कृत्रिम बुद्धिमत्ता वैज्ञानिक प्रगतीच्या तर्काचे पालन करत नाही

आम्ही MT मध्ये संशोधक आणि व्यावसायिकांबद्दल अनेकदा लिहिले आहे जे मशीन लर्निंग सिस्टमला “ब्लॅक बॉक्स” म्हणून घोषित करतात (1) अगदी ते तयार करणाऱ्यांसाठीही. यामुळे परिणामांचे मूल्यांकन करणे आणि उदयोन्मुख अल्गोरिदम पुन्हा वापरणे कठीण होते.

तंत्रिका नेटवर्क - हे तंत्र जे आम्हाला बुद्धिमान रूपांतरित बॉट्स आणि कल्पक मजकूर जनरेटर देते जे कविता देखील तयार करू शकतात - हे बाहेरील निरीक्षकांसाठी एक अनाकलनीय रहस्य आहे.

ते मोठे आणि अधिक क्लिष्ट होत आहेत, प्रचंड डेटासेट हाताळत आहेत आणि मोठ्या प्रमाणात कॉम्प्युट अॅरे वापरत आहेत. यामुळे प्राप्त केलेल्या मॉडेल्सची प्रतिकृती आणि विश्लेषण करणे महागडे आणि काहीवेळा इतर संशोधकांसाठी अशक्य बनते, प्रचंड बजेट असलेली मोठी केंद्रे वगळता.

अनेक शास्त्रज्ञांना या समस्येची चांगली जाणीव आहे. त्यापैकी जोएल पिनो (2), NeurIPS चे अध्यक्ष, पुनरुत्पादनक्षमतेवरील प्रमुख परिषद. तिच्या नेतृत्वाखालील तज्ञांना "पुनरुत्पादकता चेकलिस्ट" तयार करायची आहे.

पिनो म्हणाले, ही कल्पना संशोधकांना इतरांना रोडमॅप ऑफर करण्यासाठी प्रोत्साहित करण्यासाठी आहे जेणेकरून ते आधीच केलेले काम पुन्हा तयार करू शकतील आणि वापरू शकतील. नवीन मजकूर जनरेटरच्या वक्तृत्वावर किंवा व्हिडीओ गेम रोबोटच्या अलौकिक कौशल्याने तुम्ही आश्चर्यचकित होऊ शकता, परंतु हे चमत्कार कसे कार्य करतात याची कल्पना सर्वोत्तम तज्ञांनाही नसते. म्हणूनच, एआय मॉडेल्सचे पुनरुत्पादन केवळ संशोधनासाठी नवीन उद्दिष्टे आणि दिशानिर्देश ओळखण्यासाठीच नव्हे तर वापरण्यासाठी पूर्णपणे व्यावहारिक मार्गदर्शक म्हणून देखील महत्त्वाचे आहे.

इतर या समस्येचे निराकरण करण्याचा प्रयत्न करीत आहेत. Google संशोधकांनी "मॉडेल कार्ड" ऑफर केले ज्यामुळे सिस्टम्सची चाचणी कशी केली गेली याचे तपशीलवार वर्णन केले गेले, ज्यामध्ये संभाव्य बग दर्शविणारे परिणाम समाविष्ट आहेत. ऍलन इन्स्टिट्यूट फॉर आर्टिफिशियल इंटेलिजेंस (AI2) मधील संशोधकांनी एक पेपर प्रकाशित केला आहे ज्याचा उद्देश प्रायोगिक प्रक्रियेतील इतर पायऱ्यांपर्यंत पिनोट पुनरुत्पादकता चेकलिस्टचा विस्तार करणे आहे. "तुमचे काम दाखवा," ते आग्रह करतात.

कधीकधी मूलभूत माहिती गहाळ असते कारण संशोधन प्रकल्प मालकीचा असतो, विशेषत: कंपनीसाठी काम करणाऱ्या प्रयोगशाळांच्या. तथापि, बहुतेकदा, हे बदलत्या आणि वाढत्या गुंतागुंतीच्या संशोधन पद्धतींचे वर्णन करण्यास असमर्थतेचे लक्षण आहे. न्यूरल नेटवर्क हे एक अतिशय गुंतागुंतीचे क्षेत्र आहे. सर्वोत्तम परिणाम प्राप्त करण्यासाठी, हजारो "नॉब्स आणि बटणे" चे बारीक ट्यूनिंग आवश्यक असते, ज्याला काही "काळा जादू" म्हणतात. इष्टतम मॉडेलची निवड बहुतेक वेळा मोठ्या संख्येने प्रयोगांशी संबंधित असते. जादू खूप महाग होते.

उदाहरणार्थ, जेव्हा Facebook ने AlphaGo, DeepMind Alphabet द्वारे विकसित केलेल्या प्रणालीच्या कामाची प्रतिकृती बनवण्याचा प्रयत्न केला, तेव्हा हे कार्य अत्यंत कठीण झाले. फेसबुक कर्मचार्‍यांच्या मते, प्रचंड संगणकीय आवश्यकता, हजारो उपकरणांवर अनेक दिवसांत लाखो प्रयोग, कोडच्या कमतरतेसह, सिस्टमला "पुन्हा तयार करणे, चाचणी करणे, सुधारणे आणि विस्तारित करणे खूप कठीण आहे, जर अशक्य नाही तर" बनले आहे.

समस्या विशेषीकृत असल्याचे दिसते. तथापि, जर आपण पुढे विचार केला तर, परिणामांच्या पुनरुत्पादकतेसह समस्या आणि एक संशोधन कार्यसंघ आणि दुसरा यांच्यातील कार्यांमुळे आपल्याला ज्ञात असलेल्या विज्ञान आणि संशोधन प्रक्रियेच्या कार्यप्रणालीचे सर्व तर्क कमी होते. नियमानुसार, मागील संशोधनाचे परिणाम पुढील संशोधनासाठी आधार म्हणून वापरले जाऊ शकतात जे ज्ञान, तंत्रज्ञान आणि सामान्य प्रगतीच्या विकासास उत्तेजन देतात.