis skaitmeniniam transformacijai ir technologiniam vystymuisi.
**DI vaidmuo informacijos išgryninime**
Abu ekspertai tvirtina, kad DI labai gerina mūsų galimybę naviguoti per didelius informacijos kiekius, siūlydami asmenines įžvalgas į duomenis, prisidedant prie kruopštus skaitmeninio ir istorinio kraštovaizdžio supratimo. Tačiau jie primena mums apie žmogaus priežiūros svarbą, siekiant užtikrinti etinį ir efektyvų šios transformacinės technologijos naudojimą.
**Pagrindiniai iššūkiai nelinearinėse algoritmų modeliavimo srityse**
Vienas iš svarbių iššūkių dirbtiniuose intelektinės nesąlyginės modeliuose yra suprasti ir interpretuoti pateiktus rezultatus. Nelineariniai modeliai gali užfiksuoti sudėtingus modelius, bet dažnai laikomi „juodaisiais dėžėmis“, nes jų vidiniai veikimo principai nėra lengvai aiškintini. Be to, šie modeliai reikalauja didelių skaičiavimo išteklių ir gali būti linkę į pernelyg priderinimą nepakankamai reguliuojant. Pernelyg priderinimas atsiranda, kai algoritmas pernors modeliuoja mokymo duomenis ir neatitinka naujų, nematytų duomenų.
Užduoties įvairių ir nešališkų mokymo duomenų rinkinių sudarymas nelineariniais modeliais yra sudėtinga užduotis, kuri gali padėti iššūkiams. Modeliai gali neteisingai išmokti ir pripažinti duomenų esamas šališkumus, kurie gali vesti prie neteisingų ar diskriminacinių rezultatų. Šio klausimo sprendimui reikia sąmoningų pastangų surinkti ir prižiūrėti duomenis, atitinkančius įvairių scenarijų ir demografinę spektrą.
**Trūkumai nelinearinėse algoritmų modeliavimo srityse**
– **Sudėtingumas:** Modeliai yra skaitmeniškai intensyvūs, todėl mažesnėms organizacijoms ir asmenims jie yra sunkiau prieinami.
– **Aiškumas:** Šie modeliai trūksta aiškumo savo sprendimų priėmimo procese, kuris yra kritinis klausimas srityse, pvz., sveikatos priežiūra ir baudžiamosios teisės, kur aiškumas yra būtinas.
– **Priklausomybė nuo duomenų:** Jei mokymo duomenys nėra atstovaujami arba neteisingi, šie modeliai gali veikti blogai, vedant prie neteisingų ar neteisingų rezultatų.
**Privalumai nelinearinėse algoritmų modeliavimo srityse**
– **Sudėtingumų tvarkymas:** Jie gali modeliuoti sudėtingas sąveikas, kurias tiesiniai modeliai negali sugauti.
– **Pagerintas tikslumas:** Tinkamai išmokytas nelinearinis modelis gali žymiai pranokti tradicinius tiesinius modelius tam tikrose srityse.
– **Platus pritaikomumas:** Šie modeliai turi taikymą įvairiose srityse, nuo finansų ir sveikatos priežiūros iki autonominių transporto priemonių ir veido atpažinimo.
Norint giliau įsigilinti į dirbtinio intelekto bendrąją sritį ir neline tų algoritmų modeliavimo tyrimus, akademiniai žurnalai, konferencijų straipsniai ir gerbiami technologijų ir dirbtinio intelekto tyrimų interneto svetainės būtų naudingi informacijos šaltiniai. Interneto svetainės, pvz., didžiulių DI laboratorių ir tarpdisciplininių tyrimų centrų svetainės dažnai suteikia įžvalgų į naujausius pažangas ir diskusijas šioje srityje. Štai pora susijusių nuorodų:
– MIT
– Athena Tyrimų centras
Yra labai svarbu, kad vykstančiai tyrimai išspręstų su nelinearinėmis algoritmų modeliavimo sritymis susijusius iššūkius, užtikrinant jų atsakingą ir etišką naudojimą visuomenės labui.
The source of the article is from the blog elblog.pl