2022年の人工知能におけるトップ7の課題

ニューラリンクについて聞いたことがありますか？ これは、Elon Muskによって共同設立された新進の新興企業であり、人体との本格的な人工知能の統合に取り組んでいます。 彼らは、それぞれが32個の電極を含み、脳に移植できる96個の小さなポリマースレッドの配列であるチップを開発しました。

「これは深刻なサイエンスフィクションです」とあなたが考えていることは知っていますが、答えは「いいえ」です。 これは現実の世界で起こっており、このデバイスを使用しており、日常の電子デバイスに触れることなく、脳を接続することができます。

いくつかの深刻な質問の時間：それは本当に必要ですか？ そんなに便利でしょうか？ この種のテクノロジーの準備はできていますか？ それは将来の私たちの生活にどのような影響を与えるでしょうか？ AIの課題を見つけましょう。

世界のトップ大学である機械学習オンラインコースに参加して、修士号、エグゼクティブ大学院プログラム、ML＆AIの高度な証明書プログラムに参加して、キャリアを早めましょう。

人工知能が人間の生活と経済に与える影響は驚くべきものです。 人工知能は、2030年までに世界経済に約15.7兆ドルを追加する可能性があります。それを展望すると、それは今日の中国とインドの合計経済生産量についてです。

AIの使用によりビジネスの生産性が最大40％向上するとさまざまな企業が予測しているため、AIのスタートアップ数は2000年以来14倍に拡大しています。AIの用途は、小惑星やその他の宇宙体の追跡にまで及ぶ可能性があります。宇宙で地球上の病気を予測し、テロを抑制して産業設計を行うための新しく革新的な方法を探ります。

AIの主な一般的な課題

1.計算能力

これらの電力を大量に消費するアルゴリズムが使用する電力量は、ほとんどの開発者を遠ざける要因です。 機械学習とディープラーニングは、この人工知能の足がかりであり、効率的に機能するためには、ますます多くのコアとGPUが必要です。 小惑星の追跡、ヘルスケアの展開、宇宙体の追跡など、ディープラーニングフレームワークを実装するためのアイデアと知識があるさまざまなドメインがあります。

彼らはスーパーコンピューターの計算能力を必要とします、そしてそうです、スーパーコンピューターは安くはありません。 クラウドコンピューティングと並列処理システムが利用できるため、開発者はAIシステムでより効果的に作業できますが、コストがかかります。 前例のない量のデータの流入が増加し、複雑なアルゴリズムが急速に増加しているため、誰もがそれを受け入れる余裕があるわけではありません。

2.信頼の赤字

AIの心配の原因となる最も重要な要因の1つは、深層学習モデルが出力を予測する方法の未知の性質です。 特定の入力セットがさまざまな種類の問題の解決策をどのように考案できるかは、素人にとって理解するのは困難です。

世界中の多くの人々は、人工知能の使用や存在、そしてそれがスマートフォン、スマートTV、銀行、さらには自動車（ある程度の自動化）などの日常のアイテムにどのように統合されているかさえ知りません。

3.限られた知識

市場には、従来のシステムのより良い代替手段として人工知能を使用できる場所がたくさんありますが。 本当の問題は人工知能の知識です。 テクノロジー愛好家、大学生、研究者を除けば、AIの可能性を認識している人は限られています。

たとえば、仕事をスケジュールしたり、生産を増やし、リソースを管理し、オンラインで製品を販売および管理し、消費者の行動を学び、理解し、市場に効果的かつ効率的に対応する革新的な方法を学ぶことができる多くの中小企業（中小企業）があります。 また、Google Cloud、Amazon Web Services、その他のテクノロジー業界のサービスプロバイダーも認識していません。

4.人間レベル

これはAIの最も重要な課題の1つであり、企業や新興企業のAIサービスの最先端に研究者を置いてきました。 これらの企業は90％を超える精度を誇っている可能性がありますが、人間はこれらすべてのシナリオでより優れたパフォーマンスを発揮できます。 たとえば、画像が犬か猫かをモデルに予測させます。 人間はほぼ毎回正しい出力を予測でき、99％を超える驚くべき精度を実現します。

ディープラーニングモデルで同様のパフォーマンスを実行するには、前例のない微調整、ハイパーパラメータの最適化、大規模なデータセット、明確に定義された正確なアルゴリズムに加えて、堅牢なコンピューティング能力、列車データの中断のないトレーニング、テストデータのテストが必要になります。 それは大変な作業に聞こえますが、実際には思ったよりも100倍難しいです。

すべてのハードワークを回避できる1つの方法は、サービスプロバイダーを使用することです。これは、サービスプロバイダーが、事前にトレーニングされたモデルを使用して特定の深層学習モデルをトレーニングできるためです。 それらは何百万もの画像で訓練され、最高の精度になるように微調整されていますが、本当の問題は、エラーが表示され続け、人間レベルのパフォーマンスに到達するのに本当に苦労することです。

5.データのプライバシーとセキュリティ

すべての深層学習モデルと機械学習モデルの基礎となる主な要因は、それらをトレーニングするためのデータとリソースの可用性です。 はい、データはありますが、このデータは世界中の何百万ものユーザーから生成されているため、このデータが悪用される可能性があります。

たとえば、医療サービスプロバイダーが市内の100万人にサービスを提供し、サイバー攻撃により、100万人のユーザーすべての個人データがダークウェブ上のすべての人の手に渡ったとします。 このデータには、病気、健康上の問題、病歴などに関するデータが含まれています。 さらに悪いことに、私たちは現在、惑星サイズのデータ​​を扱っています。 これだけの情報が四方八方から流れ込んでいるので、確かにデータ漏えいが発生することもあるでしょう。

一部の企業は、これらの障壁を回避するためにすでに革新的な取り組みを開始しています。 スマートデバイスでデータをトレーニングするため、サーバーには返送されず、トレーニングされたモデルのみが組織に返送されます。

読む：新入生と経験者のためのインドのAI給与

6.バイアスの問題

AIシステムの良し悪しは、実際にトレーニングされるデータの量に依存します。 したがって、優れたデータを取得する機能は、将来の優れたAIシステムのソリューションです。 しかし、実際には、組織が収集する日常のデータは貧弱であり、それ自体の重要性はありません。

それらは偏見があり、宗教、民族、性別、コミュニティ、およびその他の人種的偏見に基づいて、共通の関心を持つ限られた数の人々の性質と仕様を何らかの形で定義するだけです。 実際の変化は、これらの問題を効率的に追跡できるいくつかのアルゴリズムを定義することによってのみもたらすことができます。

7.データの不足

グーグル、フェイスブック、アップルなどの大手企業が生成されたユーザーデータの非倫理的な使用に関する告発に直面しているため、インドなどのさまざまな国が厳格なITルールを使用してフローを制限しています。 したがって、これらの企業は現在、世界向けのアプリケーションを開発するためにローカルデータを使用するという問題に直面しており、それはバイアスをもたらすことになります。

データはAIの非常に重要な側面であり、ラベル付けされたデータは、機械をトレーニングして学習し、予測を行うために使用されます。 一部の企業は、新しい方法論を革新しようとしており、データが不足しているにもかかわらず正確な結果を提供できるAIモデルの作成に重点を置いています。 情報に偏りがあると、システム全体に欠陥が生じる可能性があります。

また読む：サイバーセキュリティにおける人工知能

結論

AIにおけるこれらの課題は、人類にとって非常に憂鬱で壊滅的なもののように見えますが、人々の総力を結集することで、これらの変化を非常に効果的にもたらすことができます。 Microsoftによると、次世代のエンジニアは、これらの最先端の新技術に精通して、将来の組織と協力する機会を得る必要があります。upGradは、あなたを準備するために、これらの最先端技術に関するプログラムを多くの企業に提供してきました。 Google、Microsoft、Amazon、Visa、その他多くのフォーチュン500企業で働く学生。

人工知能と機械学習について詳しく知りたい場合は、IIIT-BとupGradの機械学習とAIのエグゼクティブPGプログラムをご覧ください。このプログラムは、働く専門家向けに設計されており、450時間以上の厳格なトレーニング、30以上のケーススタディを提供しています。課題、IIIT-B卒業生のステータス、5つ以上の実践的なキャップストーンプロジェクト、トップ企業との仕事の支援。