7 najważniejszych wyzwań w sztucznej inteligencji w 2022 r.

Czy słyszałeś kiedyś o Neuralinku? Jest to początkujący start-up, którego współzałożycielem jest Elon Musk, który pracuje nad poważną integracją sztucznej inteligencji z ludzkim ciałem. Opracowali chip, który składa się z 96 małych, polimerowych nici, z których każda zawiera 32 elektrody i może być wszczepiona do mózgu.

Wiem, co myślisz: „To poważna science fiction”, ale odpowiedź brzmi: nie. Dzieje się to w prawdziwym świecie i przy użyciu tego urządzenia, a Ty możesz połączyć swój mózg z codziennymi urządzeniami elektronicznymi, nawet ich nie dotykając!

Czas na kilka poważnych pytań: Czy to naprawdę konieczne? Czy to będzie przydatne? Czy jesteśmy gotowi na taką technologię? Jak wpłynie to na nasze życie w przyszłości? Poznajmy wyzwania w AI.

Dołącz do internetowego kursu uczenia maszynowego z najlepszych światowych uniwersytetów — studiów magisterskich, programów podyplomowych dla kadry kierowniczej i zaawansowanego programu certyfikacji w zakresie uczenia się maszynowego i sztucznej inteligencji, aby przyspieszyć swoją karierę.

Wpływ sztucznej inteligencji na życie ludzi i gospodarkę jest zdumiewający. Sztuczna inteligencja może dodać około 15,7 biliona dolarów do światowej gospodarki do 2030 roku. Aby spojrzeć na to z perspektywy, chodzi o łączną produkcję gospodarczą Chin i Indii na dzień dzisiejszy.

Ponieważ różne firmy przewidują, że wykorzystanie sztucznej inteligencji może zwiększyć produktywność biznesu nawet o 40%, dramatyczny wzrost liczby start-upów z AI zwiększył się 14-krotnie od 2000 r. Zastosowanie sztucznej inteligencji może obejmować śledzenie asteroid i innych ciał kosmicznych w kosmosie, aby przewidywać choroby na Ziemi, badać nowe i innowacyjne sposoby ograniczania terroryzmu w celu tworzenia wzorów przemysłowych.

Najczęstsze wyzwania w AI

1. Moc obliczeniowa

Ilość mocy zużywanej przez te energochłonne algorytmy jest czynnikiem, który powstrzymuje większość programistów. Uczenie maszynowe i głębokie uczenie są kamieniami milowymi tej sztucznej inteligencji i wymagają coraz większej liczby rdzeni i procesorów graficznych do wydajnej pracy. Istnieją różne dziedziny, w których mamy pomysły i wiedzę na temat wdrażania struktur głębokiego uczenia, takich jak śledzenie asteroid, wdrażanie opieki zdrowotnej, śledzenie ciał kosmicznych i wiele innych.

Wymagają mocy obliczeniowej superkomputera i tak, superkomputery nie są tanie. Chociaż ze względu na dostępność Cloud Computing i systemów przetwarzania równoległego bardziej efektywnie pracują na systemach AI, mają one swoją cenę. Nie każdy może sobie na to pozwolić przy wzroście napływu bezprecedensowych ilości danych i szybko rosnących skomplikowanych algorytmach.

2. Deficyt zaufania

Jednym z najważniejszych czynników, które są powodem niepokoju dla sztucznej inteligencji, jest nieznana natura tego, w jaki sposób modele głębokiego uczenia przewidują wyniki. To, w jaki sposób określony zestaw danych wejściowych może opracować rozwiązanie dla różnych rodzajów problemów, jest trudne do zrozumienia dla laika.

Wiele osób na świecie nie wie nawet o zastosowaniu lub istnieniu sztucznej inteligencji i tego, jak jest ona zintegrowana z przedmiotami codziennego użytku, z którymi wchodzą w interakcję, takimi jak smartfony, telewizory Smart TV, bankowość, a nawet samochody (na pewnym poziomie automatyzacji).

3. Ograniczona wiedza

Chociaż na rynku jest wiele miejsc, w których możemy wykorzystać sztuczną inteligencję jako lepszą alternatywę dla tradycyjnych systemów. Prawdziwym problemem jest znajomość Sztucznej Inteligencji. Oprócz entuzjastów technologii, studentów i naukowców, tylko niewielka liczba osób zdaje sobie sprawę z potencjału sztucznej inteligencji.

Na przykład istnieje wiele MŚP (małych i średnich przedsiębiorstw) , które mogą zaplanować swoją pracę lub nauczyć się innowacyjnych sposobów zwiększania produkcji, zarządzania zasobami, sprzedaży i zarządzania produktami online, uczenia się i rozumienia zachowań konsumentów oraz skutecznego i wydajnego reagowania na rynek . Nie są również świadomi istnienia dostawców usług, takich jak Google Cloud, Amazon Web Services i innych z branży technologicznej.

4. Poziom ludzki

Jest to jedno z najważniejszych wyzwań w sztucznej inteligencji, które zapewniło badaczom przewagę w zakresie usług AI w firmach i start-upach. Firmy te mogą pochwalić się dokładnością powyżej 90%, ale ludzie mogą radzić sobie lepiej we wszystkich tych scenariuszach. Na przykład niech nasz model przewidzi, czy obraz przedstawia psa czy kota. Człowiek może prawie za każdym razem przewidzieć poprawny wynik, wymazując zdumiewającą dokładność przekraczającą 99%.

Aby model uczenia głębokiego osiągnął podobną wydajność, wymagałoby bezprecedensowego dostrajania, optymalizacji hiperparametrów, dużego zestawu danych oraz dobrze zdefiniowanego i dokładnego algorytmu, a także solidnej mocy obliczeniowej, nieprzerwanego uczenia na danych pociągu i testowania na danych testowych. Brzmi to dużo pracy, a w rzeczywistości jest sto razy trudniejsze, niż się wydaje.

Jednym ze sposobów uniknięcia całej ciężkiej pracy jest skorzystanie z usług dostawcy usług, ponieważ może on trenować określone modele uczenia głębokiego przy użyciu wstępnie wytrenowanych modeli. Są przeszkoleni na milionach obrazów i dostrojeni pod kątem maksymalnej dokładności, ale prawdziwym problemem jest to, że nadal wykazują błędy i naprawdę mieliby trudności z osiągnięciem wydajności na poziomie ludzkim.

5. Prywatność i bezpieczeństwo danych

Głównym czynnikiem, na którym opierają się wszystkie modele uczenia głębokiego i uczenia maszynowego, jest dostępność danych i zasobów do ich szkolenia. Tak, mamy dane, ale ponieważ są one generowane przez miliony użytkowników na całym świecie, istnieje prawdopodobieństwo, że dane te mogą zostać wykorzystane do złych celów.

Załóżmy na przykład, że dostawca usług medycznych oferuje usługi milionowi osób w mieście, a z powodu cyberataku dane osobowe miliona użytkowników wpadają w ręce wszystkich użytkowników ciemnej sieci. Dane te obejmują dane o chorobach, problemach zdrowotnych, historii medycznej i wielu innych. Co gorsza, mamy teraz do czynienia z danymi o wielkości planety. Przy tak dużej ilości informacji napływających ze wszystkich kierunków, z pewnością zdarzałyby się przypadki wycieku danych.

Niektóre firmy rozpoczęły już innowacyjne prace nad ominięciem tych barier. Ćwiczy dane na urządzeniach inteligentnych, a co za tym idzie nie są odsyłane na serwery, tylko wytrenowany model jest odsyłany z powrotem do organizacji.

Przeczytaj: Wynagrodzenie AI w Indiach dla odświeżających i doświadczonych

6. Problem uprzedzeń

Dobra lub zła natura systemu AI naprawdę zależy od ilości danych, na których jest on szkolony. Dlatego możliwość pozyskania dobrych danych jest rozwiązaniem dla dobrych systemów AI w przyszłości. Ale w rzeczywistości codzienne dane gromadzone przez organizacje są ubogie i same w sobie nie mają żadnego znaczenia.

Są stronnicze i tylko w jakiś sposób definiują charakter i specyfikę ograniczonej liczby osób o wspólnych zainteresowaniach opartych na religii, pochodzeniu etnicznym, płci, społeczności i innych uprzedzeniach rasowych. Prawdziwą zmianę można wprowadzić tylko poprzez zdefiniowanie pewnych algorytmów, które mogą skutecznie śledzić te problemy.

7. Niedobór danych

Ponieważ duże firmy, takie jak Google, Facebook i Apple, są obciążane opłatami za nieetyczne wykorzystanie generowanych danych użytkowników, różne kraje, takie jak Indie, stosują rygorystyczne przepisy IT w celu ograniczenia przepływu. W związku z tym firmy te stoją teraz przed problemem wykorzystania danych lokalnych do tworzenia aplikacji na całym świecie, a to spowodowałoby stronniczość.

Dane są bardzo ważnym aspektem sztucznej inteligencji, a dane oznaczone etykietami służą do uczenia maszyn w zakresie uczenia się i przewidywania. Niektóre firmy próbują wprowadzać innowacje w nowych metodologiach i koncentrują się na tworzeniu modeli AI, które mogą dawać dokładne wyniki pomimo niedostatku danych. Przy nieobiektywnych informacjach cały system może stać się wadliwy.

Przeczytaj także: Sztuczna inteligencja w cyberbezpieczeństwie

Wniosek

Chociaż te wyzwania w AI wydają się bardzo przygnębiające i niszczące dla ludzkości, dzięki zbiorowemu wysiłkowi ludzi możemy bardzo skutecznie wprowadzić te zmiany. Według Microsoft, następna generacja inżynierów musi podnosić swoje umiejętności w zakresie tych najnowocześniejszych technologii, aby mieć szansę na współpracę z organizacjami przyszłości. Aby się na to przygotować, upGrad oferuje programy dotyczące tych najnowocześniejszych technologii wraz z wieloma naszymi student pracujący w Google, Microsoft, Amazon i Visa oraz wielu innych firmach z fortuny 500.

Jeśli chcesz dowiedzieć się więcej o sztucznej inteligencji i uczeniu maszynowym, zapoznaj się z programem Executive PG w zakresie uczenia maszynowego i sztucznej inteligencji IIIT-B i upGrad, który jest przeznaczony dla pracujących profesjonalistów i oferuje ponad 450 godzin rygorystycznych szkoleń, ponad 30 studiów przypadków i zadania, status absolwentów IIIT-B, ponad 5 praktycznych praktycznych projektów zwieńczenia i pomoc w pracy z najlepszymi firmami.