Объявления о вакансиях для искусственного интеллекта скоро могут выглядеть так. Вы готовы?

Объявления о вакансиях для искусственного интеллекта скоро могут выглядеть так. Вы готовы?

Разыскивается: человек-помощник искусственного интеллекта

Мы ищем кандидатов младшего и среднего звена для работы в качестве помощников по анализу данных в нашем отделе искусственного интеллекта (ИИ), отвечающем за аналитику данных. В обязанности входит рассмотрение, интерпретация и предоставление обратной связи результатов аналитики ИИ, а также написание сводных отчетов о результатах ИИ для человеческого общения. Требуется способность взаимодействовать с поставщиками и персоналом информационных технологий для обеспечения аппаратной поддержки ИИ. Опыт сотрудничества с компьютерным персоналом будет плюсом. Должен иметь хорошие навыки взаимодействия человека с компьютером. Предпочтение отдается формальному обучению этическому обращению с компьютерами и оценке справедливости и предвзятости компьютерных результатов.

Вышеупомянутое объявление о вакансии из будущего - но не так уж далеко. Это указывает на то, куда мы идем и где мы могли бы оказаться, возможно, даже через пять лет, если мы направим ресурсы и решимость на проведение необходимых исследований. Но наше недавнее прошлое показало нам, что мы можем разработать такой тип машин, который вскоре откроет целую новую область прибыльной и полноценной работы.

Видите ли, за последнее десятилетие быстро развивалась новая дисциплина компьютерных наук, называемая автоматизированным машинным обучением или AutoML. AutoML органично вырос в ответ на множество проблем, связанных с применением машинного обучения для анализа больших данных с целью прогнозирования результатов в отношении здоровья, экономических тенденций, отказов устройств и любого количества вещей в широкой области, которые лучше всего подходят для быстрого можно проанализировать исчерпывающие данные.

Для того, чтобы обычное машинное обучение работало, требуется множество вариантов, начиная от оптимального метода для анализируемых данных и заканчивая параметрами, которые должны быть выбраны в нем. Для сравнения: существуют десятки популярных методов машинного обучения, каждый из которых имеет тысячи или миллионы возможных настроек. Пробираться через эти варианты может быть сложно как для новых пользователей, так и для экспертов.

Таким образом, обещание AutoML состоит в том, что компьютер может автоматически найти оптимальный подход, что значительно снижает входной барьер.

Объявления о вакансиях для искусственного интеллекта скоро могут выглядеть так. Вы готовы?

Так как же нам добраться до AutoML и объявления о вакансии выше? Есть несколько препятствий.

Первое - настойчивость. Искусственный интеллект (AI) для AutoML должен уметь анализировать данные непрерывно и без перебоев. Это означает, что AutoML AI должен жить в устойчивой, избыточной и надежной вычислительной среде. Это, вероятно, может быть выполнено с использованием доступных в настоящее время платформ облачных вычислений. Ключевым достижением является изменение программного обеспечения, чтобы оно было постоянным.

Второе препятствие - это память и обучение. ИИ AutoML должен иметь память обо всех выполняемых им анализах машинного обучения и извлекать уроки из этого опыта. PennAI, который разработали я и мои коллеги, является примером инструмента AutoML с открытым исходным кодом, в котором есть оба, но не так много других. Важно было бы дать AutoML возможность учиться на ошибках. Все его текущие инструменты учатся на успехах, но люди больше учатся на неудачах, чем на успехах. Встраивать эту способность в AutoML AI может быть довольно сложно, но необходимо.

Третье препятствие - объяснимость. Сильной стороной науки о данных, основанной на человеческих факторах, является наша способность спрашивать друг друга, почему. Почему вы выбрали этот алгоритм? Почему вы предпочитали один результат другому? Текущие инструменты AutoML пока не позволяют пользователю спрашивать.

Последнее препятствие - взаимодействие человека с компьютером (HCI). Каков оптимальный способ взаимодействия человека с ИИ, занимающимся анализом данных? Как лучше всего человеку дать обратную связь ИИ или поделиться знаниями? Хотя мы добились большого прогресса в общем пространстве HCI, наши знания о том, как взаимодействовать с ИИ, остаются в зачаточном состоянии.

Вполне возможно, что в течение следующих нескольких лет можно будет создать ИИ для AutoML, который будет устойчивым и сможет учиться на опыте, объяснять принимаемые им решения и получаемые результаты, беспрепятственно взаимодействовать с людьми и эффективно включать и использовать опытных специалистов. знания, поскольку они пытаются решить проблему науки о данных. Это все активные области исследования, и прогресс будет зависеть в основном от целенаправленных усилий по объединению этих частей.

При этом автоматизированные и устойчивые системы искусственного интеллекта найдут себе место в ближайшем будущем, если мы приложим согласованные усилия для их тщательного исследования. Мы должны начать готовить нашу человеческую рабочую силу к этой реальности. Нам потребуются программы профессионального обучения, чтобы обучать людей взаимодействию с постоянным агентом ИИ, во многом так же, как у нас есть программы для обучения других людей, которые работают со специализированным оборудованием и интерпретируют его, например техников отделения неотложной помощи. Помимо этого обучения, также потребуется изменение образовательной культуры, поскольку нам нужно будет интегрировать взаимодействие с ИИ в курсы, охватывающие общение, этику, психологию и социологию.

Эта технология очень доступна. Когда мы его достигнем, у нас появится новое обширное поле деятельности для людей. Скоро пора будет писать описание должности, но только после того, как мы разберемся с некоторыми серьезными проблемами.

Читать далее

Лидар: Золотая лихорадка готова помочь вашему автомобилю лучше видеть
Лидар: Золотая лихорадка готова помочь вашему автомобилю лучше видеть

Для автономных транспортных средств и систем помощи водителю для повышения производительности человека им необходимо начать с превосходных датчиков. В основном это означает лидар - и благодаря шквал инноваций, лидар становится все лучше, меньше и дешевле.

Дисплеи 8K могут быть готовы в этом году, но контент может занять до 2025 года
Дисплеи 8K могут быть готовы в этом году, но контент может занять до 2025 года

Панель 8K может прибыть сразу же в этом году (по необычным ценам), но 8K-контент? Это может быть на семь лет - или даже больше. Это в какой-то мере зависит от того, как вы определяете «контент».

Apple готовит новые сопроцессоры, компьютеры Mac, iPad в этом году
Apple готовит новые сопроцессоры, компьютеры Mac, iPad в этом году

Apple уже тяжело работает над новым набором чипов и аппаратного обеспечения в этом году, но Meltdown и Spectre могут иметь последствия далеко за пределами Intel.

Sega готовит Mega Drive Mini, но кто его строит?
Sega готовит Mega Drive Mini, но кто его строит?

Sega выпускает новый Mega Drive Mini, чтобы отпраздновать свой 30-летний юбилей, но мы не знаем, кто еще строит оборудование, и учитывая смешанный послужной список ATGames.