[ad_1]

اوایل امسال ، تیمیت گبرو ، محقق هوش مصنوعی گوگل ، در توییتی با امیلی بندر ، استاد دانشگاه واشنگتن ، توئیت کرد. گبرو از بندر س askedال کرد که آیا در مورد مسائل اخلاقی مطرح شده توسط پیشرفت های اخیر در هوش مصنوعی ، که متن را پردازش می کند ، چیزی ننوشته است؟ بندر چنین نبود ، اما این زن و شوهر در مورد محدودیت های چنین فناوری صحبت کردند به عنوان شواهدی مبنی بر اینکه آنها می توانند زبان اعتیاد آور را که به صورت آنلاین پیدا می شود ، تولید کنند.

بندر دریافت که بحث DM زنده شد و پیشنهاد کرد که در یک مقاله دانشگاهی گنجانده شود. بندر گفت: “من امیدوارم که بتوانم چرخش بعدی را در مکالمه تحریک کنم.” “ما این همه هیجان و موفقیت را دیده ایم ، بیایید پا بگذاریم و ببینیم خطرات چیست و چه کاری می توانیم انجام دهیم.” این پروژه در مدت یک ماه با پنج نویسنده دیگر از گوگل و دانشگاه نوشته شد و در یک کنفرانس دانشگاهی در ماه اکتبر ارائه شد. این بزودی به یکی از مشهورترین مقاله های تحقیقاتی در AI تبدیل خواهد شد.

هفته گذشته ، گبرو گفت که پس از اعتراض به درخواست مدیر برای پس گرفتن یا حذف نام خود از روزنامه ، توسط گوگل اخراج شد. رئیس هوش مصنوعی گوگل گفت این کار “شرایط انتشار ما را برآورده نمی کند”. از آن زمان تاکنون ، بیش از 2200 کارمند Google نامه ای را امضا کرده اند که خواستار شفافیت بیشتر در مورد کار شرکت با این پروژه هستند. روز شنبه ، مدیر Gebru ، سامی بنجو ، محقق هوش مصنوعی گوگل ، در فیس بوک نوشت که “مبهوت شده بود” و گفت “من کنار تو ایستاده ام ، تیمیت.” محققان هوش مصنوعی خارج از گوگل علناً نگرش این شرکت را نسبت به Gebru محکوم کردند.

خشم به کاغذ هدیه ای از قدرت فوق العاده داد که باعث آزاد شدن ناگهانی گبرو شد. به عنوان سامویدات در حلقه های AI گردش می کند. اما نکته قابل توجه در مورد سند 12 صفحه ای که توسط WIRED مشاهده شده ، بحث برانگیز بودن آن است. این روزنامه به گوگل یا فناوری آن حمله نمی کند و اگر Gebru اجازه انتشار آن را با وابستگی به گوگل داشته باشد بعید است به اعتبار شرکت آسیب برساند.

این گزارش تحقیقات قبلی در مورد محدودیت های سیستم های هوش مصنوعی را تحلیل می کند و زبان را تولید می کند. او آزمایش های جدیدی ارائه نمی دهد. این نویسندگان به مطالعات قبلی استناد می کنند که نشان می دهد هوش مصنوعی زبان می تواند مقدار زیادی برق مصرف کند و تعصبات ناخوشایند موجود در متن آنلاین را منعکس می کند. و آنها روشهایی را پیشنهاد می کنند که محققان هوش مصنوعی می توانند با دقت بیشتری نسبت به فناوری از جمله با ثبت بهتر داده های ایجاد شده برای ایجاد چنین سیستمهایی ، مراقبت کنند.

سهم گوگل در این زمینه – که بعضی از آنها قبلاً در موتور جستجوی آن واقع شده اند – مورد توجه قرار گرفته است ، اما به دلیل انتقادات خاص برجسته نیست. یکی از مطالعات ذکر شده ، که شواهدی از سوگیری در هوش مصنوعی را نشان می دهد ، توسط محققان Google در اوایل سال جاری منتشر شد.

جولین کورنبیس ، دانشیار افتخاری دانشگاه کالج لندن که پیش نویس مقاله را دیده است ، گفت: “این مقاله یک کار بسیار محکم و کاملاً تحقیق شده است.” “سخت است که ببینیم چه چیزی می تواند در هر آزمایشگاهی هیجان ایجاد کند ، چه برسد به اینکه شخصی به دلیل آن شغل خود را از دست بدهد.”

پاسخ گوگل ممکن است شواهدی باشد که رهبران شرکت نسبت به انتقادات اخلاقی نسبت به Gebru و دیگران احساس آسیب پذیری می کنند – یا اینکه ترک چیزی بیش از کاغذ است. این شرکت به درخواستی برای اظهار نظر پاسخ نداد. در پست وبلاگ روز دوشنبه ، اعضای تیم اخلاق هوش مصنوعی گوگل پیشنهاد کردند که مدیران روند بررسی داخلی گوگل در برابر Gebru را برگردانده اند. هفته گذشته ، گبرو گفت که ممکن است به دلیل انتقاد از برنامه های متنوع گوگل حذف شده باشد و در نامه الکترونیکی اخیر به این گروه پیشنهاد شده است که همکاران دیگر از شرکت در این برنامه جلوگیری کنند.

تصویر یک مورد

راهنمای Wired هوش مصنوعی

الگوریتم های Supermart همه وظایف را بر عهده نخواهند گرفت ، اما آنها سریعتر از هر زمان دیگری یاد می گیرند ، از تشخیص پزشکی تا تبلیغات همه کارها را انجام می دهند.

پیش نویس سند ، که بحث و جدال را برانگیخته است ، تحت عنوان “در مورد خطرات طوطی های تصادفی: آیا مدل های زبانی می توانند بسیار زیاد باشند؟” (شکلک های طوطی را بعد از علامت سوال شامل می شود.) این یک نگاه مهم را به یکی از پرتحرک ترین رشته های تحقیق جلب می کند. از هوش مصنوعی.

شرکت های فنی مانند گوگل از اوایل سال 2010 سرمایه گذاری زیادی در زمینه هوش مصنوعی داشته اند ، زمانی که محققان کشف کردند با استفاده از تکنیکی به نام یادگیری ماشین ، می توانند گفتار و تصویر را بسیار دقیق تر کنند. این الگوریتم ها می توانند با خرد کردن نمونه داده های مشخص شده با برچسب ، کارایی آنها را در یک کار مشخص بهبود بخشند. این روش که آموزش عمیق نامیده می شود ، با پیوند دادن الگوریتم های یادگیری به مجموعه های بسیار بزرگتر از داده های نمونه و رایانه های قدرتمندتر ، نتایج خیره کننده جدیدی را فراهم کرده است.

[ad_2]

منبع: sadeh-news.ir