Strojno učenje je značajno napredovalo u posljednjih nekoliko godina, posebice u području prepoznavanja slika. Međutim, kao i kod svake tehnologije, postoje ograničenja i izazovi koji trebaju biti riješeni. Jedan od takvih izazova je nenamjerno ugrađivanje veza i pristranosti u razumijevanje svijeta koje stroj posjeduje.
Kako bi se to prevladalo, istraživači su usvojili drugačiji pristup – ugradnju pravila u sustav i traženje od stroja da koristi svoje sposobnosti jezične interpretacije kako bi odredio odgovara li primjer pravilima ili ne. Ovaj novi pristup pokazao je obećavajuće rezultate u kategorizaciji i klasifikaciji složenih informacija.
Na primjer, u nedavnom eksperimentu, algoritam strojnog učenja je pokazao razinu razumijevanja i nijanse prilikom interpretiranja različitih scenarija. Prepoznao je da žena koja dolazi iz sinagoge može biti židovka te da trgovanje plakatima Izraelaca zarobljenih u Gazi može ukazivati na pristranost protiv Židova. Nadalje, shvatio je da motivi za napad na crnu ženu možda nisu isti kao i oni za napad na židovske osobe. Ove interpretacije pokazuju potencijal generativne AI za razumijevanje složenih konteksta.
Osim jednostavnih scenarija, algoritam je također testiran na složenijim uputama. Dobio je smjernice o stilu i pokrivenosti od Trans novinarskog udruženja, kao i druge dokumente o dezinformacijama, te je zatraženo da procijeni razinu dezinformacija i pogrešnog okvira u vezi trans pitanja u stvarnim vijestima. Algoritam nije samo analizirao informacije prikazane u člancima, već je identificirao i kontekstualne propuste. To pokazuje sposobnost stroja da čita i interpretira zadana pravila.
Ovaj proboj u generativnoj AI otvara niz mogućnosti za njezinu primjenu. Na primjer, mogla bi se koristiti za identifikaciju kršenja određenih smjernica, poput propisa Gradskog stambenog autoriteta New Yorka. Točnim označavanjem potencijalnih problema i klasificiranjem prema relevantnom pravilu, ova tehnologija mogla bi optimizirati proces procjene usklađenosti.
Zaključno, umjesto da se cilja na stvaranje svemogućeg stroja, ovaj pristup se usredotočuje na iskorištavanje ključnih sposobnosti generativne AI za unaprijeđenu klasifikaciju i interpretaciju informacija. Razumijevanjem i rješavanjem ograničenja i pristranosti koje su inherentne u algoritmima strojnog učenja, istraživači otključavaju pravi potencijal ove tehnologije za pojačavanje ljudskih procesa donošenja odluka diljem različitih područja.
Često postavljana pitanja (FAQ) o Generativnoj AI i Klasifikaciji Informacija:
1. Što je generativna AI?
Generativna AI odnosi se na korištenje algoritama strojnog učenja koji su trenirani za generiranje novog i originalnog sadržaja, poput slika, glazbe ili teksta, na temelju obrazaca i primjera iz postojećih podataka.
2. Koja su ograničenja i izazovi u strojnom učenju?
Poput svake tehnologije, strojno učenje ima svoja ograničenja. Jedan od izazova je mogućnost nenamjernog ugrađivanja veza i pristranosti u razumijevanje svijeta koje stroju može otežati točnu klasifikaciju i interpretaciju informacija.
3. Kako istraživači rješavaju pristranosti u algoritmima strojnog učenja?
Istraživači koriste novi pristup u kojem pravila ugrađuju u sustav i traže od stroja da interpretira primjere na temelju tih pravila. Korištenjem sposobnosti jezične interpretacije, algoritmi strojnog učenja mogu odrediti odgovara li primjer predefiniranim pravilima ili ne, pomažući prevladati pristranosti i poboljšati točnost klasifikacije.
4. Koji su primjeri sposobnosti stroja da razumije složene kontekste?
U nedavnom eksperimentu, algoritam strojnog učenja pokazao je svoje razumijevanje i nijanse pravilnom interpretacijom raznih scenarija. Primjerice, prepoznao je da žena koja dolazi iz sinagoge može biti židovka te da trgovanje plakatima Izraelaca zarobljenih u Gazi može ukazivati na pristranost protiv Židova. Time se pokazuje potencijal generativne AI za razumijevanje složenih konteksta.
5. Kako se generativna AI može primijeniti u stvarnim scenarijima?
Generativna AI ima brojne moguće primjene. Primjerice, može se koristiti za identifikaciju kršenja određenih smjernica, poput stambenih propisa, točnim označavanjem potencijalnih problema i klasifikacijom prema relevantnom pravilu. Ova tehnologija ima potencijal optimizirati procese procjene usklađenosti.
6. Kako algoritam procjenjuje dezinformacije i pogrešno okviranje u vijestima?
Algoritmu su dani stil i smjernice o pokrivenosti, kao i dokumenti o dezinformacijama, te je zatraženo da procijeni razinu dezinformacija i pogrešnog okvira o pitanjima trans osoba u stvarnim vijestima. Ne samo da je analizirao informacije prikazane u člancima, već je identificirao i kontekstualne propuste, prikazujući svoju sposobnost čitanja i interpretiranja zadanih pravila.
Definicije:
– Strojno učenje: Grana umjetne inteligencije koja omogućuje računalima učiti i donositi predviđanja ili odluke bez eksplicitnog programiranja.
– Prepoznavanje slika: Proces identifikacije i klasifikacije objekata ili uzoraka u digitalnim slikama ili fotografijama korištenjem algoritama strojnog učenja.
– Pristranosti: U kontekstu strojnog učenja, pristranosti se odnose na nenamjerne preference ili predrasude koje mogu biti ugrađene u algoritme, što može dovesti do nepravednog ili netočnog donošenja odluka.
– Kontekstualni propusti: Odnose se na informacije ili detalje koji nedostaju ili nisu spomenuti u određenom kontekstu ili situaciji.
Predloženi povezani linkovi:
– nature.com/subjects/machine-learning
– technologyreview.com/topic/machine-learning/
– forbes.com/sites/forbestechcouncil/2021/07/20/the-limitations-of-machine-learning/
The source of the article is from the blog coletivometranca.com.br