AI Ethics na Masigasig na Lumalaban Para sa Iyong Legal na Karapatan Upang Maging Isang Exception

Sinasabi nila na mayroong isang pagbubukod sa bawat panuntunan.

Gayunpaman, ang problema ay kadalasan ang umiiral na tuntunin ay nananaig at kakaunti o walang allowance para sa isang pagbubukod na kilalanin o maaliw. Ang average-case ay ginagamit sa kabila ng mahigpit na posibilidad na ang isang pagbubukod ay nasa unahan. Ang isang exception ay hindi nakakakuha ng anumang airtime. Hindi ito nakakakuha ng pagkakataon na maisaalang-alang.

Sigurado akong dapat alam mo kung ano ang sinasabi ko.

Nasubukan mo na bang kumuha ng isang uri ng indibidwal na serbisyo sa customer kung saan ikaw ay walang pag-iisip na tinatrato nang walang anumang pagkakaiba para sa iyong partikular na kaso at sa iyong mga partikular na pangangailangan?

Ito ay walang alinlangan na nangyari sa iyo, malamang na hindi mabilang na beses.

Dadalhin kita sa isang nakakagambalang trend na lumalabas tungkol sa kung paano walang humpay na ginagawa ang Artificial Intelligence (AI) upang pilitin na ibagay ang lahat sa isang sukat na akma sa lahat ng paradigm.

Ang mga pagbubukod ay maaaring hindi natukoy o piniling maging baluktot sa hugis na parang hindi sila mga eksepsiyon. Ang batayan para dito ay bahagyang dahil sa pagdating ng Machine Learning (ML) at Deep Learning (DL). Gaya ng makikita mo sa lalong madaling panahon, ang ML/DL ay isang anyo ng computational pattern matching, ang mga gusto nito ay "mas madaling" i-develop at i-deploy kung handa kang huwag pansinin o iwasan ang mga exception. Ito ay lubos na may problema at nagpapalaki ng mga kapansin-pansing alalahanin sa AI Ethics. Para sa aking pangkalahatang patuloy at malawak na saklaw ng AI Ethics at Ethical AI, tingnan ang link dito at ang link dito, Lamang upang pangalanan ang ilang.

Ang mga bagay ay hindi kailangang maging ganoon at mangyaring malaman na ito ay pinasisigla ng mga gumagawa at nagde-deploy ng AI sa pamamagitan ng pagpili na huwag pansinin o maliitin ang pangangasiwa ng mga pagbubukod sa loob ng kanilang AI concoctions.

Kapag Namumuno ang Mga Pagbubukod

I-unpack muna natin ang katangian ng average-case kumpara sa pagsasakatuparan ng mga exception.

Ang paborito kong halimbawa ng ganitong uri ng dogpiling o myopically average-case no-exceptions approach ay maliwanag na pinaliwanagan ng halos anumang yugto ng kinikilala at sa halip ay napakapopular na serye sa TV na kilala bilang Bahay, MD (karaniwan ay ipinahayag lamang bilang bahay, na tumakbo mula 2004 hanggang 2012 at mapapanood ngayon sa social media at iba pang media outlet). Ang palabas ay kinapapalooban ng isang kathang-isip na karakter na pinangalanang Dr. Gregory House na masungit, hindi matiis, at medyo hindi kinaugalian, ngunit siya ay inilalarawan bilang isang henyo sa medisina na maaaring mag-ferret ng pinaka-hindi malinaw na mga sakit at karamdaman. Maaaring hindi siya nagustuhan ng ibang mga doktor at maging ng mga pasyente, ngunit nagawa niya ang trabaho.

Narito kung paano naglaro ang isang tipikal na episode (generic spoiler alert!).

Isang pasyente ang nagpakita sa ospital kung saan nasa staff si Dr. House. Ang pasyente sa una ay nagpapakita ng medyo karaniwang mga sintomas at iba't ibang mga medikal na doktor ay humalili sa sinusubukang i-diagnose at pagalingin ang pasyente. Ang kakaibang bagay ay ang mga pagtatangka na tulungan ang pasyente ay maaaring mabigo na mapabuti ang mga masamang kondisyon o mas masahol pa ay may posibilidad na mag-backfire. Palala ng palala ang pasyente.

Dahil ang pasyente ay nakikita na ngayon bilang isang uri ng medikal na kuryusidad, at dahil walang ibang makakaalam kung ano ang dinaranas ng pasyente, si Dr. House ay dinala sa kaso. Ginagawa ito kung minsan nang sinasadya upang makuha ang kanyang kahusayan sa medisina, habang sa ibang mga pagkakataon ay naririnig niya ang tungkol sa kaso at ang kanyang likas na likas na hilig ay umaakit sa kanya patungo sa hindi pangkaraniwang mga pangyayari.

Unti-unti naming nalaman na ang pasyente ay may napakabihirang sakit. Tanging si Dr. House at ang kanyang pangkat ng mga medikal na intern ang makakaalam nito.

Ngayong ibinahagi ko na sa iyo ang pangunahing plotline ng mga episode, sumisid tayo sa mga natutunang aral na naglalarawan sa katangian ng average-case versus exception.

Ang mga kuwentong kathang-isip ay idinisenyo upang ipakita kung paanong ang pag-iisip sa loob ng kahon ay maaaring minsan ay labis na nakakaligtaan. Ang lahat ng iba pang mga doktor na sa unang pagkakataon ay sumusubok na tulungan ang pasyente ay madilim sa kanilang mga proseso ng pag-iisip. Gusto nilang pilitin ang mga sintomas at ipinakita ang mga facet sa isang maginoo na medikal na diagnosis. Ang pasyente ay isa lamang sa marami na marahil ay nakita na nila noon. Suriin ang pasyente at pagkatapos ay magreseta ng parehong mga paggamot at mga solusyong medikal na paulit-ulit nilang ginagamit sa kabuuan ng kanilang mga medikal na karera.

Hugasan, banlawan, ulitin.

Sa isang kahulugan, maaari mong bigyang-katwiran ang diskarteng ito. Ang mga posibilidad ay ang karamihan sa mga pasyente ay magkakaroon ng pinakakaraniwang mga karamdaman. Araw-araw, ang mga medikal na doktor na ito ay nakakaranas ng parehong mga medikal na isyu. Maaari mong imungkahi na ang mga pasyenteng pumapasok sa ospital ay talagang nasa isang linya ng pagpupulong medikal. Ang bawat isa ay dumadaloy sa mga standardized na protocol ng ospital na parang mga bahagi sila ng isang manufacturing facility o assembly plant.

Ang average-case ang nanaig. Hindi lamang ito karaniwang angkop, ngunit pinapayagan din nito ang ospital at ang mga medikal na kawani na i-optimize ang kanilang mga serbisyong medikal nang naaayon. Maaaring babaan ang mga gastos kapag gumawa ka ng mga medikal na proseso upang pangasiwaan ang average-case. Mayroong isang medyo sikat na piraso ng payo na madalas na tumatambol sa isipan ng mga medikal na estudyante, ibig sabihin na kung makarinig ka ng mga tunog ng kuko na nagmumula sa kalye, malamang na dapat mong isipin ang isang kabayo sa halip na isang zebra.

Mahusay, produktibo, epektibo.

Hanggang sa may lumabas na exception sa gitna.

Baka isang zebra mula sa zoo ang nakatakas at gumala sa iyong kalye.

Nangangahulugan ba ito na ang mga eksepsiyon ang dapat na maging panuntunan at dapat nating isantabi ang karaniwang-case na tuntunin sa halip na eksklusibong tumuon sa mga eksepsiyon lamang?

Mahihirapan kang igiit na ang lahat ng aming pang-araw-araw na pagkikita at serbisyo ay dapat na nakatuon sa mga pagbubukod kaysa sa karaniwang kaso.

Tandaan na hindi ako gumagawa ng ganoong mungkahi. Ang sinasabi ko ay dapat nating tiyakin na ang mga pagbubukod ay pinapayagang mangyari at na kailangan nating kilalanin kapag lumitaw ang mga pagbubukod. Binanggit ko ito dahil ang ilang mga eksperto ay may posibilidad na malakas na ipahayag na kung ikaw ay isang tagapagtaguyod ng pagkilala sa mga pagbubukod, dapat kang sumalungat sa pag-iisip para sa karaniwang kaso.

Iyan ay isang maling dichotomy.

Huwag mahulog dito.

Makukuha natin ang ating cake at makakain din ito.

Paggawa ng Kaso Para sa Karapatang Maging Isang Exception

Susunod, marahil ay magbibigay ako ng kaunting pagkabigla na nauugnay ang lahat ng ito sa lumalagong paggamit ng AI.

Ang mga sistema ng AI ay lalong ginagawa upang tumutok sa karaniwang kaso, kadalasan sa pagbubukod o pinsala sa pagkilala sa mga pagbubukod.

Maaaring magulat ka na malaman na nangyayari ito. Karamihan sa atin ay ipagpalagay na dahil ang AI ay isang anyo ng pag-automate ng computer, ang kagandahan ng pag-automate ng mga bagay ay kadalasang maaari mong isama ang mga pagbubukod. Ito ay kadalasang magagawa sa mas mababang halaga kaysa sa kung ikaw ay gumagamit ng paggawa ng tao upang magsagawa ng katulad na serbisyo. Sa paggawa ng tao, maaaring magastos o mahirap na magkaroon ng lahat ng paraan ng paggawa na maaaring makitungo sa mga pagbubukod. Ang mga bagay ay mas madaling pamahalaan at ilagay sa lugar kung maaari mong ipagpalagay na ang iyong mga customer o kliyente ay ang lahat ng mga karaniwang-case na kalibre. Ngunit ang paggamit ng mga computerized system ay dapat na tumanggap ng mga pagbubukod, kaagad. Sa ganoong paraan ng pag-iisip, dapat tayong magsaya para sa higit pang mga nakakompyuter na kakayahan na mauuna.

Isaalang-alang ito bilang isang isip-bending conundrum at maglaan ng ilang sandali upang pag-isipan ang nakakainis na tanong na ito: Paano ang AI na kung hindi man ay ipinapalagay na ang pinakamahusay sa automation na tila hindi maiiwasang nagmamartsa sa nakagawian at walang katangi-tanging landas na sa kabalintunaan o hindi inaasahan na aming naisip na pupunta sa eksaktong kabaligtaran ng direksyon?

Sagot: Gayunpaman, dinadala tayo ng Machine Learning at Deep Learning sa isang hindi katangi-tanging pag-iral hindi dahil kailangan nating tahakin ang landas na iyon (magagawa nating mas mahusay).

I-unpack natin ito.

Ipagpalagay na nagpasya kaming gumamit ng Machine Learning upang bumuo ng AI na gagamitin para malaman ang mga medikal na diagnosis. Kinokolekta namin ang isang bungkos ng makasaysayang data tungkol sa mga pasyente at kanilang mga medikal na kalagayan. Ang ML/DL na ise-set up namin ay sumusubok na magsagawa ng computational pattern matching na susuri sa mga sintomas ng mga pasyente at magbibigay ng inaasahang karamdamang nauugnay sa mga sintomas na iyon.

Batay sa data ng fed-in, mathematically na tinitiyak ng ML/DL ang mga sintomas tulad ng runny nose, sore throat, pananakit ng ulo, at pananakit ay lahat ay malakas na nauugnay sa karaniwang sipon. Pinipili ng isang ospital na gamitin ang AI na ito para gawin ang pre-screening ng mga pasyente. Oo naman, ang mga pasyenteng nag-uulat ng mga sintomas na iyon sa unang pagdating sa ospital ay "nasuri" na malamang na may karaniwang sipon.

Paglipat ng mga gear, magdagdag tayo ng Dr. House na uri ng twist sa lahat ng ito.

Dumating ang isang pasyente sa ospital at na-diagnose ng AI. Ang AI ay nagpapahiwatig na ang pasyente ay lumilitaw na may karaniwang sipon batay sa mga sintomas ng runny nose, sore throat, at pananakit ng ulo. Ang pasyente ay binibigyan ng tila angkop na mga reseta at medikal na payo para sa pagharap sa isang karaniwang sipon. Lahat ito ay bahagi at bahagi ng average-case na diskarte na ginagamit kapag gumagawa ng AI.

Lumalabas na ang pasyente ay nagkakaroon ng mga sintomas na ito sa loob ng ilang buwan. Napagtanto ng isang dalubhasa sa mga bihirang sakit at pagkain na ang parehong mga sintomas na ito ay maaaring sumasalamin sa pagtagas ng cerebrospinal fluid (CSF). Ginagamot ng dalubhasa ang pasyente ng iba't ibang mga surgical procedure na may kaugnayan sa naturang pagtagas. Ang pasyente ay gumaling (nga pala, ang kahanga-hangang kuwentong ito tungkol sa isang pasyente na may CSF leak na una ay na-diagnose na may karaniwang sipon ay maluwag na nakabatay sa isang tunay na medikal na kaso).

Susundan natin ngayon ang ating mga hakbang sa medikal na alamat na ito.

Bakit hindi na-assess ng AI na nagsasagawa ng intake pre-screening na ang pasyente ay maaaring magkaroon ng ganitong pambihirang karamdaman?

Ang isang sagot ay kung ang data ng pagsasanay na ginamit para sa paggawa ng ML/DL ay hindi naglalaman ng anumang ganoong mga pagkakataon, walang anumang bagay doon para tumugma ang computational pattern na pagtutugma. Dahil sa kawalan ng data na sumasaklaw sa mga pagbubukod sa panuntunan, ang pangkalahatang tuntunin o average-case mismo ay ituturing na tila walang bahid at inilapat nang walang anumang pag-aalinlangan.

Ang isa pang posibilidad ay mayroong isang halimbawa ng bihirang pagtagas ng CSF na ito sa makasaysayang data, ngunit ito ay isang partikular na pagkakataon lamang at sa kahulugan na iyon ay isang outlier. Ang natitira sa data ay lahat ay malapit sa mathematically sa tiniyak na average-case. Ang tanong pagkatapos ay lumitaw kung ano ang gagawin tungkol sa tinatawag na outlier.

Pakitandaan na ang pagharap sa mga outlier na ito ay isang bagay na lubos na naiiba sa kung paano maaaring magpasya ang mga developer ng AI na labanan ang hitsura ng isang bagay sa labas ng tinukoy na average-case. Walang kinakailangang diskarte na napipilitang gawin ng mga developer ng AI. Ito ay medyo isang Wild West kung ano ang maaaring gawin ng sinumang partikular na AI developer sa anumang partikular na halimbawa ng pagpapataas ng exception ng kanilang mga pagsusumikap sa pagbuo ng ML/DL.

Narito ang aking listahan ng mga paraan kung saan madalas ang mga pagbubukod na ito hindi naaangkop pinangangasiwaan:

• Ipinapalagay na isang error ang pagbubukod
• Ipinapalagay na hindi karapat-dapat ang pagbubukod
• Ang eksepsiyon ay ipinapalagay na nababagay sa "karaniwan"
• Exception ay hindi napansin sa lahat
• Napansin ang pagbubukod ngunit hindi pinansin
• Napansin ang pagbubukod at pagkatapos ay nakalimutan
• Napansin ang pagbubukod at nakatago sa paningin
• At iba pa

Maaaring magpasya ang isang developer ng AI na ang pambihira ay hindi hihigit sa isang error sa data. Ito ay maaaring mukhang kakaiba na kahit sino ay mag-isip sa ganitong paraan, lalo na kung susubukan mong gawing tao ito sa pamamagitan ng halimbawa ng pag-iisip na ang pasyente na may CSF leak ay ang isang pagkakataon. Mayroong isang malakas na tukso na kung ang lahat ng iyong out-of-context na data ay nagsasabi ng isang bagay, marahil ay binubuo ng libu-libong mga rekord at lahat sila ay nagtatagpo sa isang karaniwang kaso, ang paglitaw ng isang kakaibang piraso ng data ay maaaring madaling (tamad!) ipakahulugan bilang isang tahasang pagkakamali. Ang "error" ay maaaring itapon ng AI developer at hindi isasaalang-alang sa saklaw ng kung saan ang ML/DL ay sinasanay.

Ang isa pang paraan ng pagharap sa isang eksepsiyon ay ang pagpapasya na ito ay isang hindi karapat-dapat na bagay. Bakit ka mag-abala sa isang pambihira kung ikaw ay marahil ay nagmamadali upang makakuha ng isang ML/DL at tumatakbo? Ihagis ang outlier at magpatuloy. Walang kinakailangang pag-iisip patungo sa mga epekto sa kalsada.

Ang isa pang diskarte ay nagsasangkot ng pagtitiklop ng pagbubukod sa natitirang bahagi ng average-case na kapaligiran. Binabago ng AI developer ang data para magkasya sa iba pang pamantayan. Mayroon ding pagkakataon na maaaring hindi mapansin ng nag-develop ng AI na umiiral ang pagbubukod.

Ang ML/DL ay maaaring mag-ulat na ang pagbubukod ay nakita, na pagkatapos ay ang AI developer ay dapat na magturo sa ML/DL tungkol sa kung paano ang outlier ay haharapin sa mathematically. Maaaring ilagay ito ng developer ng AI sa isang listahan ng Gagawin at sa paglaon ay makalimutan ang tungkol sa pagharap dito o maaaring piliing huwag pansinin ito, at iba pa.

Sa kabuuan, ang pagtuklas at paglutas ng pagharap sa mga eksepsiyon pagdating sa AI ay walang anumang partikular na itinakda o nakakahimok na balanse at makatuwirang diskarte per se. Ang mga pagbubukod ay madalas na itinuturing na hindi karapat-dapat na mga outcast at ang karaniwang kaso ay ang nananaig na panalo. Ang pagharap sa mga eksepsiyon ay mahirap, maaaring magtagal, nangangailangan ng isang pagkakahawig ng mga kasanayan sa pag-develop ng AI, at kung hindi man ay isang abala kumpara sa pagsasama-sama ng mga bagay sa isang magandang bowtie ng isang sukat na akma sa lahat ng pakete.

Sa ilang antas, iyon ang dahilan kung bakit ang AI Ethics at Ethical AI ay isang napakahalagang paksa. Ang mga tuntunin ng AI Ethics ay nagdudulot sa atin na manatiling mapagbantay. Ang mga technologist ng AI ay maaaring minsan ay maging abala sa teknolohiya, lalo na ang pag-optimize ng high-tech. Hindi nila kinakailangang isaalang-alang ang mas malalaking epekto sa lipunan.

Bukod sa paggamit ng mga alituntunin sa AI Ethics sa pangkalahatan, may katumbas na tanong kung dapat ba tayong magkaroon ng mga batas upang pamahalaan ang iba't ibang paggamit ng AI. Ang mga bagong batas ay inilalagay sa paligid sa pederal, estado, at lokal na antas na may kinalaman sa hanay at katangian ng kung paano dapat gawin ang AI. Ang pagsisikap na bumalangkas at magpatibay ng mga naturang batas ay unti-unti.

Sa partikular na diskusyon na ito tungkol sa papel ng mga eksepsiyon ay dumating ang isang mapanuksong pananaw na marahil ay dapat mayroong legal na karapatan na nauugnay sa pagiging eksepsiyon. Maaaring ang tanging mabubuhay na paraan ng pagkuha ng bona fide recognition para sa isang taong posibleng maging eksepsiyon ay nangangailangan ng paggamit ng mahabang bahagi ng batas.

Maglagay ng bagong uri ng karapatang pantao.

Ang karapatang ituring na eksepsiyon.

Isaalang-alang ang panukalang ito: “Ang karapatang maging eksepsiyon ay hindi nagpapahiwatig na ang bawat indibidwal is isang pagbubukod ngunit na, kapag ang isang desisyon ay maaaring magdulot ng pinsala sa paksa ng desisyon, dapat isaalang-alang ng gumagawa ng desisyon ang posibilidad na ang paksa maaari maging eksepsiyon. Ang karapatang maging eksepsiyon ay may kasamang tatlong sangkap: makapinsala, indibidwalisasyon, at kawalang-katiyakan. Dapat piliin ng gumagawa ng desisyon na magdulot ng pinsala lamang kapag napag-isipan nila kung ang desisyon ay naaangkop na indibidwal at, mahalaga, ang kawalan ng katiyakan na kasama ng bahagi na batay sa data ng desisyon. Kung mas malaki ang panganib ng pinsala, mas seryoso ang pagsasaalang-alang” (ni Sarah Cen, sa isang research paper na pinamagatang Ang Karapatang Maging Isang Pagbubukod sa Paggawa ng Desisyon na Batay sa Data, MIT, Abril 12, 2022).

Baka matukso kang isipin na mayroon na kaming ganoong karapatan.

Hindi kinakailangan. Ayon sa papel ng pananaliksik, ang malamang na pinakamalapit na kinikilalang internasyonal na karapatang pantao ay maaaring ang indibidwal na dignidad. Sa teorya, ang paniwala na dapat magkaroon ng pagkilala sa dignidad na ang isang indibidwal at ang kanilang partikular na pagiging natatangi ay dapat na saklaw ay magdadala sa iyo sa loob ng ballpark ng isang potensyal na karapatang pantao ng pagbubukod. Ang isang pag-aalinlangan ay ang mga umiiral na batas na namamahala sa kaharian ng dignidad ay sinasabing medyo malabo at labis na malambot, kaya't hindi nakaayon sa partikular na legal na konstruksyon ng isang karapatan ng pagbubukod.

Ang mga pumapabor sa isang bagong karapatan na binubuo ng karapatang pantao na maging eksepsiyon ay mangangatuwiran na:

• Ang ganoong karapatan ay halos legal na mapipilit ang mga developer ng AI na tahasan ang pagharap sa mga pagbubukod
• Ang mga kumpanyang gumagawa ng AI ay magiging mas legal na on-the-hook para sa hindi pagharap sa mga exception
• Ang AI ay malamang na maging mas mahusay na balanse at mas matatag sa pangkalahatan
• Ang mga gumagamit ng AI o napapailalim sa AI ay mas makabubuti
• Kapag ang AI ay hindi tumanggap ng mga pagbubukod, ang legal na paraan ay magiging madaling magagawa
• Siguradong magiging mas mahusay din ang mga gumagawa ng AI (sasaklawin ng kanilang AI ang mas malawak na hanay ng mga user)
• At iba pa

Yaong mga sumasalungat sa isang bagong karapatang may label na karapatang pantao na maging eksepsiyon ay may posibilidad na sabihin:

• Ang mga kasalukuyang karapatang pantao at legal na karapatan ay sapat na sumasaklaw dito at hindi na kailangang gawing kumplikado ang mga bagay
• Ang isang hindi nararapat na pasanin ay ipapatong sa mga balikat ng mga gumagawa ng AI
• Ang mga pagsisikap sa paggawa ng AI ay magiging mas magastos at may posibilidad na pabagalin ang pag-unlad ng AI
• Lilitaw ang mga maling inaasahan na hihilingin ng lahat na maging eksepsiyon sila
• Ang mismong karapatan ay walang alinlangan na sasailalim sa magkakaibang interpretasyon
• Ang mga makakakuha ng higit ay ang legal na propesyon kapag ang mga legal na kaso ay tumataas
• At iba pa

Sa madaling salita, ang pagsalungat sa naturang bagong karapatan ay karaniwang nangangatwiran na ito ay isang zero-sum na laro at na ang isang legal na karapatang maging eksepsiyon ay magagastos nang higit pa kaysa sa kapaki-pakinabang na nakukuha nito. Ang mga naniniwala na ang ganitong bagong karapatan ay makatuwirang kinakailangan ay angkop na bigyang-diin na ito ay hindi isang zero-sum na laro at sa huli lahat ay makikinabang, kabilang ang mga gumagawa ng AI at ang mga gumagamit ng AI.

Makatitiyak ka na ang debateng ito na sumasaklaw sa legal, etikal, at panlipunang mga implikasyon na nauugnay sa AI at mga pagbubukod ay magiging malakas at patuloy.

Mga Sasakyang Self-Driving At Ang Kahalagahan Ng Mga Pagbubukod

Isaalang-alang kung paano ito nalalapat sa konteksto ng mga autonomous system tulad ng mga autonomous na sasakyan at self-driving na mga kotse. Nagkaroon na ng iba't ibang mga kritisismo tungkol sa average-case mindset ng AI development para sa mga self-driving na sasakyan at mga autonomous na sasakyan.

Halimbawa, sa una, napakakaunting mga disenyo ng self-driving na kotse ang tumanggap sa mga may ilang anyo ng pisikal na kapansanan o kapansanan. Walang gaanong pag-iisip na ibinibigay sa mas malawak na sumasaklaw sa isang buong hanay ng mga pangangailangan ng rider. Sa pangkalahatan, ang kamalayan na ito ay tumaas, kahit na ang mga alalahanin ay ipinahayag pa rin tungkol sa kung ito ay sapat na at bilang malawak na niyakap gaya ng nararapat.

Ang isa pang halimbawa ng average na kaso laban sa isang pagbubukod ay may kinalaman sa isang bagay na maaaring mahuli ka nang hindi nakabantay.

Handa ka na ba?

Ang disenyo at deployment ng marami sa mga AI driving system at self-driving na mga kotse sa ngayon ay may posibilidad na gumawa ng tahimik o hindi sinasabing pag-aakala na ang mga nasa hustong gulang ay sasakay sa self-driving na kotse. Alam namin na kapag ang isang tao na driver ay nasa manibela, siyempre, mayroong isang matanda sa sasakyan, sa pamamagitan ng kahulugan dahil kadalasan ang pagkuha ng lisensya sa pagmamaneho ay batay sa pagiging isang may sapat na gulang (well, o halos isa). Para sa mga self-driving na kotse na may AI na gumagawa ng lahat ng pagmamaneho, hindi na kailangang dumalo ang isang nasa hustong gulang.

Ang punto ay maaari tayong magkaroon ng mga bata na sumakay sa mga kotse nang mag-isa nang walang sinumang nasa hustong gulang, at least posible ito sa kaso ng mga ganap na autonomous na AI-driven na self-driving na mga kotse. Maaari mong ipadala ang iyong mga anak sa paaralan sa umaga sa pamamagitan ng paggamit ng self-driving na kotse. Sa halip na kailanganin mong bigyan ng elevator ang iyong mga anak, o kailangan mong gamitin ang isang human driver ng isang ridesharing service, maaari mo na lang ipasakay ang iyong mga anak sa isang self-driving na kotse at ihatid sa paaralan.

Ang lahat ay hindi malabo pagdating sa pagkakaroon ng mga bata sa mga self-driving na kotse nang mag-isa.

Dahil hindi na kailangang magkaroon ng matanda sa sasakyan, ito ay nagpapahiwatig na ang mga bata ay hindi na rin makaramdam ng impluwensya o sasabihin nating kontrolado ng pagkakaroon ng isang matanda. Mababaliw ba ang mga bata at sisirain ang loob ng mga self-driving na kotse? Susubukan ba ng mga bata na umakyat o umabot sa labas ng mga bintana ng self-driving na kotse? Ano ang iba pang mga uri ng kalokohan ang maaari nilang gawin, na humahantong sa potensyal na pinsala at matinding pinsala?

Sinaklaw ko ang mainit na debate tungkol sa ideya ng mga bata na sumakay nang mag-isa sa mga self-driving na kotse, kita n'yo ang link dito. Sinasabi ng ilan na hindi ito dapat pahintulutan. Ang ilan ay nagsasabi na ito ay hindi maiiwasan at kailangan nating malaman kung paano ito pinakamahusay na gagawin.

Konklusyon

Bumalik tayo sa pangkalahatang tema ng average-case versus the exception.

Mukhang lahat tayo ay sumasang-ayon na palaging may pagbubukod sa panuntunan. Kapag ang isang panuntunan ay nabuo o natukoy, dapat tayong maghanap ng mga pagbubukod. Kapag nakatagpo tayo ng mga pagbubukod, dapat nating pag-isipan kung aling panuntunan ang malamang na nalalapat sa pagbubukod na ito.

Marami sa AI na ginagawa ngayon ay hinuhubog sa pagbuo ng panuntunan, habang ang mga hamon na nauugnay sa mga pagbubukod ay malamang na tinalikuran at ipinagkikibit-balikat.

Para sa mga gustong maging matalino at magsasabing walang mga eksepsiyon sa tuntunin na palaging may mga eksepsiyon sa panuntunan, tanggap ko na ang pagpapatawa na ito ay tila isang mental puzzler. Ibig sabihin, paano tayo magkakaroon ng panuntunan na palaging may mga pagbubukod, ngunit ang mismong panuntunang ito ay tila hindi nalalapat sa panuntunang palaging may mga pagbubukod sa panuntunan?

Pinapaikot ang iyong ulo.

Sa kabutihang palad, hindi na kailangang gawing kumplikado ang mga bagay na ito. Sana ay mamuhay tayo sa madaling gamiting at mahalagang panuntunan-of-thumb na dapat nating bantayan at tanggapin ang mga pagbubukod sa bawat panuntunan.

Naaayos na niyan ang mga bagay-bagay, kaya ngayon ay pagsikapan natin ito.