Dirbtinis intelektas nesivadovauja mokslo pažangos logika
Daug kartų MT rašėme apie tyrėjus ir specialistus, kurie mašininio mokymosi sistemas skelbia „juodosiomis dėžėmis“ (1) net tiems, kurie jas kuria. Dėl to sunku įvertinti rezultatus ir pakartotinai naudoti naujus algoritmus.
Neuroniniai tinklai – technika, kuri suteikia mums intelektualius konvertuojančius robotus ir išradingus teksto generatorius, galinčius net kurti poeziją – lieka nesuprantama paslaptis išoriniams stebėtojams.
Jie tampa vis didesni ir sudėtingesni, tvarko didžiulius duomenų rinkinius ir naudoja didžiulius skaičiavimo masyvus. Dėl to gautų modelių replikacija ir analizė kitiems tyrėjams brangiai kainuoja ir kartais neįmanomą, išskyrus didelius centrus, turinčius didžiulius biudžetus.
Daugelis mokslininkų puikiai žino šią problemą. Tarp jų yra Joelis Pino (2), NeurIPS, svarbiausios atkuriamumo konferencijos, pirmininkas. Jos vadovaujami ekspertai nori sukurti „atkuriamumo kontrolinį sąrašą“.
Pino teigimu, idėja yra paskatinti tyrėjus pasiūlyti kitiems gaires, kad jie galėtų atkurti ir panaudoti jau atliktą darbą. Galite stebėtis naujojo teksto generatoriaus iškalba ar antžmogišku vaizdo žaidimų roboto judrumu, tačiau net geriausi ekspertai neįsivaizduoja, kaip šie stebuklai veikia. Todėl dirbtinio intelekto modelių atkūrimas yra svarbus ne tik nustatant naujus tyrimo tikslus ir kryptis, bet ir kaip grynai praktinis naudojimo vadovas.
Kiti bando išspręsti šią problemą. „Google“ mokslininkai pasiūlė „modelių korteles“, kad išsamiai aprašytų, kaip buvo išbandytos sistemos, įskaitant rezultatus, rodančius galimas klaidas. Alleno dirbtinio intelekto instituto (AI2) mokslininkai paskelbė dokumentą, kuriuo siekiama išplėsti Pinot atkuriamumo kontrolinį sąrašą ir įtraukti kitus eksperimentinio proceso etapus. „Parodyk savo darbus“, – ragina jie.
Kartais trūksta pagrindinės informacijos, nes tyrimo projektas priklauso, ypač įmonėje dirbančioms laboratorijoms. Tačiau dažniau tai yra nesugebėjimo apibūdinti kintančių ir vis sudėtingesnių tyrimo metodų požymis. Neuroniniai tinklai yra labai sudėtinga sritis. Norint pasiekti geriausių rezultatų, dažnai reikia tiksliai sureguliuoti tūkstančius „rankenėlių ir mygtukų“, kuriuos kai kas vadina „juodąja magija“. Optimalaus modelio pasirinkimas dažnai siejamas su daugybe eksperimentų. Magija tampa labai brangi.
Pavyzdžiui, kai „Facebook“ bandė atkartoti „DeepMind Alphabet“ sukurtos sistemos „AlphaGo“ darbą, užduotis pasirodė itin sunki. Didžiuliai skaičiavimo reikalavimai, milijonai eksperimentų su tūkstančiais įrenginių per daugelį dienų, kartu su kodo trūkumu, padarė sistemą „labai sunku, o gal net neįmanoma atkurti, išbandyti, tobulinti ir išplėsti“, teigia „Facebook“ darbuotojai.
Atrodo, kad problema yra specializuota. Tačiau jei mąstytume toliau, problemų, susijusių su rezultatų ir funkcijų atkuriamumu tarp vienos ir kitos mokslininkų grupės, reiškinys pakerta visą mums žinomą mokslo ir tyrimų procesų funkcionavimo logiką. Paprastai ankstesnių tyrimų rezultatai gali būti naudojami kaip pagrindas tolesniems tyrimams, skatinantiems žinių, technologijų plėtrą ir bendrą pažangą.
