7 главных вызовов искусственного интеллекта в 2022 году

Вы когда-нибудь слышали о Neuralink? Это многообещающая стартап-компания, соучредителем которой является Илон Маск, которая работает над серьезной интеграцией искусственного интеллекта с человеческим телом. Они разработали чип, который представляет собой массив из 96 небольших полимерных нитей, каждая из которых содержит 32 электрода и может быть пересажена в мозг.

Я знаю, о чем вы думаете: «Это серьезная научная фантастика», но ответ: нет. Это происходит в реальном мире и с помощью этого устройства, и вы можете подключить свой мозг к повседневным электронным устройствам, даже не прикасаясь к ним!

Время для серьезных вопросов: действительно ли это необходимо? Будет ли это так полезно? Готовы ли мы к таким технологиям? Как это повлияет на нашу жизнь в будущем? Давайте выясним проблемы в ИИ.

Присоединяйтесь к онлайн-курсу по машинному обучению от лучших университетов мира — магистерским программам, программам последипломного образования для руководителей и продвинутой программе сертификации в области машинного обучения и искусственного интеллекта, чтобы ускорить свою карьеру.

Влияние искусственного интеллекта на жизнь людей и экономику было поразительным. К 2030 году искусственный интеллект может добавить в мировую экономику около 15,7 трлн долларов. Если рассматривать это в перспективе, то речь идет о совокупном объеме производства Китая и Индии на сегодняшний день.

Различные компании предсказывают, что использование ИИ может повысить производительность бизнеса на 40 %, и с 2000 года резкое увеличение числа стартапов с ИИ увеличилось в 14 раз. Применение ИИ может варьироваться от отслеживания астероидов и других космических тел до в космосе, чтобы предсказывать болезни на Земле, исследовать новые и инновационные способы обуздания терроризма, чтобы создавать промышленные образцы.

Наиболее распространенные проблемы в области ИИ

1. Вычислительная мощность

Количество энергии, которую используют эти энергоемкие алгоритмы, является фактором, отпугивающим большинство разработчиков. Машинное обучение и глубокое обучение — это ступеньки к этому искусственному интеллекту, и для их эффективной работы требуется постоянно растущее количество ядер и графических процессоров. Существуют различные области, в которых у нас есть идеи и знания для реализации сред глубокого обучения, таких как отслеживание астероидов, развертывание системы здравоохранения, отслеживание космических тел и многое другое.

Они требуют вычислительной мощности суперкомпьютера, и да, суперкомпьютеры недешевы. Хотя благодаря наличию облачных вычислений и систем параллельной обработки разработчики работают над системами ИИ более эффективно, они имеют свою цену. Не все могут себе это позволить с увеличением притока беспрецедентных объемов данных и быстрорастущих сложных алгоритмов.

2. Дефицит доверия

Одним из наиболее важных факторов, вызывающих беспокойство у ИИ, является неизвестная природа того, как модели глубокого обучения предсказывают результат. Неспециалисту трудно понять, как конкретный набор исходных данных может найти решение для различных проблем.

Многие люди в мире даже не знают об использовании или существовании искусственного интеллекта и о том, как он интегрируется в повседневные предметы, с которыми они взаимодействуют, такие как смартфоны, смарт-телевизоры, банковские услуги и даже автомобили (на определенном уровне автоматизации).

3. Ограниченные знания

Хотя на рынке есть много мест, где мы можем использовать искусственный интеллект в качестве лучшей альтернативы традиционным системам. Настоящей проблемой является знание искусственного интеллекта. Помимо энтузиастов технологий, студентов колледжей и исследователей, есть лишь ограниченное число людей, которые знают о потенциале ИИ.

Например, существует множество МСП (малых и средних предприятий) , которые могут планировать свою работу или изучать инновационные способы увеличения своего производства, управления ресурсами, продажи и управления продуктами в Интернете, изучения и понимания поведения потребителей и эффективного и действенного реагирования на рынок. . Они также не знают о таких поставщиках услуг, как Google Cloud, Amazon Web Services и других в технологической отрасли.

4. Человеческий уровень

Это одна из самых важных проблем в области ИИ, которая держит исследователей в курсе услуг ИИ в компаниях и стартапах. Эти компании могут похвастаться точностью выше 90%, но люди могут добиться большего успеха во всех этих сценариях. Например, пусть наша модель предсказывает, является ли изображение собакой или кошкой. Человек может предсказать правильный результат почти каждый раз, достигая ошеломляющей точности выше 99%.

Чтобы модель глубокого обучения работала с такой же производительностью, потребуются беспрецедентная точная настройка, оптимизация гиперпараметров, большой набор данных и четко определенный и точный алгоритм, а также мощная вычислительная мощность, непрерывное обучение на обучающих данных и тестирование на тестовых данных. Звучит много работы, и на самом деле это в сто раз сложнее, чем кажется.

Один из способов избежать всей тяжелой работы — просто использовать поставщика услуг, поскольку они могут обучать определенные модели глубокого обучения с использованием предварительно обученных моделей. Они обучены на миллионах изображений и настроены на максимальную точность, но реальная проблема заключается в том, что они продолжают показывать ошибки и им будет очень трудно достичь производительности человеческого уровня.

5. Конфиденциальность и безопасность данных

Главный фактор, на котором основаны все модели глубокого и машинного обучения, — доступность данных и ресурсов для их обучения. Да, у нас есть данные, но поскольку эти данные генерируются миллионами пользователей по всему миру, есть вероятность, что эти данные могут быть использованы в плохих целях.

Например, предположим, что поставщик медицинских услуг предлагает услуги 1 миллиону человек в городе, и из-за кибератаки личные данные всего миллиона пользователей попадают в руки всех в даркнете. Эти данные включают в себя данные о заболеваниях, проблемах со здоровьем, историю болезни и многое другое. Что еще хуже, мы сейчас имеем дело с данными о размерах планет. С таким количеством информации, поступающей со всех сторон, наверняка будут случаи утечки данных.

Некоторые компании уже начали работать по-новому, чтобы обойти эти барьеры. Он обучает данные на интеллектуальных устройствах, и, следовательно, они не отправляются обратно на серверы, а только обученная модель отправляется обратно в организацию.

Читайте: Зарплата ИИ в Индии для первокурсников и опытных

6. Проблема предвзятости

Хороший или плохой характер системы ИИ действительно зависит от количества данных, на которых они обучаются. Следовательно, возможность получать хорошие данные — это решение для хороших систем искусственного интеллекта в будущем. Но на самом деле повседневные данные, которые собирают организации, скудны и не имеют никакого значения сами по себе.

Они предвзяты и лишь каким-то образом определяют характер и особенности ограниченного числа людей с общими интересами, основанными на религии, этнической принадлежности, поле, общине и других расовых предубеждениях. Реальные изменения могут быть достигнуты только путем определения некоторых алгоритмов, которые могут эффективно отслеживать эти проблемы.

7. Дефицит данных

Поскольку крупные компании, такие как Google, Facebook и Apple, сталкиваются с обвинениями в неэтичном использовании сгенерированных пользовательских данных, различные страны, такие как Индия, используют строгие ИТ-правила для ограничения потока. Таким образом, эти компании теперь сталкиваются с проблемой использования локальных данных для разработки приложений для всего мира, что может привести к предвзятости.

Данные — очень важный аспект ИИ, и помеченные данные используются для обучения машин обучению и прогнозированию. Некоторые компании пытаются внедрять новые методологии и сосредоточены на создании моделей ИИ, которые могут давать точные результаты, несмотря на нехватку данных. С предвзятой информацией вся система может стать ошибочной.

Читайте также: Искусственный интеллект в кибербезопасности

Заключение

Хотя эти проблемы в области ИИ кажутся человечеству очень угнетающими и разрушительными, благодаря коллективным усилиям людей мы можем очень эффективно добиться этих изменений. По словам Microsoft, следующее поколение инженеров должно повысить свою квалификацию в этих передовых новых технологиях, чтобы получить шанс работать с организациями будущего, и чтобы подготовить вас, upGrad предлагает программы по этим передовым технологиям со многими из наших студент, работающий в Google, Microsoft, Amazon, Visa и многих других компаниях из списка Fortune 500.

Если вам интересно узнать больше об искусственном интеллекте и машинном обучении, ознакомьтесь с программой IIIT-B & upGrad Executive PG в области машинного обучения и искусственного интеллекта , которая предназначена для работающих профессионалов и предлагает более 450 часов тщательного обучения, более 30 тематических исследований и задания, статус выпускника IIIT-B, более 5 практических практических проектов и помощь в трудоустройстве в ведущих фирмах.