Մեքենայական ուսուցման վերաբերյալ վերջերս կայացած միջազգային կոնֆերանսում (ICML) Լեսթեր Մաքին հրավիրված ելույթ ունեցավ Մեքենայական ուսուցման հետ որոշ լավ բան անելը վերնագրով: Ես այստեղ չեմ ամփոփի ամբողջ խոսակցությունը, բայց խոսակցության ամենաուշագրավ կողմն այն էր, որ դա ոչ հաղթական պատմություն էր հսկայական սոցիալական օգուտների մասին մեքենայական ուսուցման և արհեստական ինտելեկտի նոր հեղափոխական ուժերի միջոցով, այլ այն, որ այն ML-ի միջոցով իմաստալից, բայց (համեմատաբար) փոքր հաղթանակներ տանելու համար պայքարների հավաքածու էր:
Սա արտացոլում է մի թեմա, որը դիտել է այս տարածքով հետաքրքրված յուրաքանչյուր ոք. ՄԼ-ում աշխատող մարդկանց մեջ կա ցանկություն՝ օգտագործելու իրենց հմտությունները «լավի» համար, բայց բոլորովին պարզ չէ, թե ինչպես դա անել: Սա գալիս է այն պատճառով, որ ML/AI-ը գովազդվում է որպես տեխնոլոգիա, որն արդեն փոխում է աշխարհը, սակայն ոչ ոք կարծես չգիտի, թե ինչպես կարող է այս փոփոխությունը նշանակալից օգուտ բերել այն հասարակություններին, որտեղ մենք ապրում ենք, այլ ոչ թե սպառողականության կամ հսկողության համար (ենթադրելով, որ դրանք չեն այն, ինչ մարդիկ նկատի ունեն, երբ խոսում են «լավի» մասին):
Պահպանելով այս թեմային՝ անցյալ շաբաթ Էնդրյու Նգը բաց հարց տվեց սոցիալական մեդիայի իր հետևորդներին. Ո՞րն է ձեր կարծիքով ամենակարևոր խնդիրը, որի վրա պետք է աշխատի AI համայնքը:: Պատասխանները կրկին արտացոլում էին սոցիալական բարօրությանը նպաստելու ցանկությունը՝ կլիմայի փոփոխություն, ապատեղեկատվության հակազդում, առողջապահություն (և հատկապես Covid19) և բացատրելի և էթիկական AI ազնիվ, բայց անորոշ խմբավորում:
Այսպիսով, փորձենք ամփոփել իրավիճակը հետևյալ կերպ.
- Մենք ունենք ML-ի տեխնոլոգիա, որը բավականաչափ հզոր է տնտեսությունն ու հասարակությունը ինչ-որ կերպ փոխելու համար,
- Պրակտիկ մասնագետների և շահագրգիռ կողմերի մոտ կա մեծ ցանկություն՝ օգտագործելու ML տեխնոլոգիան սոցիալական բարօրության համար
- Մարդկանց մեծամասնությունը հստակ պատկերացում չունի, թե ինչպես օգտագործել 1.-ը 2.-ի համար, և նրանք, ովքեր իրականում փորձում են, դժվարանում են դա անել:
Եկեք ուսումնասիրենք որոշ պատճառներ, թե ինչու մենք կարող ենք հայտնվել այս իրավիճակում: Այս հոդվածի մնացած մասի համար ես կօգտագործեմ «ML»՝ որպես տվյալների գիտության, վիճակագրության, արհեստական ինտելեկտի և ընդհանուր առմամբ հաշվողական մեթոդների համառ տերմին, որոնք օգտագործում են տվյալներ և հաշվարկներ՝ օգնելու որոշումներին և գործողություններին: Բացի այդ, ես կօգտագործեմ «լավը»՝ նկատի ունենալով այն գործողությունները, որոնք որոշակի օգուտ են տալիս հանրությանը կամ հասարակության անդամներին, բացառությամբ ուղղակի դրամական միջոցների: Օրինակ՝ միջամտությունները, որոնք բարելավում են շրջակա միջավայրի որակը, կրթության հասանելիությունը, բժշկական նպաստները կամ հակազդում են սոցիալական բացառմանը և հոգեկան հիվանդություններին:
Եկեք օգտագործենք AI-ն՝ լուծելու ‹անլուծելի X› խնդիրը:
Տվյալների պրակտիկայով զբաղվող գիտնականների մեծամասնությունը մինչ այժմ հանդիպել է իր հիերարխիայում ավելի բարձր մակարդակի ինչ-որ մեկի իրավիճակին, ով առաջարկում է սկսել նախագիծ կամ արտադրանք X խնդիրը լուծելու համար ML օգտագործելու անկայուն պատրվակով: Այնտեղ, իհարկե, ավելի հարմար մոտեցում կլինի ցանկություն ունենալը: լուծել X խնդիրը, այնուհետև օգտագործել ամենահարմար գործիքները դա անելու համար:
Այժմ, առաջին սցենարն այնքան էլ անարժեք և պոտենցիալ աղետալի չէ, որքան երբեմն առաջարկվում է. կարող է լինել որոշակի նախնական գիտելիք, որ ML-ն ունի ներուժ լուծելու խնդիր, որն այլապես չափազանց ծախսատար է կամ անլուծելի՝ օգտագործելով մարդկային ջանքերը կամ ավանդական հաշվարկները: Ի հավելումն, շատ նորամուծություններ գալիս են այն բանից, որ պարզապես պտտվում են շուրջը և ինչ-որ մեկը կիրառում է իր հատուկ հմտությունները մի խնդրի համար, որը նրանք համարում են հետաքրքիր, նույնիսկ եթե դա ակնհայտորեն օպտիմալ մոտեցում չէ: Այսպիսով, «եկեք օգտագործենք AI-ն X-ը լուծելու համար» միշտ չէ, որ դատապարտված է ձախողման:
Այնուամենայնիվ, շատ հաճախ այն կոդավորում է հետևյալներից մեկը կամ մի քանիսը. որոշակի թյուրիմացություն, թե ինչ է ներկայումս հնարավոր «AI»-ի հետ. վերջին քմահաճույքին և հիփի միտումներին հետևելու ցանկություն; առկա խնդրի և որոշ հնարավոր լուծումների մասին իսկապես մտածելու բացակայություն: Եվ շատ հաճախ դա տեղի է ունենում նաև «եկեք օգտագործենք AI-ն սոցիալական բարօրության համար», որը մեզ տանում է դեպի կետ 3: Այլ կերպ ասած, սոցիալական բարիքի համար տեխնոլոգիայի ներդրումը պահանջում է խնդրի ավելի լայն պատկերացում, և որտեղ ML-ը կարող է տեղավորվել: այդ խնդրի լուծումը, ինչպես նաև այն ազդեցության չափանիշը, որը հավանաբար կունենա:
Համակարգում, հաստատություններ և ուժ
Համակարգման խնդիրներ. ինչ է անհրաժեշտ աշխարհը փոխելու համար տալիս է սոցիալական համակարգման խնդրի պարզ ոչ տեխնիկական սահմանումը.
Հասարակական մակարդակում հիմնական փոփոխությունների բանալին այն է, որ բավականաչափ մարդիկ միևնույն ժամանակ փոխեն իրենց վարքագիծը: Մեկուսացված անհատների համար բավական չէ գործել:
Թվային տեխնոլոգիաները, որոնց ML-ը ենթաբազմություն է, թույլ են տալիս նախկինում անհնարին մասշտաբայնություն, և մի քանի մարդիկ կարող են ստեղծել ապրանքներ, որոնք ազդում են միլիոնավոր մարդկանց վրա (օրինակ՝ Whatsapp-ը): Սոցիալական խնդիրները, սակայն, հաճախ դրսևորվում են որպես համակարգային խնդիրներ, որոնք ներկառուցված են այն բանում, թե ինչպես ենք մենք գործում հասարակության մակարդակով և, հետևաբար, ավելի քիչ լուծելի են մեկ տեխնոլոգիայով: Բացառություններ, իհարկե, կան, հատկապես առողջապահության և բժշկության ոլորտում. պատվաստանյութերը, հակառետրովիրուսային միջոցները և քիմիոթերապիաները բառացիորեն փրկում են միլիոնավոր մարդկանց կյանքեր, որոնք այլապես մահացած կլինեին՝ հաճախ առաջանալով անհատների և փոքր թիմերի հնարամտությունից: Իհարկե, այս տեխնոլոգիաների լայնածավալ օգտագործումը հանրային օգտագործման համար պահանջում է զանգվածային համակարգում և այժմ այն բազմաթիվ գործակալությունների (գիտական հետազոտական խմբեր, CROs, դեղագործական ընկերություններ, կարգավորիչներ, ինչպիսիք են CDC-ն և EMA-ն) երկար տարիների փորձի և համակարգման արդյունք է:
Այնուամենայնիվ, ամենևին պարզ չէ, թե ինչպես կարող է մեկ տեխնոլոգիան լուծել այնպիսի խնդիր, ինչպիսին է անօթևանությունը, որն առաջանում է առանձին սոցիալական հարթություններից՝ ֆիզիկական (մատչելի բնակարանի բացակայություն), տնտեսական (աշխատաշուկայի կառույցներ), հոգեբանական: (հոգեկան առողջություն), սոցիոլոգիական (խտրականություն) և բժշկական (կախվածություն և հաշմանդամություն): Նման խնդրի լուծումը պահանջում է համակարգում այս բոլոր հարթություններում, և պարզ չէ, թե ինչպես կարող է ML-ն օգտագործվել բոլորը լուծելու համար: Հնարավոր է, որ ML-ը կարող է գործիք լինել այս չափումներից յուրաքանչյուրում ինչ-որ պահի և կարող է նույնիսկ դեր խաղալ ռեսուրսների բաշխման և դրանցից յուրաքանչյուրի միջև համակարգման գործում: Սակայն նման խնդիր լուծելու համար անհրաժեշտ է առաջին հերթին դա անելու լուրջ ցանկություն և խնդրի բազմաթիվ հարթություններում համակարգելու և առաջացող քաղաքական և գործնական մարտահրավերների ֆոնին փոփոխություններ իրականացնելու կարողություն:
Ընդհանրապես, բոլոր հասարակությունների խնդիրների պատճառները և դրանց լուծումները ոչ միայն ալկոհոլն են, այլ մեր ինստիտուտները:
Օրինակ՝ առողջապահության ոլորտում, ես պատկերացնում եմ, որ շատ մարդիկ ունեն այնպիսի զգացողություն, որ «եթե մենք կարողանայինք ստանալ կամ հավաքել բոլոր այն տվյալները, որոնք մենք ունենք որպես հասարակություն, և օգտագործեինք մեր նոր ML մեթոդները, մենք կարող էինք էքսպոնենցիալ առաջընթաց ունենալ՝ հարյուր հազարների փոխարեն։ Առանձին հետազոտողներ միացնում են 150 տվյալների կետերը լոգիստիկ ռեգրեսիայի մեջ և հրապարակում դրա վերաբերյալ հոդված: Այնուամենայնիվ, մեր հաստատությունները ներկայումս ստեղծված չեն նման ջանքերին աջակցելու համար (մի կողմ թողնելով գաղտնիության հետ կապված խնդիրները, որոնք կապված են տվյալների փոխանակման հետ, և այն կասկածները, որոնց տակ այժմ նման հաստատությունները կպահվեն): Բազմաչափ խնդիրների լայնածավալ լուծումը պահանջում է շատ մարդկային նկատառումներ, ինչպիսիք են առաջնորդությունը, կազմակերպությունը և բազմաթիվ սոցիալական և քաղաքական խմբերի կողմից ներգրավվածությունը:
Որպեսզի ՓԼ-ն ազդեցություն ունենա, մեր հաստատություններում աշխատող ուժի և ազդեցության դիրքեր ունեցողները պետք է առնվազն ընդունեն որոշումների կայացման վիճակագրական մշակույթը և թափանցիկ ձևով, որպեսզի մոդելները, տվյալները և ենթադրությունները կարողանան հասկանալ և քննադատվել: . Եվ դրանից բխում է պրակտիկանտների պարտավորությունը՝ հասկանալու իրենց մեթոդները, տվյալները և ենթադրությունները և համապատասխան որոշումներ կայացնել յուրաքանչյուրի շուրջ: Հնարավոր է, որ Covid19-ի մոդելավորման շուրջ խառնաշփոթը խաթարել է հասարակության և պաշտոնյաների որոշակի հավատը նման մոդելների նկատմամբ, սակայն կուլիսային տեխնոլոգիական ընկերությունները, որոնք իրենք էլ դառնում են ավելի հզոր ինստիտուտներ, հիմնականում ընդունել են օգտագործումը։ Տվյալների վրա հիմնված մոդելավորում որոշումների կայացման համար:
Եզրակացություն
Այս հոդվածի նպատակն ամենևին էլ AI/ML-ի օգտագործման անհնարինությունը կամ անհույս լինելը չէ, այլ որպես առաջին փորձ՝ մտածելու, թե ինչու է դա այդքան դժվար: Բացի այդ, ես ուզում եմ օգնել ուրիշներին մտածել որոշ խնդիրների մասին, որոնց նրանք հավանաբար կհանդիպեն սոցիալական լավ ծրագրեր սկսելու ժամանակ, որպեսզի հակազդեն հիասթափության անխուսափելի զգացմանը, երբ ամեն ինչ դժվար է, և ազդեցություն ունենալն անհնարին է թվում: Հուսով եմ, որ այս ոլորտը հետագայում կուսումնասիրեմ՝ տրամադրելով այս խնդիրների ավելի խորը վերլուծություն, ընդգծելով որոշ դրական նախաձեռնություններ և ավելի կարևոր՝ առաջարկելով առաջընթացի ուղիներ: Եթե այս հարցի վերաբերյալ մտքեր ունեք, ավելացրեք մեկնաբանություններում և կիսվեք այս հոդվածով, եթե այն ձեզ համար օգտակար է, որպեսզի այս զրույցը ավելի լայն լսարան բերի:
