Hvorfor teknologivirksomheder bruger mennesker til at hjælpe ai | ben dickson

"Andrew Ingram" er en digital assistent, der scanner dine e-mails, giver planlægningsideer til de møder og aftaler, du diskuterer med dine kolleger, sætter opgaver og sender invitationer til de relevante parter med meget lidt hjælp. Den bruger de avancerede kunstige intelligensfunktioner fra X.ai, en ny York-baserede opstart, der er specialiseret i udvikling af AI-assistenter. De problemer, det løser, kan spare en masse tid og frustration for folk (som mig), der har en rodet tidsplan.

Men ifølge en Wired-historie, der blev offentliggjort i maj, er intelligensen bag Andrew Ingram ikke helt kunstig. Det er støttet af en gruppe på 40 filippinere i en højt sikret bygning i udkanten af ​​Manila, der overvåger AI's opførsel og overtager hver gang assistenten støder på en sag, den ikke kan håndtere.

Mens ideen om, at dine e-mails scannes af virkelige mennesker, måske lyder uhyggeligt, er det blevet en almindelig praksis blandt mange virksomheder, der leverer AI-tjenester til deres kunder. En nylig artikel i The Wall Street Journal afslørede flere virksomheder, der lader deres ansatte få adgang til og læse kundemails for at opbygge nye funktioner og træne deres AI i sager, det ikke har set før.

Kaldt "Wizard of Oz" -teknikken eller pseudo-AI, kaster praksis med lydløs brug af mennesker til at kompensere for manglerne ved AI-algoritmer lys over nogle af de dybeste udfordringer, som AI-industrien står overfor.

AI er ikke klar til brede problemer

Bag de fleste AI-innovationer i de seneste år er dybelæringsalgoritmer og neurale netværk. Dybneurale netværk er meget effektive til at klassificere information. I mange tilfælde, såsom stemme- og ansigtsgenkendelse eller identificering af kræft i MR- og CT-scanninger, kan de overgå mennesker.

Men det betyder ikke, at dyb læring og neurale netværk kan udføre enhver opgave, som mennesker kan.

"Deep learning giver os mulighed for at løse opfattelsesproblemet. Dette er en stor aftale, fordi opfattelsen har begrænset AI siden starten for over 60 år siden, " siger Jonathan Mugan, medstifter og administrerende direktør for DeepGrammar. "At løse opfattelsesproblemet har endelig gjort AI nyttigt til ting som stemmegenkendelse og robotik."

Mugan bemærker imidlertid, at opfattelse ikke er det eneste problem. Dyb læringskampe, hvor samfundsmæssig ræsonnement og forståelse er involveret.

”Dyb læring hjælper os ikke med dette problem, ” siger han. "Vi har gjort nogle fremskridt med NLP (naturlig sprogbehandling) ved at behandle sprog som et opfattelsesproblem; dvs. konvertere ord og sætninger til vektorer. Dette har givet os mulighed for bedre at repræsentere tekst til klassificering og maskinoversættelse (når der er meget data), men det hjælper ikke med commonsense-ræsonnement. Dette er grunden til, at chatbots stort set er mislykkedes."

Et af de største problemer, som alle dybe læringsapplikationer står overfor, er at indsamle de rigtige data til at træne deres AI-modeller. Den indsats og data, der går i at træne et neuralt netværk til at udføre en opgave, afhænger af, hvor bredt problemrummet er, og hvilket nøjagtighedsniveau der kræves.

For eksempel udfører en billedklassificeringsapplikation som f.eks. Not Hotdog-appen fra HBOs Silicon Valley en meget smal og specifik opgave: Den fortæller dig, om din smarttelefons kamera viser en hotdog eller ej. Med nok hotdog-billeder kan appens AI udføre sin meget vigtige funktion med en høj grad af nøjagtighed. Og selvom det begår en fejl en gang imellem, skader det ikke nogen.

Men andre AI-applikationer, såsom den, X.ai bygger, løser meget bredere problemer, hvilket betyder, at de kræver en masse kvalitetseksempler. Deres tolerance for fejl er også meget lavere. Der er en klar forskel mellem at forveksle en agurk til en hotdog og planlægge et vigtigt forretningsmøde på et forkert tidspunkt.

Desværre er kvalitetsdata ikke en vare, som alle virksomheder besidder.

"Tommelfingerreglen er, at jo mere generelt et problem en AI forsøger at tackle, jo mere kanttilfælde eller usædvanlig adfærd, der kan forekomme. Dette betyder uundgåeligt, at du har brug for langt flere træningseksempler til at dække alt, " siger Dr. Steve Marsh, CTO på Geospock. "Start-ups har generelt ikke adgang til enorme mængder træningsdata, så de modeller, de muligvis kan opbygge, vil være meget niche og sprøde, som normalt ikke lever op til deres forventninger."

Sådan rigdom af oplysninger er kun i besiddelse af store virksomheder som Facebook og Google, som har indsamlet data fra milliarder af brugere i årevis. Mindre virksomheder skal betale store beløb for at få eller oprette træningsdata, og det forsinker deres applikationslanceringer. Alternativet er alligevel at lancere og begynde at træne deres AI på farten ved hjælp af menneskelige undervisere og live kundedata og håbe, at AI i sidste ende vil blive mindre afhængig af mennesker.

F.eks. Havde Edison Software, et Californien-baseret firma, der udvikler apps til styring af e-mails, sine medarbejdere læst e-mails fra sine klienter for at udvikle en "smart svar" -funktion, fordi de ikke havde nok data til at uddanne algoritmen, virksomhedens CEO fortalte det til Wall Street Journal. Oprettelse af smarte svar er en bred og udfordrende opgave. Selv Google, som har adgang til e-mails fra milliarder af brugere, giver smarte svar til meget snævre sager.

Men at bruge mennesker til at træne AI med live brugerdata er ikke begrænset til mindre virksomheder.

I 2015 lancerede Facebook M, en AI chatbot, der kunne forstå og reagere på forskellige nuancer af samtaler og udføre mange opgaver. Facebook stillede M til rådighed for et begrænset antal brugere i Californien og oprettede et personale af menneskelige operatører, der ville overvåge AI's ydelse og gribe ind for at rette den, når den ikke kunne forstå en brugeranmodning. Den oprindelige plan var, at de menneskelige operatører skulle hjælpe med at undervise assistenten til at reagere på kantsager, som den ikke havde set før. Over tid ville M være i stand til at operere uden hjælp fra mennesker.

Et uovervindeligt mål?

Det er ikke klart, hvor lang tid det vil tage for Edison Software, X.ai og andre virksomheder, der har lanceret human-in-the-loop systemer for at gøre deres AI fuldt automatiseret. Der er også tvivl om de nuværende tendenser i AI nogensinde kan nå det punkt at engagere sig i bredere domæner.

I 2018 lukkede Facebook ned M uden at hver officielt installerede det. Virksomheden delte ikke detaljer, men det er tydeligt, at det er meget vanskeligt at oprette en chatbot, der kan deltage i brede samtaler. Og at gøre M tilgængelig for alle Facebooks to milliarder brugere uden først at gøre det fuldt ud i stand til automatisk at reagere på alle mulige samtaler ville have krævet, at sociale mediagiganten ansætter et enormt personale af mennesker for at udfylde M's huller.

DeepGrammars Mugan mener, at vi i sidste ende vil være i stand til at skabe AI, der kan løse grundlæggende ræsonnement, hvad andre klassificerer som generel AI. Men det sker ikke når som helst snart. "Der er i øjeblikket ingen metoder i horisonten, der gør det muligt for en computer at forstå, hvad et lille barn ved, " siger Mugan. "Uden denne grundlæggende forståelse kan computere ikke være i stand til at udføre mange opgaver godt 100 procent af tiden."

For at sætte det i perspektiv udviklede eksperter ved OpenAI for nylig Dactyl, en robothånd, der kunne håndtere genstande. Dette er en opgave, som ethvert menneskeligt barn lærer at udføre ubevidst i en tidlig alder. Men det tog Dactyl 6.144 CPU'er og 8 GPU'er og cirka hundrede års erfaring værd at udvikle de samme færdigheder. Selvom det er en fascinerende præstation, fremhæver det også de skarpe forskelle mellem snæver AI og den måde, den menneskelige hjerne fungerer på.

"Vi er meget langt fra at have kunstig generel intelligens, og meget sandsynligt vil AGI være kombinationen og koordineringen af ​​mange forskellige typer smalle eller applikationsspecifikke AI'er, " siger Marsh. "Jeg tror, ​​at der er en tendens til at overhype funktionerne i AI i øjeblikket, men jeg ser også, at der er enorm værdi i bare at tage de første første trin og implementere traditionelle Machine Learning-modeller."

Er en anden AI vinter truende?

I 1984 advarede American Association of Artificial Intelligence (senere omdøbt til Association for the Advancement of Artificial Intelligence) erhvervslivet om, at hype og entusiasme omkring AI i sidste ende ville føre til skuffelse. Kort efter kollapsede investering og interesse i AI, hvilket førte til en æra bedre kendt som "AI-vinteren".

Siden begyndelsen af ​​2010'erne er interessen og investeringerne i marken igen stigende. Nogle eksperter frygter, at hvis AI-applikationer underpresterer og ikke lever op til forventningerne, følger der en anden AI-vinter. Men de eksperter, vi talte med, mener, at AI allerede er blevet for integreret i vores liv til at fortsætte sine trin.

"Jeg tror ikke, at vi er i fare for en AI-vinter som dem før, fordi AI nu leverer reel værdi, ikke kun hypotetisk værdi, " siger Mugan. "Hvis vi fortsat fortæller offentligheden, at computere er smarte som mennesker, risikerer vi en tilbageslag. Vi vil ikke vende tilbage til ikke at bruge dyb læring til opfattelse, men udtrykket 'AI' kunne sullies, og vi bliver nødt til at kalde det noget andet."

Hvad der er helt sikkert er, at i det mindste står en æra med desillusionering foran os. Vi er ved at lære, i hvilket omfang vi kan stole på aktuelle blandinger af AI på forskellige områder.

”Det, jeg forventer at se, er, at nogle virksomheder er behageligt overrasket over, hvor hurtigt de kan levere en AI til en tidligere manuel og dyre service, og at andre virksomheder vil finde ud af, at det tager længere tid, end de forventede at indsamle nok data til at blive økonomisk bæredygtig, ”siger James Bergstra, medstifter og forskningschef hos Kindred.ai. "Hvis der er for mange af sidstnævnte og ikke nok af førstnævnte, kan det muligvis udløse endnu en AI-vinter blandt investorer."

• Kunstig intelligens har et bias-problem, og det er vores fejl Kunstig intelligens har et bias-problem, og det er vores fejl
• Hvorfor undervise AI til at spille spil er vigtigt Hvorfor undervise AI til at spille spil er vigtigt
• AI tilbyder et stort potentiale, men det vil ikke ske natten over AI tilbyder et stort potentiale, men det vil ikke ske over natten

Geospocks Marsh forudsiger, at selvom finansieringen ikke vil falde, vil der være nogle justeringer af dens dynamik. Da investorer er klar over, at ægte ekspertise er sjælden, og kun dem med adgang til data til at uddanne modellerne vil være forskellige i branchen, vil der være en stor konsolidering på markedet, og langt færre startups får finansiering.

"For mange AI-startups uden en nichemarkedsapplikation eller store mængder data: vinteren kommer, " konkluderer Marsh.