مصنوعي استخبارات د ساینسي پرمختګ منطق نه تعقیبوي
موږ په MT کې ډیری وختونه د څیړونکو او متخصصینو په اړه لیکلي دي چې د ماشین زده کړې سیسټمونه د "تور بکس" په توګه اعلانوي (1) حتی د هغو کسانو لپاره چې دوی یې جوړوي. دا د پایلو ارزونه او د راپورته کیدونکي الګوریتمونو بیا کارول ستونزمن کوي.
عصبي شبکې - هغه تخنیک چې موږ ته هوښیار بدلونکي بوټونه او په زړه پوري متن جنراتورونه راکوي چې حتی شعر هم رامینځته کولی شي - د بهر لیدونکو لپاره د نه پوهیدو وړ اسرار پاتې دی.
دوی لوی او ډیر پیچلي کیږي، د لوی ډیټاسیټونو اداره کول، او د لوی کمپیوټري صفونو کارول. دا د ترلاسه شوي ماډلونو نقل او تحلیل د نورو څیړونکو لپاره ګران او ځینې وختونه ناممکن کوي ، پرته له لویو مرکزونو څخه چې لوی بودیجه لري.
ډیری ساینس پوهان پدې مسله ښه پوهیږي. په دوی کې جویل پینو دی2)، د NeurIPS مشر، د تولید وړتیا په اړه لومړنی کنفرانس. د هغې تر مشرۍ لاندې کارپوهان غواړي د "د بیا تولید کولو چک لیست" رامینځته کړي.
پینو وویل، دا نظر د څیړونکو هڅول دي چې نورو ته د سړک نقشه وړاندې کړي ترڅو دوی وکولی شي تفریح او هغه کار وکاروي چې دمخه ترسره شوي. تاسو کولی شئ د نوي متن جنراتور فصاحت یا د ویډیو لوبې روبوټ عالي انساني مهارت ته حیران شئ ، مګر حتی غوره ماهرین نه پوهیږي چې دا حیرانتیا څنګه کار کوي. له همدې امله، د AI ماډلونو تکثیر نه یوازې د څیړنې لپاره د نوي اهدافو او لارښوونو پیژندلو لپاره مهم دی ، بلکه د کارولو لپاره د خالص عملي لارښود په توګه هم.
نور هڅه کوي چې دا ستونزه حل کړي. د ګوګل څیړونکو "موډل کارتونه" وړاندیز کړی ترڅو په تفصیل سره تشریح کړي چې سیسټمونه څنګه ازمول شوي، په شمول هغه پایلې چې احتمالي کیګونو ته اشاره کوي. د مصنوعي استخباراتو لپاره د الن انسټیټیوټ (AI2) څیړونکو یوه مقاله خپره کړې چې هدف یې د تجربوي پروسې نورو مرحلو ته د Pinot د تولید وړتیا چک لیست غزول دي. "خپل کار وښایاست،" دوی غوښتنه کوي.
ځینې وختونه لومړني معلومات ورک دي ځکه چې د څیړنې پروژه ملکیت لري، په ځانګړې توګه د لابراتوارونو لخوا چې د شرکت لپاره کار کوي. په هرصورت، ډیری وختونه، دا د بدلون او مخ په زیاتیدونکي پیچلې څیړنې میتودونو تشریح کولو کې د ناتوانۍ نښه ده. عصبي شبکې خورا پیچلې سیمه ده. د غوره پایلو ترلاسه کولو لپاره، ډیری وختونه د زرګونو "نوبونو او بټونو" ښه سمبالولو ته اړتیا لیدل کیږي، کوم چې ځینې یې "تور جادو" بولي. د غوره ماډل انتخاب اکثرا د لوی شمیر تجربو سره تړاو لري. جادو ډیر ګران کیږي.
د مثال په توګه، کله چې فیسبوک هڅه وکړه د الفاګو کار نقل کړي، یو سیسټم چې د DeepMind الفبا لخوا رامینځته شوی، دا کار خورا ستونزمن ثابت شو. د فیسبوک کارمندانو په وینا ، لوی کمپیوټري اړتیاوې ، په زرګونو وسیلو باندې په ملیونونو تجربو په څو ورځو کې ، د کوډ نشتوالي سره یوځای ، سیسټم "ډیر ستونزمن کړی ، که ناممکن نه وي ، بیا جوړونه ، ازموینه ، وده او غزول"
داسې ښکاري چې ستونزه ځانګړې شوې ده. په هرصورت، که موږ نور فکر وکړو، د یوې څیړنې ټیم او بل تر مینځ د پایلو او دندو د بیا تولید سره د ستونزو پیښې د ساینس او څیړنې پروسې د فعالیت ټول منطق کمزوری کوي چې موږ ته پیژندل شوي. د یوې قاعدې په توګه، د پخوانیو څیړنو پایلې د نورو څیړنو لپاره د اساس په توګه کارول کیدی شي چې د پوهې، ټیکنالوژۍ او عمومي پرمختګ پرمختګ هڅوي.
