AI Ethics Naalarma Sa Pagtaas ng Underhanded Juicing O Doping Ng AI Machine Learning Ng Mga Pinagkakatiwalaang Insider, Kasama ang Autonomous Self-Driving Cars

Juicing at doping.

Doping at juicing.

Alam nating lahat ang tungkol sa patuloy at palihim na paggamit ng mga gamot na nagpapahusay sa pagganap na nakalulungkot na umaasa sa iba't ibang palakasan. Nangyayari ito sa mga propesyonal na palakasan at maging sa mga amateur na palakasan. Nangyayari ito sa Olympics, na sa teorya ay isang pandaigdigang iginagalang na paligsahan na dapat ay isang halimbawa ng kadalisayan ng mga limitasyon ng pagganap ng tao at mga pinakamataas na sukdulan sa buong sangkatauhan.

Mayroong isang uri ng pervasiveness sa akto ng juicing at doping. Ang mga sports figure ay nasa ilalim ng napakalaking halaga ng presyon upang maabot ang unang lugar at sila ay nakakaakit na natutukso na gamitin ang anumang paraan na magagawa nila upang makarating doon. Bilang resulta ng posibilidad ng pag-juicing o doping, nakita namin na marami kung hindi karamihan sa mga sports ang nagpasimula ng mga pamamaraan at hakbang na naglalayong hadlangan at hulihin ang mga maling sumunod sa gayong mga pagsisikap. Kung may nahuling nag-juice o nagdo-doping, nanganganib na mabawi ang kanilang mga medalya sa palakasan. Dagdag pa, malamang na itapon sila ng kanilang mga tagasuporta at sponsor. Ang isang napakalaking pakiramdam ng panganib sa reputasyon ay sumasabay sa chancy act ng juicing o doping.

Ang mga tao na nagnanais na maging "pinakamahusay" sa isang partikular na isport ay pinaghiwa-hiwalay hindi paggamit ng mga gamot na nagpapahusay sa pagganap at nagpasyang gumamit ng alinman sa ilegal o hindi bababa sa hindi etikal na mga sangkap. Ang paggamit ng mga gamot ay maaaring maging isang halos siguradong paraan sa tuktok. Kung pinangangasiwaan nang palihim at may maingat na atensyon, may pagkakataon na walang makakaalam at hindi ito matukoy ng pagsubok. Makakaalis ka dito, parang walang kwenta. Siyempre, may posibilidad din na sinasaktan mo ang iyong katawan at sa huli ay magbabayad ka ng pisikal na presyo, ngunit ang tindi ng pagnanais para sa pansamantalang pagkakataon na manalo ay may posibilidad na mabawasan ang anumang kahihinatnan sa hinaharap.

Kaya, sa isang banda, mayroon tayong napakalaking potensyal para sa pagkamit ng dakilang kaluwalhatian at maaaring maging kayamanan sa pamamagitan ng paggamit ng mga gamot na nagpapahusay sa pagganap, habang sa kabilang banda, mayroon tayong karumal-dumal na pagkakataong mahuli at maalisan ng mga pinaghirapang panalo. at pagiging isang kasuklam-suklam na kinamumuhian sa buong mundo na pampublikong pigura (kasama rin ang mga masamang kahihinatnan na nauugnay sa kalusugan).

Iyan ay isang uri ng pagsusuri ng matabang gastos-pakinabang na kailangang gawin.

Ginagawa ng ilan ang pagkalkula ng mental ROI (return on investment) at nagpasyang huwag nang hawakan ang alinman sa mga gamot na nagpapahusay sa pagganap. Nagpasiya silang manatiling ganap na malinis at dalisay. Ang iba ay maaaring magsimula sa ganoong paraan at pagkatapos ay bahagyang lumihis. Maaari mong bigyang-katwiran ang pagkadulas bilang isang maliit na daliri lamang sa tubig na nagpapahusay ng pagganap at taimtim na sumumpa sa iyong sarili na hindi mo na ito gagawin muli. Bagama't ito ay maaaring humantong sa isang madulas na dalisdis. Ang klasiko at predictable na kasabihang snowball na dumudulas at dumudulas at gumulong pababa sa maniyebe na gilid ng burol, na nagiging mas malaki at mas malaking bola habang ginagawa ito.

Mayroon ka ring mga taong nagpasya nang maaga na sila ay magpapatuloy at gagamit ng mga gamot na nagpapahusay sa pagganap. Ang isang karaniwang paraan ng pag-iisip ay na ito ay ang tanging paraan upang labanan ang apoy gamit ang apoy. Ang pagpapalagay na ginagawa ay ang lahat ng iba na nakikipagkumpitensya sa iyo ay gumagawa din. Dahil dito, talagang walang saysay para sa iyo na maging dalisay at sumasalungat sa mga malinaw na marumi (kaya ipagpalagay mo).

Sa tingin ko ay makikita mo kung bakit ang likas na katangian ng pagsubok at pagtuklas ay lalong mahalaga sa mga bagay na ito. Kung ang ilang mga kalahok ay maaaring makawala sa paggamit ng mga gamot na nagpapahusay sa pagganap, sinisira nito ang buong bariles. Sa bawat pulgada, lahat ng iba pang kalahok ay halos tiyak na pupunta sa parehong landas. Kailangan nilang gumawa ng isang kakila-kilabot na pagpipilian. Nangangahulugan ito ng alinman sa pakikipagkumpitensya nang wala ang mga gamot, ngunit malamang na sa isang pisikal na kawalan, o kailangan nilang gamitin ang mga gamot at manatiling mapagkumpitensya, kahit na marahil ay nagnanais nang buong puso at maaaring hindi na kailangang gumamit ng mga pagpapahusay ng pagganap.

Isang alanganin, sigurado.

Mayroong higit pang kapaligiran na gumugulo sa mga pangyayaring ito. Halimbawa, ang isang tanong na patuloy na lumalabas ay kung ano talaga ang isang gamot na nagpapahusay sa pagganap. Maaaring makabuo ang mga awtoridad ng listahan ng mga ipinagbabawal na gamot. Samantala, sa isang sugal ng pusa at daga, ang iba pang mga gamot ay ginawa o natukoy na magbibigay ng mga pagpapahusay sa pagganap ngunit wala pa sa listahan ng mga ipinagbabawal na kemikal. Maaari mong subukang panatilihin ang isang hakbang sa unahan ng listahan, lumipat sa iba pang mga gamot at manatiling slim sa loob ng mga patakaran ng laro.

Ang pangkalahatang diwa ay ang juicing at doping ay hindi isang tuwirang paksa. Oo, maaring lahat tayo ay sumang-ayon na ang juicing o doping ay mabangis at hindi dapat isagawa. Oo, maaari tayong lahat ay sumang-ayon na dapat magkaroon ng mahigpit na mga patakaran tungkol sa hindi pag-juicing at doping, kasama ang mahigpit na pagsisikap na mahuli ang mga naliligaw. Sa kasamaang palad, mayroong maraming panlilinlang na maaaring makasira sa matataas na layunin.

Bakit ko ibinahagi sa iyo ang mga pagsubok at paghihirap ng juicing at doping?

Ginagawa ko ito para sa isang kadahilanan na maaari mong mahanap ang nakakagulat, nakakainis, nakakainis, at lubos na nakakasakit ng puso.

Nakikita mo, parami nang parami ang sinasabing ang AI ay minsan ay "pinahusay ang pagganap" sa pamamagitan ng paggamit ng juicing o doping (ng isang uri). Ang paniwala ay na kapag gumagawa ng isang AI system, ang mga developer ay maaaring gumawa ng medyo underhanded ploys upang ang AI ay lumitaw na mas mahusay kaysa sa kung ano talaga ito. Ito naman ay maaaring linlangin ang iba na ipagpalagay na ang AI ay may mga kakayahan na talagang wala ito. Ang mga kahihinatnan ay maaaring maging banayad o maaari silang mapanganib.

Isipin ang isang AI system na naglalaro ng mga pamato na (sasabihin ba nating) "pinahusay na pagganap" na lilitaw na parang hindi ito mawawala sa laro ng checker. Ang ilang mga mamumuhunan ay nagtatambak ng isang toneladang kuwarta sa laro, ginagawa ito sa ilalim ng maling paniniwala na ang AI ay palaging mananalo. Pagkatapos mailagay sa pampublikong paggamit, ang AI ay nanalo at nanalo. Sa isang punto, malamang na matatalo ito sa isang laro. Ay, anong nangyari? Sa anumang kaso, hindi ito malamang na isang pagsasaalang-alang sa buhay-o-kamatayan sa kaso ng paggamit na ito.

Sa halip, isipin ang isang AI system na nagmamaneho ng isang self-driving na kotse. Ang AI ay "pinahusay na pagganap" na tila maaari itong magmaneho nang ligtas at walang insidente. Sa ilang sandali, ang self-driving na kotse ay ginagamit sa mga pampublikong daanan at lahat ay tila maayos. Nakakalungkot, sa isang punto, ang AI ay naliligaw at nangyari ang isang pag-crash ng kotse na malinaw na kasalanan ng AI system. Maaaring masugatan ang mga tao at maaaring magkaroon ng mga pagkamatay. Ito ay isang sitwasyon kung saan ang pag-juicing o doping ng AI ay may mapanlinlang at malubhang kahihinatnan sa buhay-o-kamatayan.

Napagtanto ko na maaaring nagkakaroon ka ng heartburn tungkol sa pagtukoy sa juicing at doping pagdating sa AI. Sinasabi ko ito dahil ang AI ngayon ay ganap na hindi nakakaramdam at dapat tayong maging maingat sa anthropomorphizing AI, na tatalakayin ko pa rito sa lalong madaling panahon. Sa madaling sabi, ang AI ay hindi isang tao at hindi anumang bagay na malapit sa pagiging tao, sa ngayon. Ang pagsisikap na ihambing ang dalawa at ihanay sa kumbensyonal na konseptwalisasyon ng juicing o doping ay medyo malabo at dapat gawin nang nakadilat ang ating mga mata.

Ipagpapatuloy ko ang iminungkahing kahalintulad na ideya ng juicing at doping ng AI, bagaman hinihiling ko na tandaan mo na ito ay isang bagay na hindi dapat dalhin nang masyadong malayo. Maaari tayong medyo makatwirang sumandal sa parirala bilang isang paraan ng paglalantad ng mga aspeto na ipagtatalo ko ay saganang kailangan upang mailantad. Iyan ay isang praktikal na batayan para sa paggamit ng mga catchphrase. Ngunit hindi natin dapat iunat ito sa nether realms at gawin itong isang bagay na hindi. Sasabihin ko ang higit pa tungkol dito sandali.

Ang isang facet ng AI na nakakakuha ng higit na atensyon tungkol sa AI-related na juicing at doping ay nangangailangan ng ilang partikular na paraan kung saan ang ilang developer ay gumagawa ng AI-based na Machine Learning (ML) at Deep Learning (DL) system. Maraming AI Ethics at Ethical AI ramifications na nauukol sa mga ganitong uri ng kasuklam-suklam na aksyon sa panahon ng pagbuo ng mga ML/DL system. Para sa aking patuloy at malawak na saklaw ng AI Ethics at Ethical AI, tingnan ang link dito at ang link dito, lamang sa pangalan ng ilang.

Panatilihin din natin ang ating mga ulo sa ibabaw ng tubig at mangyaring bigyang-diin ang mga facet na ito habang nagpapatuloy ka sa buong talakayang ito:

• Hindi lahat ng gumagawa ng AI ML/DL ay gumagawa ng juicing o doping ng ML/DL
• Ginagawa ito ng ilan ngunit hindi nila alam ang paggawa ng mali
• Ginagawa ito ng ilan at alam kung ano mismo ang kanilang ginagawa sa pag-juicing o doping ng ML/DL
• Hindi tulad ng larangan ng palakasan, napakakaunti lamang ang pormal na na-standardize sa kabuuan ng "pagsusuri o pagtuklas" ng mga ganitong uri ng usapin para sa kontemporaryong ML/DL
• Ang masasamang kahihinatnan ng paggawa nito ay maaaring mag-iba nang malaki depende sa likas na katangian ng ML/DL (hal., AI playing checkers, AI na nagmamaneho ng self-driving na kotse).
• Ang ilan ay nangangatwiran na walang likas na hindi tama sa mga gawaing ito
• Ang mga kahulugan ng kung ano ang juicing o hindi o doping ng ML/DL ay nasa buong mapa
• Ang AI Ethics ay nakikipagbuno sa kung paano pinakamahusay na haharapin ang tila umuusbong na trend

Gusto kong i-clear ang isa pang twist sa paksang ito. Hinihiling ko na pagtiisan mo ako tungkol dito. Sa paanuman, lubos na mali ang kahulugan ng ilan sa bagay na ito at nahuhulog sa isang kakaibang paraan ng pag-iisip na ang mga nag-develop ng AI ay umiinom ng mga gamot na nagpapahusay sa pagganap, at samakatuwid ito ay isang talakayan tungkol sa mga tao na mismong gumagawa ng juicing at doping.

Iyon ay karaniwang nakakakuha ng kaunting tawa mula sa isang bilang ng mga developer ng AI.

To be abundantly clear, hindi iyon ang tinutukoy ko. Ako ay malinaw at tanging nakatuon dito sa tinatawag na juicing at doping ng AI mismo, at hindi sa mga taong gumagawa ng AI. Iyon ay sinabi, hindi ko sinasabi na hindi posible na maaaring mayroong mga developer ng AI na sa paanuman ay nagpasyang uminom ng mga gamot na nagpapahusay sa pagganap para sa anumang dahilan na maaari nilang piliin na gawin ito. Mukhang nagdududa na mayroong ganap na angkop na analogy sa sports na maihahambing sa gawa ng mga developer ng AI na malamang na magpasya na uminom ng mga ipinagbabawal na gamot na nagpapahusay sa pagganap, ngunit ipinauubaya ko iyon sa ibang mga mananaliksik na maaaring gustong tuklasin ang larangang iyon. Sasabihin ko lang na ang pag-inom ng anumang gamot na nagpapahusay sa pagganap para sa anumang kadahilanan ay tiyak na hindi maingat at maaaring tiyak na labag sa batas, hindi etikal, at labis na hindi pinapayuhan.

Nagtitiwala ako na nakakatulong iyon sa pagtuwid ng mga bagay-bagay.

Bago kumuha ng higit pang karne at patatas tungkol sa juicing at doping ng AI, magtatag tayo ng ilang karagdagang batayan sa malalim na mahalagang mga paksa. Dapat tayong sumakay ng madali sa AI Ethics at ML/DL arena upang maitakda ang yugto nang naaangkop.

Maaaring malabo mong batid na ang isa sa pinakamalakas na boses sa mga araw na ito sa larangan ng AI at maging sa labas ng larangan ng AI ay binubuo ng paghahabol para sa isang mas malaking pagkakatulad ng Etikal na AI. Tingnan natin kung ano ang ibig sabihin ng pagtukoy sa AI Ethics at Ethical AI. Higit pa rito, tutuklasin natin kung ano ang ibig kong sabihin kapag nagsasalita ako ng Machine Learning at Deep Learning.

Ang isang partikular na segment o bahagi ng AI Ethics na nakakakuha ng maraming atensyon ng media ay binubuo ng AI na nagpapakita ng hindi kanais-nais na mga bias at hindi pagkakapantay-pantay. Maaaring alam mo na noong nagsimula ang pinakabagong panahon ng AI, nagkaroon ng malaking pagsabog ng sigasig para sa tinatawag ngayon ng ilan. AI For Good. Sa kasamaang palad, sa mga takong ng bumubulusok na kaguluhan na iyon, nagsimula kaming masaksihan AI Para sa Masama. Halimbawa, ang iba't ibang mga sistema ng pagkilala sa mukha na nakabatay sa AI ay ipinakita bilang naglalaman ng mga pagkiling sa lahi at mga bias ng kasarian, na tinalakay ko sa ang link dito.

Mga pagsisikap na lumaban AI Para sa Masama ay aktibong isinasagawa. Bukod sa maingay legal mga hangarin ng pagpigil sa maling gawain, mayroon ding malaking pagtulak patungo sa pagyakap sa AI Ethics upang ituwid ang karahasan ng AI. Ang paniwala ay dapat nating gamitin at i-endorso ang mga pangunahing prinsipyo ng Etikal na AI para sa pagbuo at paglalagay ng AI na ginagawa ito upang mabawasan ang AI Para sa Masama at sabay na nagbabadya at nagtataguyod ng mas kanais-nais AI For Good.

Sa isang kaugnay na paniwala, ako ay isang tagapagtaguyod ng pagsisikap na gamitin ang AI bilang bahagi ng solusyon sa mga problema ng AI, paglaban sa apoy gamit ang apoy sa ganoong paraan ng pag-iisip. Halimbawa, maaari naming i-embed ang mga bahagi ng Ethical AI sa isang AI system na susubaybayan kung paano ginagawa ng iba pang AI ang mga bagay at sa gayon ay potensyal na mahuli sa real-time ang anumang mga pagsisikap na may diskriminasyon, tingnan ang aking talakayan sa ang link dito. Maaari rin tayong magkaroon ng hiwalay na AI system na gumaganap bilang isang uri ng AI Ethics monitor. Ang sistema ng AI ay nagsisilbing isang tagapangasiwa upang subaybayan at makita kung kailan ang isa pang AI ay napupunta sa hindi etikal na kailaliman (tingnan ang aking pagsusuri sa gayong mga kakayahan sa ang link dito).

Sa ilang sandali, ibabahagi ko sa iyo ang ilang pangkalahatang mga prinsipyo na pinagbabatayan ng AI Ethics. Mayroong maraming mga ganitong uri ng mga listahan na lumulutang dito at doon. Maaari mong sabihin na wala pang isang solong listahan ng unibersal na apela at pagsang-ayon. Yan ang nakakalungkot na balita. Ang magandang balita ay kahit papaano mayroong mga madaling magagamit na listahan ng AI Ethics at malamang na magkapareho ang mga ito. Ang lahat ng sinabi, ito ay nagmumungkahi na sa pamamagitan ng isang paraan ng makatwirang convergence ng mga uri na hinahanap namin ang aming paraan patungo sa isang pangkalahatang pagkakatulad ng kung ano ang binubuo ng AI Ethics.

Una, saklawin natin nang maikli ang ilan sa mga pangkalahatang tuntunin ng Etikal na AI upang ilarawan kung ano ang dapat na mahalagang pagsasaalang-alang para sa sinumang gumagawa, naglalagay, o gumagamit ng AI.

Halimbawa, tulad ng sinabi ng Vatican sa Panawagan ng Roma Para sa Etika ng AI at gaya ng tinakpan ko ng malalim sa ang link dito, ito ang kanilang natukoy na anim na pangunahing prinsipyo sa etika ng AI:

• Transparency: Sa prinsipyo, ang mga AI system ay dapat na maipaliwanag
• Pagsasama: Ang mga pangangailangan ng lahat ng tao ay dapat isaalang-alang upang ang lahat ay makinabang, at ang lahat ng indibidwal ay maihandog ang pinakamahusay na posibleng mga kondisyon upang ipahayag ang kanilang sarili at umunlad.
• Responsibilidad: Ang mga nagdidisenyo at nagde-deploy ng paggamit ng AI ay dapat magpatuloy nang may pananagutan at transparency
• Pagkakaiba-iba: Huwag lumikha o kumilos ayon sa pagkiling, kaya pinangangalagaan ang pagiging patas at dignidad ng tao
• Kahusayan: Dapat na gumana nang mapagkakatiwalaan ang mga AI system
• Seguridad at privacy: Dapat gumana nang ligtas ang mga AI system at igalang ang privacy ng mga user.

Gaya ng sinabi ng US Department of Defense (DoD) sa kanilang Mga Etikal na Prinsipyo Para sa Paggamit ng Artipisyal na Katalinuhan at gaya ng tinakpan ko ng malalim sa ang link dito, ito ang kanilang anim na pangunahing prinsipyo sa etika ng AI:

• Responsable: Ang mga tauhan ng DoD ay gagamit ng mga naaangkop na antas ng paghatol at pangangalaga habang nananatiling responsable para sa pagbuo, pag-deploy, at paggamit ng mga kakayahan ng AI.
• Pantay-pantay: Magsasagawa ang Departamento ng mga sadyang hakbang upang mabawasan ang hindi sinasadyang pagkiling sa mga kakayahan ng AI.
• Nasusubaybayan: Ang mga kakayahan sa AI ng Departamento ay bubuo at ipapakalat upang ang mga nauugnay na tauhan ay nagtataglay ng naaangkop na pag-unawa sa teknolohiya, mga proseso ng pag-unlad, at mga pamamaraan ng pagpapatakbo na naaangkop sa mga kakayahan ng AI, kabilang ang mga transparent at naa-audit na pamamaraan, pinagmumulan ng data, at pamamaraan at dokumentasyon ng disenyo.
• reliable: Ang mga kakayahan ng AI ng Departamento ay magkakaroon ng tahasan, mahusay na tinukoy na mga paggamit, at ang kaligtasan, seguridad, at pagiging epektibo ng mga naturang kakayahan ay sasailalim sa pagsubok at katiyakan sa loob ng mga tinukoy na paggamit sa kanilang buong lifecycle.
• Mapapamahalaan: Ang Departamento ay magdidisenyo at mag-iinhinyero ng mga kakayahan ng AI upang matupad ang kanilang mga nilalayon na pag-andar habang nagtataglay ng kakayahang makita at maiwasan ang mga hindi sinasadyang kahihinatnan, at ang kakayahang alisin o i-deactivate ang mga naka-deploy na system na nagpapakita ng hindi sinasadyang pag-uugali.

Tinalakay ko rin ang iba't ibang mga kolektibong pagsusuri ng mga prinsipyo ng etika ng AI, kabilang ang pagsaklaw sa isang set na ginawa ng mga mananaliksik na nagsuri at nagkondensasyon sa kakanyahan ng maraming pambansa at internasyonal na mga alituntunin sa etika ng AI sa isang papel na pinamagatang "The Global Landscape Of AI Ethics Guidelines" (nai-publish sa Kalikasan), at tinutuklasan ng aking saklaw sa ang link dito, na humantong sa listahan ng keystone na ito:

• Aninaw
• Katarungan at Pagkamakatarungan
• Non-Maleficence
• Pananagutan
• Privacy
• Pagkabenta
• Kalayaan at Autonomy
• Pagkatiwalaan
• Pagpapanatili
• Dignidad
• Pagkakaisa

Tulad ng maaari mong direktang hulaan, ang pagsisikap na i-pin down ang mga detalye na pinagbabatayan ng mga prinsipyong ito ay maaaring maging lubhang mahirap gawin. Higit pa rito, ang pagsisikap na gawing isang bagay na ganap na nahahawakan at sapat na detalyadong magagamit kapag gumagawa ng mga AI system ay mahirap ding basagin. Madaling gawin sa pangkalahatan ang ilang handwaving tungkol sa kung ano ang mga alituntunin ng AI Ethics at kung paano dapat itong sundin sa pangkalahatan, habang ito ay isang mas kumplikadong sitwasyon sa AI coding na kailangang maging ang tunay na goma na nakakatugon sa kalsada.

Ang mga prinsipyo ng AI Ethics ay dapat gamitin ng mga developer ng AI, kasama ang mga namamahala sa mga pagsusumikap sa pagpapaunlad ng AI, at maging ang mga sa huli ay naglalagay at nagsasagawa ng pagpapanatili sa mga AI system. Ang lahat ng stakeholder sa buong AI life cycle ng pag-unlad at paggamit ay isinasaalang-alang sa loob ng saklaw ng pagsunod sa mga itinatag na pamantayan ng Ethical AI. Ito ay isang mahalagang highlight dahil ang karaniwang pag-aakala ay ang "mga coder lamang" o ang mga nagprograma sa AI ay napapailalim sa pagsunod sa mga paniwala sa AI Ethics. Gaya ng naunang nasabi, kailangan ng isang nayon upang makabuo at maglagay ng AI, at kung saan ang buong nayon ay dapat sanay at sumunod sa mga alituntunin ng AI Ethics.

Siguraduhin din natin na tayo ay nasa parehong pahina tungkol sa likas na katangian ng AI ngayon.

Walang anumang AI ngayon na nakakaramdam. Wala kaming ganito. Hindi namin alam kung magiging posible ang sentient AI. Walang sinuman ang maaaring mahuhulaan kung makakamit natin ang sentient AI, o kung ang sentient AI ay kahit papaano ay miraculously kusang lalabas sa isang anyo ng computational cognitive supernova (karaniwang tinutukoy bilang ang singularity, tingnan ang aking coverage sa ang link dito).

Ang uri ng AI na pinagtutuunan ko ng pansin ay binubuo ng non-sentient AI na mayroon tayo ngayon. Kung gusto nating mag-isip-isip tungkol sa nagbabago AI, ang talakayang ito ay maaaring pumunta sa ibang direksyon. Ang isang pakiramdam na AI ay dapat na may kalidad ng tao. Kailangan mong isaalang-alang na ang sentient AI ay ang cognitive equivalent ng isang tao. Higit pa rito, dahil ang ilan ay nag-iisip na maaari tayong magkaroon ng super-intelligent na AI, maiisip na ang naturang AI ay maaaring maging mas matalino kaysa sa mga tao (para sa aking paggalugad ng super-intelligent na AI bilang isang posibilidad, tingnan ang ang coverage dito).

Panatilihin natin ang mga bagay na mas down to earth at isaalang-alang ang computational non-sentient AI ngayon.

Napagtanto na ang AI ngayon ay hindi nagagawang "mag-isip" sa anumang paraan na katumbas ng pag-iisip ng tao. Kapag nakipag-ugnayan ka kay Alexa o Siri, ang mga kakayahan sa pakikipag-usap ay maaaring mukhang katulad ng mga kapasidad ng tao, ngunit ang katotohanan ay ito ay computational at walang katalinuhan ng tao. Ang pinakabagong panahon ng AI ay gumawa ng malawakang paggamit ng Machine Learning (ML) at Deep Learning (DL), na gumagamit ng computational pattern matching. Ito ay humantong sa mga AI system na may hitsura ng mga proclivities na tulad ng tao. Samantala, walang anumang AI ngayon na may kamukha ng sentido komun at wala ring anumang nakakaisip na pagtataka ng matatag na pag-iisip ng tao.

Ang ML/DL ay isang anyo ng computational pattern matching. Ang karaniwang diskarte ay ang mag-ipon ka ng data tungkol sa isang gawain sa paggawa ng desisyon. Ipapakain mo ang data sa mga modelo ng ML/DL computer. Ang mga modelong iyon ay naghahangad na makahanap ng mga pattern ng matematika. Matapos mahanap ang gayong mga pattern, kung ito ay natagpuan, gagamitin ng AI system ang mga pattern na iyon kapag nakatagpo ng bagong data. Sa pagtatanghal ng bagong data, ang mga pattern na batay sa "luma" o makasaysayang data ay inilapat upang mag-render ng kasalukuyang desisyon.

Sa tingin ko maaari mong hulaan kung saan ito patungo. Kung ang mga tao na gumagawa ng pattern sa mga desisyon ay nagsasama ng mga hindi kanais-nais na pagkiling, malamang na ang data ay nagpapakita nito sa banayad ngunit makabuluhang mga paraan. Ang Machine Learning o Deep Learning computational pattern matching ay susubukan lang na mathematically gayahin ang data nang naaayon. Walang pagkakahawig ng sentido komun o iba pang nakikitang aspeto ng AI-crafted modeling per se.

Higit pa rito, maaaring hindi napagtanto ng mga developer ng AI kung ano ang nangyayari. Ang arcane mathematics sa ML/DL ay maaaring magpahirap sa pag-iwas sa mga nakatagong bias ngayon. Nararapat kang umasa at aasahan na ang mga developer ng AI ay susubok para sa mga potensyal na nakabaon na bias, kahit na ito ay mas nakakalito kaysa sa tila. Mayroong matatag na pagkakataon na kahit na may medyo malawak na pagsubok na magkakaroon pa rin ng mga bias na naka-embed sa loob ng mga pattern na tumutugma sa mga modelo ng ML/DL.

Medyo maaari mong gamitin ang sikat o kasumpa-sumpa na kasabihan ng garbage-in garbage-out. Ang bagay ay, ito ay mas katulad sa mga biases-in na insidiously makakuha infused bilang biases lumubog sa loob ng AI. Ang algorithm na paggawa ng desisyon (ADM) ng AI ay axiomatically nagiging puno ng hindi pagkakapantay-pantay.

Hindi maganda.

Balik tayo ngayon sa paksa ng AI juicing o doping.

Sa isang kamakailang artikulo sa agham magazine, ang juicing o doping ng Machine Learning at Deep Learning ay lumitaw sa konteksto ng mga pagsisikap ng mga developer ng AI na naglalayong makamit ang matataas na marka sa mga benchmark ng ML/DL: “Ang paghahangad ng matataas na marka ay maaaring humantong sa AI na katumbas ng doping. Ang mga mananaliksik ay madalas na nagsasaayos at nag-i-juice ng mga modelo na may mga espesyal na setting ng software o hardware na maaaring mag-iba mula sa run hanggang sa tumakbo sa benchmark, na nagreresulta sa mga pagtatanghal ng modelo na hindi maaaring kopyahin sa totoong mundo. Mas masahol pa, ang mga mananaliksik ay may posibilidad na pumili ng cherry sa mga katulad na benchmark hanggang sa makita nila ang isa kung saan ang kanilang modelo ay lumabas sa itaas" (agham, “Taught To The Test” ni Matthew Hutson, Mayo 2022).

Maaari mong ihalintulad ang benchmark na sitwasyon ng ML/DL na kinasasangkutan ng juicing sa mga naunang punto tungkol sa pagsubok na manalo sa mga kumpetisyon sa palakasan sa pamamagitan ng mga hindi kanais-nais na kasanayan.

Sa AI arena, mayroong isang pagkakatulad ng kumpetisyon upang makita kung sino ang maaaring makarating sa "pinakamahusay" na mga modelo ng ML/DL. Maaaring gamitin ang iba't ibang mga benchmark upang magpatakbo ng ML/DL at sukatin kung gaano kahusay ang pag-iskor ng ML/DL sa benchmark. Ang mga leaderboard at impormal na pagbabahagi ng mga resulta ng benchmark ay kadalasang ginagamit upang ipahayag kung sino ang nakamit ang pinakabagong pinakamataas na posisyon sa kanilang mga configuration ng ML/DL. Maaari mong makatwirang imungkahi na ang kaunting katanyagan at kayamanan ay naghihintay sa mga makakagawa ng kanilang ML/DL upang maging "nagwagi" bilang pinakabago at pinakamahusay na performer sa mga benchmark.

Ngunit tulad ng anumang uri ng kumpetisyon, may mga paraan upang subukan at linlangin ang iyong ML/DL upang ito ay tila mahusay na gumaganap sa isang benchmark kahit na under-the-hood sneaks ay inilalapat. Ito ang klasikong katiwalian ng pagpuntirya na makakuha ng mahusay sa isang pagsusulit sa pamamagitan ng paghahasa ng iyong diskarte sa pagsusulit, samantalang ang pangkalahatang prinsipyo ay dapat na sinusubukan mong tiyakin ang pangkalahatang pagganap.

Isipin ang pagbibigay ng pagsusulit sa isang tao na nilayon upang sukatin ang kanilang pangkalahatang pag-unawa sa sinasabing literatura ng Amerika, ngunit nalaman ng kumukuha ng pagsusulit na ang mga tanong ay itutuon lamang kay Mark Twain. Kaya, ang kumuha ng pagsusulit ay nag-aaral lamang ng mga gawa ni Mark Twain at napakalaki ng mga marka sa pagsusulit. Ipinagmamalaki ng kumukuha ng pagsusulit na nagtagumpay sila sa pagsusulit at maliwanag na brainiac tungkol sa lahat ng panitikan ng Amerika. Sa totoo lang, nasanay lang sila sa pagsubok at sa isang kahulugan ay nilinlang ang proseso ng pagsubok.

Napagtanto ko na ang ilan ay maaaring tumuturo kaagad sa pagsubok at kung sino ang naghanda ng pagsubok. Kung ang gumagawa ng pagsubok ay sapat na siksik upang payagan ang mga kumukuha ng pagsusulit na samantalahin ang pagsusulit, maaari kang magtaltalan na ito ay ganap na nasa balikat ng gumagawa ng pagsusulit at hindi ang kumukuha ng pagsusulit. Ginawa ng kukuha ng pagsusulit ang lahat ng kanilang makakaya upang maghanda para sa pagsusulit, kabilang ang pag-iisip kung ano ang nararapat nilang pag-aralan. Ito ay hindi lamang tila pinahihintulutan, maaari mong batiin ang kumukuha ng pagsusulit para sa pag-outsmart sa gumagawa ng pagsubok.

Hindi na ako pupunta pa sa etikal na kailaliman dito. Madali kang magpaikot-ikot sa ganoong paksa. Sabihin na lang natin na ang diwa ng mga benchmark ng ML/DL ay ang mga gumagamit ng mga benchmark ay inaasahan o ipinapalagay na gawin ito sa isang sportsmanship na paraan. Ito ay maaaring mukhang walang muwang sa ilan, habang ito ay maaaring mukhang nasa itaas at angkop sa iba.

Umaasa ako na makikita mo kaagad kung paano natural na lumabas ang mga pagsasaalang-alang sa AI Ethics at Ethical AI sa ganitong konteksto.

Isaalang-alang halimbawa na ang isang ibinigay na ML/DL ay napakahusay na gumagana sa isang benchmark at ang batayan para sa tumaas na marka ay dahil sa juicing o doping ng AI. Ipagpalagay pa na ang mga nag-develop ng AI ng "panalong" ML/DL ay hindi nagpahayag na sila ay nag-juice ng AI. Naririnig o nababasa ng ibang mga developer ng AI ang tungkol sa mga resulta ng performance ng ML/DL at nasasabik sila sa isang tila tagumpay sa AI ML/DL. Hindi nila alam ang nakatagong juicing o doping ng AI.

Ang mga nasasabik na developer ng AI ay nagpasyang ilipat ang kanilang mga pagsisikap sa ipinapalagay na mga diskarte ng partikular na ML/DL na iyon sa pagnanais na higit pang palawigin ang mga kakayahan. Sa ilang mga punto, marahil ay natuklasan nila na sila ay tumama sa isang pader at sa kanilang hindi kasiya-siyang sorpresa ay tila wala silang nakuha. Ito ay maaaring medyo nakalilito at nakakainis. Ilang buwan o taon na nilang pinaghirapan ang isang bagay na hindi nila namalayan na na-jus na pala sa pagsisimula. Muli, napagtanto ko na baka gusto mong humanap ng mali sa mga nabigo na ngayon na mga developer ng AI na tila hindi sapat na matalino upang mas maagang i-ferret out ang juicing, ngunit naglakas-loob akong sabihin na baka mabahala din tayo na mayroong mga juicer na nagsimula ng mga bagay na iyon. landas, sa simula.

Ang lahat ng ito ay tiyak na nakapagpapaalaala sa pagkakatulad sa palakasan.

Mayroon kang pagnanais na manalo, tila sa anumang halaga. Ang ilan ay maglalayon na manalo nang walang juicing, habang ang iba ay ganap na gumagawa ng juicing. Maaaring i-rationalize ng mga gumagamit ng juicing ang aktibidad bilang lehitimo. Ang mga pagsisikap na subukan at bawasan o hulihin ang juicing ay inilagay, kahit na ang pusa at mouse na katangian ng sitwasyon ay nangangahulugan na ang juicing ay malamang na isang hakbang sa unahan. Kapag nahuli ang isang taong nag-juicing, nanganganib sila sa posibilidad ng reputational backlash at iba pang masamang kahihinatnan. Patuloy nilang tinitimbang ang mga pinaghihinalaang upsides kumpara sa mga pinaghihinalaang gastos. At iba pa.

Ang mahirap na bagay tungkol sa pagkuha ng AI ML/DL juicing ay mayroong napakaraming paraan upang isagawa ang juicing o doping. Ipinapalagay ng isa na maaari mong sabihin ang parehong tungkol sa sports at juicing, ibig sabihin na ang isang malawak na iba't ibang mga paraan at mga enhancer ng pagganap ay maaaring gamitin upang subukan at manatili sa ilalim ng radar.

Anyway, narito ang ilang malawak na kategorya na dapat isaalang-alang sa AI ML/DL juicing forays:

a) Juice sa yugto ng disenyo ng Machine Learning at Deep Learning

b) Juice ang data na ginamit upang sanayin ang ML/DL

c) Juice ang modelong ML/DL

d) Juice ang mga ML/DL output

e) Gawin ang alinman sa dalawang nabanggit sa kumbinasyon

f) Gawin ang alinman sa tatlong nasa itaas sa kumbinasyon

g) Gawin ang lahat ng nabanggit

Malawakan kong sinaklaw ang paggamit ng pinakamahuhusay na kagawian ng ML/DL at gayon din ay nagbabala tungkol sa hindi magandang paggamit ng mga hindi kanais-nais na kasanayan sa ML/DL sa aking mga column. Hinihikayat kang tingnan kung gusto mo ng karagdagang mga detalye.

Bilang panlasa, isaalang-alang natin sandali ang uri ng juicing na maaaring mangyari sa pamamagitan ng data na ginagamit upang sanayin ang ML/DL. Ang karaniwang tuntunin ng thumb ay ang paghawak mo ng ilan sa iyong data ng pagsasanay para sa layunin ng pagsubok sa iyong modelo ng ML/DL. Ang karaniwang rekomendasyon ay gumamit ng 80/20 na panuntunan. Gumagamit ka ng humigit-kumulang 80% ng iyong data para sa pagsasanay ng ML/DL. Ang natitirang 20% ​​ay ginagamit upang subukan ang ML/DL. Inaasahan na ang 20% ​​ay relatibong kinatawan ng iba pang 80% at na basta-basta mong pipiliin kung alin sa iyong data ng pagsasanay ang nasa set ng pagsasanay at kung alin ang nasa set ng pagsubok.

Parang prangka.

Gagawa tayo ngayon ng ilang juicing o doping:

• Palihim na i-mirror ang iyong data ng pagsasanay at data ng pagsubok. Ang isang paraan upang i-juice ang mga bagay ay ang maingat na pagsusuri sa iyong data at subukang sadyang matiyak na ang 80% at ang 20% ​​ay perpektong nakahanay. Hindi mo random na hinahati-hati ang data. Sa halip, gumawa ka ng isang lihim na pagpili upang subukan at makuha ang 80% at ang 20% ​​na magkatulad sa liham. Ito ay nilayon na gawin ang iyong pagsubok na lumabas na napakaganda. Sa esensya, kung ang iyong ML/DL ay mahusay sa 80%, ito ay halos garantisadong magiging mahusay sa 20%. Ang paggawa nito ay wala sa diwa ng mga bagay-bagay dahil posibleng niloloko mo ang iyong sarili (at ang iba pa) sa paniniwalang ang ML/DL ay nakagawa ng mahusay na trabaho sa pag-generalize. Maaaring wala ito.
• I-shortchange ang data ng pagsubok. Ang isa pang paraan para ma-juice ang iyong ML/DL dataset ay ang hatiin ang data ng pagsasanay na sinasabing 95% ng iyong data, habang 5% lang ang data ng pagsubok sa holdout. Ito ay malamang na tumaas ang iyong mga posibilidad na walang anuman sa maliit na 5% na magpapababa sa pagganap ng ML/DL. Napakakaunting tao ang magtatanong kung gaano karami sa iyong data ang ginamit para sa pagsasanay kumpara sa pagsubok. Hindi nila alam na itanong ito o ipagpalagay na anuman ang iyong ginawa ay ang tamang paraan ng paggawa ng mga bagay.
• Alisin muna ang mga outlier. Ang isang palihim na paraan ng pag-juicing o doping sa iyong ML/DL ay nagsasangkot ng panlilinlang tungkol sa mga outlier sa iyong data. Bago mo i-feed ang alinman sa iyong data sa namumuong ML/DL, suriin mo muna ang data. Ito ay isang maingat na hakbang at lubos na inirerekomenda dahil dapat ay pamilyar ka sa iyong data bago mo ito i-slap sa isang ML/DL. Iyon ay sinabi, narito ang panlilinlang na maaaring gamitin. Makakakita ka ng anumang mga outlier sa data at itapon ang mga ito. Karaniwang makakatulong ito sa matematika ng ML/DL kapag sinusubukan nitong maghanap ng mga pattern sa computation. Ang mga outlier ay karaniwang isang sakit na dapat harapin, bagama't sila ay madalas na mahalaga at maaaring sabihin ng maraming tungkol sa likas na katangian ng data at anuman ang sinusubukan mong i-modelo. Sa pamamagitan ng bulag na pag-excuse sa mga outlier, tiyak na makaligtaan mo ang isang bagay na maaaring gumawa-o-sira sa katotohanan ng kung ano ang dapat gawin ng ML/DL. Ang isang mas mahusay na kasanayan ay upang bigyang-pansin ang mga outlier at isaalang-alang kung paano pinakamahusay na makipaglaban sa kanila, sa halip na summary na sipain sila palabas ng dataset.
• Huwag magsagawa ng pagsubok. Ang isang mas mapangahas na gawa ng juicing o doping ay nangangailangan ng hindi paggawa ng anumang pagsubok. Ginagamit mo ang lahat ng iyong data para sa pagsasanay. Kung maganda ang mga bagay, iwagayway mo ang iyong mga kamay sa hangin at idineklara na ang ML/DL ay handa nang gawin. Sa ganoong kahulugan, gumagamit ka ng 100/0 rule-of-thumb, ibig sabihin, 100% ng data para sa pagsasanay at 0% para sa pagsubok. I'm guessing na baka mabigla ka na may gagawa nito. Buweno, ang ilan ay napakasigurado tungkol sa mga resulta ng pagsasanay na sa tingin nila ay walang pagsubok na kinakailangan. O sila ay nagmamadali at walang oras upang harapin ang "nakakainis" na mga bagay sa pagsubok. Kunin mo ang larawan.

Nauna ko nang nabanggit na ang pag-juicing o doping ng AI ay maaaring medyo hindi mahalaga kung ang likas na katangian ng AI mismo ay hindi partikular na mahalaga, habang ang iba pang mga setting ay maaaring may kinalaman sa AI-directed life-or-death na mga kahihinatnan at samakatuwid ang juicing ay isang mahinang link at potensyal na tagapagbalita ng malubhang kapahamakan.

Sa puntong ito ng mabigat na talakayan na ito, tataya ako na gusto mo ng ilang mga halimbawang nakapagpapakita na maaaring magpakita ng paksang ito. Mayroong isang espesyal at tiyak na sikat na hanay ng mga halimbawa na malapit sa aking puso. Nakikita mo, sa aking kapasidad bilang isang eksperto sa AI kasama ang etikal at legal na mga epekto, madalas akong hinihiling na tumukoy ng mga makatotohanang halimbawa na nagpapakita ng mga dilemma ng AI Ethics upang ang medyo teoretikal na katangian ng paksa ay mas madaling maunawaan. Ang isa sa mga pinaka-evocative na lugar na malinaw na nagpapakita ng etikal na AI quandary na ito ay ang pagdating ng AI-based na tunay na self-driving na mga kotse. Ito ay magsisilbing isang madaling gamiting kaso o halimbawa para sa sapat na talakayan sa paksa.

Narito ang isang kapansin-pansing tanong na dapat pag-isipan: Ang pagdating ba ng AI-based na tunay na self-driving na mga kotse ay nagpapaliwanag ng anumang bagay tungkol sa juicing o doping ng AI, at kung gayon, ano ang ipinapakita nito?

Bigyan mo ako ng ilang sandali na i-unpack ang tanong.

Una, tandaan na walang taong driver na kasangkot sa isang tunay na self-driving na kotse. Tandaan na ang mga totoong self-driving na kotse ay hinimok sa pamamagitan ng AI driving system. Hindi na kailangan ng taong nagmamaneho sa gulong, at walang probisyon para sa tao na magmaneho ng sasakyan. Para sa aking malawak at patuloy na saklaw ng Autonomous Vehicles (AVs) at lalo na ang mga self-driving na sasakyan, tingnan ang ang link dito.

Gusto kong linawin pa kung ano ang ibig sabihin kapag tinutukoy ko ang mga totoong self-driving na kotse.

Pag-unawa sa Mga Antas Ng Mga Kotse na Nagmamaneho ng Sarili

Bilang paglilinaw, ang mga tunay na self-driving na kotse ay ang mga kung saan ang AI ang ganap na nagmamaneho sa kotse nang mag-isa at walang anumang tulong ng tao sa panahon ng gawain sa pagmamaneho.

Ang mga sasakyang walang driver na ito ay itinuturing na Antas 4 at Antas 5 (tingnan ang aking paliwanag sa ang link na ito dito), habang ang isang kotse na nangangailangan ng isang tao na driver na magbahagi ng pagsisikap sa pagmamaneho ay karaniwang isinasaalang-alang sa Antas 2 o Antas 3. Ang mga kotse na nagbabahagi ng gawain sa pagmamaneho ay inilalarawan bilang semi-autonomous, at karaniwang naglalaman ng iba't ibang uri ng mga awtomatikong add-on na tinutukoy bilang ADAS (Advanced Driver-Assistance Systems).

Wala pang totoong self-driving na kotse sa Level 5, at hindi pa namin alam kung posible itong makamit, o kung gaano katagal bago makarating doon.

Samantala, ang mga pagsusumikap sa Antas 4 ay unti-unting nagsisikap na makakuha ng ilang traksyon sa pamamagitan ng pagsailalim sa napakakitid at piling mga pagsubok sa pampublikong daanan, kahit na mayroong kontrobersya kung ang pagsubok na ito ay dapat payagan per se (tayo ay lahat ng buhay-o-kamatayang guinea pig sa isang eksperimento nagaganap sa aming mga highway at byways, ang ilan ay nakikipaglaban, tingnan ang aking saklaw sa ang link na ito dito).

Dahil ang mga kotse na semi-autonomous ay nangangailangan ng isang driver ng tao, ang pag-aampon ng mga uri ng mga kotse ay hindi magkakaiba sa iba kaysa sa pagmamaneho ng mga maginoo na sasakyan, kaya't hindi gaanong bago ang bawat se upang masakop ang tungkol sa mga ito sa paksang ito (bagaman, tulad ng makikita mo sa isang iglap, ang mga puntos na kasunod na ginawa ay karaniwang naaangkop).

Para sa mga semi-awtonomous na kotse, mahalaga na ang publiko ay kailangang paunang-hayag tungkol sa isang nakakagambalang aspeto na nagmula sa kani-kanina lamang, ibig sabihin, sa kabila ng mga driver ng tao na patuloy na nag-post ng mga video ng kanilang mga sarili na natutulog sa gulong ng isang Antas 2 o Antas 3 na kotse , kailangan nating lahat na maiwasan ang malinlang sa paniniwala na ang driver ay maaaring mag-alis ng kanilang pansin mula sa gawain sa pagmamaneho habang nagmamaneho ng isang semi-awtonomous na kotse.

Ikaw ang responsableng partido para sa mga aksyon sa pagmamaneho ng sasakyan, anuman ang maaaring awtomatikong ihulog sa isang Antas 2 o Antas 3.

Self-Driving Cars At Juicing O Doping Ng AI

Para sa Antas 4 at Antas 5 tunay na mga sasakyan sa pagmamaneho sa sarili, walang magiging driver ng tao na kasangkot sa gawain sa pagmamaneho.

Lahat ng mga nasasakupan ay magiging mga pasahero.

Ang AI ay gumagawa ng pagmamaneho.

Ang isang aspeto na agad na tatalakayin ay nagsasaad ng katotohanan na ang AI na kasangkot sa mga AI system sa pagmamaneho ngayon ay hindi nagbabago. Sa madaling salita, ang AI ay kabuuan isang kolektibong pag-program na batay sa computer at mga algorithm, at walang katiyakan na hindi makatuwiran sa parehong pamamaraan na magagawa ng mga tao.

Bakit ito idinagdag na diin tungkol sa AI na hindi nagbabago?

Dahil nais kong bigyang diin na kapag tinatalakay ang papel ng system ng pagmamaneho ng AI, hindi ko inilahad ang mga katangian ng tao sa AI. Mangyaring magkaroon ng kamalayan na mayroong isang patuloy at mapanganib na pagkahilig sa mga araw na ito upang anthropomorphize AI. Sa esensya, ang mga tao ay nagtatalaga ng mala-tao na pakiramdam sa AI ngayon, sa kabila ng hindi maikakaila at hindi maikukuhang katotohanan na wala pang ganitong AI.

Sa paglilinaw na iyon, maaari mong isipin na ang AI sa pagmamaneho system ay hindi natural na kahit papaano ay "malaman" tungkol sa mga aspeto ng pagmamaneho. Ang pagmamaneho at lahat ng mga kinakailangan nito ay kailangang mai-program bilang bahagi ng hardware at software ng self-driving car.

Sumisid tayo sa napakaraming mga aspeto na maglaro sa paksang ito.

Una, mahalagang mapagtanto na hindi lahat ng AI self-driving na mga kotse ay pareho. Ang bawat automaker at self-driving tech firm ay gumagawa ng diskarte nito sa paggawa ng mga self-driving na kotse. Dahil dito, mahirap gumawa ng mga malawak na pahayag tungkol sa kung ano ang gagawin o hindi gagawin ng mga AI driving system.

Bukod dito, tuwing isinasaad na ang isang sistema ng pagmamaneho ng AI ay hindi gumagawa ng isang partikular na bagay, maaari itong, sa paglaon, ay abutan ng mga developer na sa katunayan ay program ang computer upang gawin ang bagay na iyon. Hakbang-hakbang, ang mga sistema ng pagmamaneho ng AI ay unti-unting napapabuti at pinalawak. Ang isang umiiral na limitasyon ngayon ay maaaring hindi na umiiral sa isang hinaharap na pag-ulit o bersyon ng system.

Umaasa ako na nagbibigay iyon ng sapat na litanya ng mga caveat upang salungguhitan ang aking iuugnay.

Magsisimula tayo sa pamamagitan ng pagpupuri sa paggamit ng ML/DL sa larangan ng paggawa ng mga self-driving na sasakyan na nakabatay sa AI. Ilang mahahalagang aspeto ng self-driving na mga kotse ang natupad bilang resulta ng paggamit ng Machine Learning at Deep Learning. Halimbawa, isaalang-alang ang pangunahing kinakailangan ng pagkakaroon ng pag-detect at pag-analisa ng eksena sa pagmamaneho na nakapalibot sa isang self-driving na kotse na nakabatay sa AI.

Walang alinlangan na napansin mo na karamihan sa mga self-driving na kotse ay may napakaraming naka-mount na sensor sa autonomous na sasakyan. Madalas itong ginagawa sa rooftop ng self-driving na kotse. Ang mga sensor device gaya ng mga video camera, LIDAR unit, radar unit, ultrasonic detector, at iba pa ay karaniwang kasama sa rooftop rack o posibleng nakakabit sa tuktok ng kotse o mga gilid ng sasakyan. Ang hanay ng mga sensor ay nilayon upang elektronikong mangolekta ng data na maaaring magamit upang malaman kung ano ang umiiral sa pinangyarihan ng pagmamaneho.

Kinokolekta ng mga sensor ang data at pinapakain ang na-digitize na data sa mga onboard na computer. Ang mga computer na iyon ay maaaring isang kumbinasyon ng mga pangkalahatang-purpose na mga processor ng computing at mga dalubhasang processor na partikular na ginawa upang suriin ang data ng pandama. Sa pangkalahatan, karamihan sa sensory data computational analysis ay isinasagawa ng ML/DL na ginawa para sa layuning ito at tumatakbo sa onboard na mga computing platform ng sasakyan. Para sa aking mga detalyadong paliwanag tungkol sa kung paano ito gumagana, tingnan ang link dito at ang link dito, Lamang upang pangalanan ang ilang.

Sinusubukan ng ML/DL na computation na maghanap ng mga pattern sa data gaya ng kung nasaan ang daanan, kung nasaan ang mga pedestrian, kung nasaan ang iba pang kalapit na sasakyan, at iba pa. Ang lahat ng ito ay mahalaga upang maipatuloy ang self-driving na kotse. Kung wala ang ML/DL na nagsasagawa ng pagsusuri sa eksena sa pagmamaneho, ang self-driving na kotse ay magiging bulag sa kung ano ang umiiral sa paligid ng autonomous na sasakyan.

Sa madaling sabi, maaari mong madaling gawin ang kaso na ang paggamit ng ML/DL ay mahalaga sa paglitaw ng AI-based na self-driving na mga kotse.

Maaari ka bang mag-juice o mag-doping ng ML/DL na nauugnay sa AI-based na self-driving na mga kotse?

Talagang.

Madali nating magagamit ang mga naunang nakasaad na halimbawa ng juicing o doping pagdating sa mga aspeto ng data ng mga formulation ng ML/DL. Tandaan na ang ML/DL na ginagamit upang mag-scan para sa mga pedestrian, kotse, at iba pang mga bagay sa kalsada ay malamang na sinanay muna sa iba't ibang dataset ng mga eksena sa pagmamaneho. Ang pagsasanay na ito ng ML/DL ay nakatulong sa AI driving system na maayos at ligtas na mag-navigate sa mga kalye habang inuutusan ang mga autonomous na kontrol sa pagmamaneho ng sasakyan.

Narito kung ano ang maaaring gawin ng isang juicing o doping na pagsisikap:

• Palihim na i-mirror ang iyong data ng pagsasanay at data ng pagsubok. Kinokolekta mo ang dataset na ginagamit upang sanayin ang isang ML/DL sa mga bagay sa kalsada at sadyang ihanay ang bahagi ng pagsasanay at ang bahagi ng pagsubok. Sumusunod ka sa panuntunan ng thumb tungkol sa paghahati ng data sa 80% para sa pagsasanay at 20% para sa pagsubok, na samakatuwid ay tila ang tamang diskarte. Ang juicing ay ang paglipat mo sa paligid ng data upang matiyak na ang 80% at ang 20% ​​ay lubhang magkatulad. Isinalansan mo ang deck sa pabor sa anumang ML/DL na gagawin mo sa panahon ng pagsasanay.
• I-shortchange ang data ng pagsubok. Hinahati mo ang data ng pagsasanay sa 95% ng kabuuang dataset at maglalagay lamang ng 5% sa bahagi ng data ng pagsubok. Kapag isinagawa ang pagsubok, lumalabas na nabawasan mo ang mga pagkakataong hindi maganda ang hitsura ng ML/DL.
• Alisin muna ang mga outlier. Habang sinusuri ang data sa simula, natuklasan mo na may mga pagkakataon ng mga billboard na may mga larawan ng mga tao sa mga ito. Nag-aalala ka na malito nito ang iyong ML/DL, kaya aalisin mo ang mga larawan o video na iyon sa iyong dataset. Kapag nagawa mo na ang pagsasanay at pagsubok, ipinapahayag mo na ang iyong ML/DL ay handa nang gamitin sa ligaw. Sa kasamaang palad, sa isang punto, tiyak na may isang sitwasyon kung saan ang self-driving na kotse ay bumababa sa isang kalye o highway at mayroong isang billboard na may mga larawan ng mga tao. Hindi mo alam kung ano ang magiging reaksyon ng ML/DL mo. Maaaring ang ML/DL ay nagbabala na ang mga pedestrian ay nasa malapit at bilang resulta ang AI driving system ay biglang bumagsak sa preno, na nag-udyok sa iba pang kalapit na mga sasakyang minamaneho ng tao na bumangga sa self-driving na kotse o umalis sa kalsada upang maiwasan ang isang banggaan.
• Huwag magsagawa ng pagsubok. Nagmamadali kang makuha ang setup ng ML/DL. Marahil ang self-driving firm ay naglagay ng isang petsa na nagsasabing kapag ang self-driving na kotse ay gagawa ng isang mahalagang pampublikong demonstrasyon. Wala kang maraming oras para gawin ang mga bagay sa tamang paraan. Dahil dito, pinapanatili mo ang iyong mga daliri at ginagamit ang lahat ng data para sa pagsasanay. Wala kang ginagawang pagsubok. Nakakaramdam ka ng ginhawa na naabot mo ang nakasaad na deadline. Siyempre, kung ano ang susunod na mangyayari sa kalsada ay maaaring isang kalamidad sa paggawa.

Konklusyon

Sa pangkalahatan, ang mga bona fide na gumagawa ng self-driving na kotse ay lubos na maingat tungkol sa pagpayag sa pag-cut sa sulok at pagkuha ng mga pagkakataon sa pamamagitan ng pagsasagawa ng juicing o doping na mga aksyon sa kanilang umuusbong na AI driving system. Karaniwang mayroong maraming checks and balances upang subukan at makita at itama ang anumang mga naturang aksyon. Bilang karagdagan, marami sa mga kumpanya ang nagtatag ng medyo mahigpit na mga alituntunin sa AI Ethics at mga mekanismo ng pag-aalerto upang subukan at maagang mahuli ang anumang mga slippage o underhandedness na maaaring mangyari, tingnan ang aking saklaw sa ang link dito.

Ang ilan sa mga pagsubok na lumipad sa gabi sa pagsasama-sama ng mga self-driving na sasakyan ng AI ay nagpasyang mag-ingat sa hangin. Sila brazenly gumawa ng anumang mga shortcut na maaari nilang isipin. Higit pa rito, kakaunti ang inilalagay nila sa paggawa ng double-checking o sinusubukang ihinto ang anumang juicing o doping. Ginagamit pa nga ng ilan ang klasiko ng makatotohanang pagkakatanggi sa pamamagitan lamang ng pagtuturo sa kanilang mga developer ng AI na gawin ang "anuman ang sa tingin nila ay tama" at pagkatapos ay maaari, sa paglaon, ipahayag na hindi alam ng kompanya kung ano ang nagaganap na juicing o doping ng AI. Tinalakay ko ang mga mapanganib na pagsisikap na ito sa aking mga column.

Sa kaso ng mga self-driving na kotse, buhay o kamatayan ay malinaw na nasa linya.

Ang idinagdag na punto ay kung may pagkakataong mag-juicing o magdo-doping ng AI sa self-driving car realm, kailangan mong magtaka kung ano ang maaaring payagan sa iba pang hindi gaanong life-or-death realm na umaasa sa mga AI system. Ang mga panggigipit upang mailabas ang AI sa pintuan sa lalong madaling panahon ay napakalaki. Ang mga panggigipit upang matiyak na ang AI ay gumagawa ng mga tamang bagay sa tamang paraan ay maaaring hindi gaanong nakakahimok. Sadly kaya.

Bukod sa mga etikal na alalahanin tungkol sa pag-juicing at doping na nauugnay sa AI, nagpatuloy ako sa pag-iwas sa mga darating na tsunami ng mga legal na aksyon sa mga bagay na ito. Kapag ang mga AI system ay lumayo sa mga masasamang aktibidad, ang mga nakagawa at naglagay ng AI sa huli ay mahahanap ang kanilang sarili na mananagot. Hindi pa namin nakikita ang pagtaas ng mga legal na kaso laban sa mga gumagawa ng AI at gumagamit ng AI sa kanilang mga negosyo. Markahan ang aking mga salita na ang pagtutuos ay hindi maiiwasang babangon, tingnan ang aking saklaw sa ang link dito.

Ang mga kumpanya ay ligal na mapipilitang buksan ang kanilang mga pintuan upang ipakita kung paano nila pinagsama-sama ang kanilang mga AI system. Ano ang ginawa nila sa panahon ng disenyo? Ano ang ginawa nila sa panahon ng pagsusumikap sa data? Ano ang ginawa nila bilang bahagi ng pagsubok bago ilabas? Ang lahat ng ito ay magbibigay liwanag sa posibilidad ng hindi nakikita, under-the-hood AI juicing at doping.

Meron dapat hindi maging isang libreng tanghalian para sa mga nagpasyang gawin ang AI juicing at doping. Mag-ingat at panatilihing bukas ang iyong mga mata. Tumayo nang husto at igiit ang anti-juicing at anti-doping ng AI.

Kailangan natin ng malinis na AI, sigurado iyon.