ความท้าทาย 7 อันดับแรกในด้านปัญญาประดิษฐ์ในปี 2565

คุณเคยได้ยินเกี่ยวกับ Neuralink หรือไม่? เป็นบริษัทที่เพิ่งเริ่มต้นซึ่งก่อตั้งโดย Elon Musk ซึ่งกำลังทำงานเกี่ยวกับการบูรณาการปัญญาประดิษฐ์อย่างจริงจังกับร่างกายมนุษย์ พวกเขาได้พัฒนาชิปซึ่งเป็นอาร์เรย์ของเส้นใยโพลีเมอร์ขนาดเล็ก 96 เส้น โดยแต่ละเส้นมีอิเล็กโทรด 32 ขั้ว และสามารถปลูกถ่ายไปยังสมองได้

ฉันรู้ว่าคุณกำลังคิดอะไรอยู่: “นี่เป็นนิยายวิทยาศาสตร์ที่จริงจัง” แต่คำตอบคือ: ไม่ สิ่งนี้กำลังเกิดขึ้นในโลกแห่งความจริงและการใช้อุปกรณ์นี้ และคุณสามารถเชื่อมต่อสมองของคุณกับอุปกรณ์อิเล็กทรอนิกส์ในชีวิตประจำวันได้โดยไม่ต้องแตะต้องมันด้วยซ้ำ!

เวลาสำหรับคำถามที่จริงจัง: จำเป็นจริงหรือ? มันจะมีประโยชน์ขนาดนั้น? เราพร้อมหรือยังสำหรับเทคโนโลยีประเภทนี้? จะส่งผลต่อชีวิตเราในอนาคตอย่างไร? มาค้นหาความท้าทายใน AI กันเถอะ

เข้าร่วม หลักสูตร Machine Learning Online จากมหาวิทยาลัยชั้นนำของโลก – ปริญญาโท, Executive Post Graduate Programme และ Advanced Certificate Program ใน ML & AI เพื่อติดตามอาชีพของคุณอย่างรวดเร็ว

ผลกระทบของปัญญาประดิษฐ์ต่อชีวิตมนุษย์และเศรษฐกิจเป็นเรื่องน่าประหลาดใจ ปัญญาประดิษฐ์สามารถเพิ่มเศรษฐกิจโลกได้ประมาณ 15.7 ล้านล้านดอลลาร์ภายในปี 2573 หากต้องการมองในแง่นี้ นั่นคือผลผลิตทางเศรษฐกิจที่รวมกันของจีนและอินเดีย ณ วันนี้

ด้วยบริษัทหลายแห่งคาดการณ์ว่าการใช้ AI สามารถเพิ่มประสิทธิภาพทางธุรกิจได้มากถึง 40% จำนวนการเริ่มต้น AI ที่เพิ่มขึ้นอย่างมากจึงเพิ่มขึ้น 14 เท่าตั้งแต่ปี 2000 การประยุกต์ใช้ AI สามารถครอบคลุมตั้งแต่การติดตามดาวเคราะห์น้อยและวัตถุในจักรวาลอื่น ๆ ในอวกาศเพื่อทำนายโรคต่างๆ บนโลก สำรวจวิธีการใหม่ๆ และนวัตกรรมในการควบคุมการก่อการร้ายเพื่อออกแบบอุตสาหกรรม

ความท้าทายที่พบบ่อยที่สุดใน AI

1. พลังคอมพิวเตอร์

ปริมาณพลังงานที่อัลกอริธึมหิวกระหายเหล่านี้เป็นปัจจัยที่ทำให้นักพัฒนาส่วนใหญ่ไม่อยู่ การเรียนรู้ของเครื่องและการเรียนรู้เชิงลึกเป็นก้าวสำคัญของปัญญาประดิษฐ์นี้ และพวกเขาต้องการจำนวนคอร์และ GPU ที่เพิ่มมากขึ้นเพื่อให้ทำงานได้อย่างมีประสิทธิภาพ มีหลายโดเมนที่เรามีแนวคิดและความรู้ในการใช้เฟรมเวิร์กการเรียนรู้เชิงลึก เช่น การติดตามดาวเคราะห์น้อย การใช้งานด้านการดูแลสุขภาพ การติดตามวัตถุในจักรวาล และอื่นๆ อีกมากมาย

พวกเขาต้องการพลังประมวลผลของซูเปอร์คอมพิวเตอร์ และใช่ ซุปเปอร์คอมพิวเตอร์นั้นไม่ถูก แม้ว่าเนื่องจากความพร้อมของ Cloud Computing และระบบประมวลผลแบบคู่ขนาน นักพัฒนาซอฟต์แวร์สามารถทำงานบนระบบ AI ได้อย่างมีประสิทธิภาพมากขึ้น แต่ก็มาในราคา ไม่ใช่ทุกคนที่สามารถจ่ายได้ด้วยการเพิ่มขึ้นของปริมาณข้อมูลที่ไม่เคยเกิดขึ้นมาก่อนและอัลกอริธึมที่ซับซ้อนเพิ่มขึ้นอย่างรวดเร็ว

2. การขาดดุลความน่าเชื่อถือ

ปัจจัยที่สำคัญที่สุดประการหนึ่งที่ทำให้เกิดความกังวลสำหรับ AI คือลักษณะที่ไม่รู้จักว่าแบบจำลองการเรียนรู้เชิงลึกคาดการณ์ผลลัพธ์อย่างไร วิธีการที่ชุดอินพุตเฉพาะสามารถคิดค้นวิธีแก้ปัญหาประเภทต่างๆ เป็นเรื่องยากที่จะเข้าใจสำหรับคนธรรมดา

หลายคนในโลกนี้ไม่รู้ด้วยซ้ำถึงการใช้หรือการมีอยู่ของปัญญาประดิษฐ์ และวิธีที่ปัญญาประดิษฐ์นี้รวมเข้ากับสิ่งของในชีวิตประจำวันที่พวกเขาโต้ตอบด้วย เช่น สมาร์ทโฟน สมาร์ททีวี การธนาคาร และแม้แต่รถยนต์ (ที่ระบบอัตโนมัติบางระดับ)

3. ความรู้จำกัด

แม้ว่าจะมีหลายแห่งในตลาดที่เราสามารถใช้ปัญญาประดิษฐ์เป็นทางเลือกที่ดีกว่าระบบแบบเดิม ปัญหาที่แท้จริงคือความรู้ด้านปัญญาประดิษฐ์ นอกจากผู้ที่ชื่นชอบเทคโนโลยี นักศึกษา และนักวิจัยแล้ว ยังมีคนจำนวนจำกัดที่ตระหนักถึงศักยภาพของ AI

ตัวอย่างเช่น มี SMEs (วิสาหกิจขนาดกลางและขนาดย่อม) จำนวนมากที่สามารถจัดตารางงานหรือเรียนรู้วิธีใหม่ๆ ในการเพิ่มการผลิต จัดการทรัพยากร ขายและจัดการผลิตภัณฑ์ออนไลน์ เรียนรู้และเข้าใจพฤติกรรมผู้บริโภคและตอบสนองต่อตลาดอย่างมีประสิทธิภาพและประสิทธิผล . พวกเขายังไม่รู้จักผู้ให้บริการเช่น Google Cloud, Amazon Web Services และอื่นๆ ในอุตสาหกรรมเทคโนโลยี

4. ระดับมนุษย์

นี่เป็นหนึ่งในความท้าทายที่สำคัญที่สุดใน AI ซึ่งทำให้นักวิจัยมีความได้เปรียบในด้านบริการ AI ในบริษัทและสตาร์ทอัพ บริษัทเหล่านี้อาจมีความแม่นยำมากกว่า 90% แต่มนุษย์สามารถทำได้ดีกว่าในทุกสถานการณ์ ตัวอย่างเช่น ให้แบบจำลองของเราทำนายว่าภาพนั้นเป็นของสุนัขหรือแมว มนุษย์สามารถทำนายผลลัพธ์ที่ถูกต้องได้เกือบทุกครั้ง โดยเพิ่มความแม่นยำที่น่าทึ่งที่สูงกว่า 99%

สำหรับโมเดลการเรียนรู้เชิงลึกเพื่อดำเนินการในลักษณะเดียวกันนั้นจะต้องมีการปรับละเอียดที่ไม่เคยมีมาก่อน การเพิ่มประสิทธิภาพไฮเปอร์พารามิเตอร์ ชุดข้อมูลขนาดใหญ่ และอัลกอริธึมที่แม่นยำและแม่นยำ ควบคู่ไปกับพลังการประมวลผลที่แข็งแกร่ง การฝึกข้อมูลรถไฟอย่างต่อเนื่อง และการทดสอบข้อมูลทดสอบ นั่นฟังดูเป็นงานมากและจริง ๆ แล้วยากกว่าเสียงร้อยเท่า

วิธีหนึ่งที่คุณสามารถหลีกเลี่ยงการทำงานหนักทั้งหมดได้คือการใช้ผู้ให้บริการ เนื่องจากพวกเขาสามารถฝึกโมเดลการเรียนรู้เชิงลึกเฉพาะโดยใช้แบบจำลองที่ได้รับการฝึกอบรมล่วงหน้า พวกเขาได้รับการฝึกฝนเกี่ยวกับภาพนับล้านและได้รับการปรับแต่งอย่างละเอียดเพื่อความแม่นยำสูงสุด แต่ปัญหาที่แท้จริงคือพวกเขายังคงแสดงข้อผิดพลาดต่อไปและจะพยายามอย่างมากที่จะบรรลุประสิทธิภาพระดับมนุษย์

5. ความเป็นส่วนตัวและความปลอดภัยของข้อมูล

ปัจจัยหลักที่ใช้โมเดลการเรียนรู้เชิงลึกและแมชชีนเลิร์นนิงทั้งหมดคือความพร้อมใช้งานของข้อมูลและทรัพยากรในการฝึกอบรม ใช่ เรามีข้อมูล แต่เนื่องจากข้อมูลนี้สร้างจากผู้ใช้หลายล้านคนทั่วโลก จึงมีโอกาสที่ข้อมูลนี้จะถูกนำมาใช้เพื่อจุดประสงค์ที่ไม่ดี

ตัวอย่างเช่น สมมติว่าผู้ให้บริการทางการแพทย์ให้บริการแก่ผู้คน 1 ล้านคนในเมืองหนึ่ง และเนื่องจากการโจมตีทางไซเบอร์ ข้อมูลส่วนบุคคลของผู้ใช้ทั้งหมด 1 ล้านคนตกอยู่ในมือของทุกคนในเว็บมืด ข้อมูลนี้รวมถึงข้อมูลเกี่ยวกับโรค ปัญหาสุขภาพ ประวัติทางการแพทย์ และอื่นๆ อีกมากมาย ที่เลวร้ายไปกว่านั้น เรากำลังจัดการกับข้อมูลขนาดดาวเคราะห์ ด้วยข้อมูลมากมายที่หลั่งไหลเข้ามาจากทุกทิศทาง อาจมีบางกรณีของการรั่วไหลของข้อมูล

บางบริษัทได้เริ่มทำงานอย่างสร้างสรรค์เพื่อหลีกเลี่ยงอุปสรรคเหล่านี้ มันฝึกข้อมูลบนอุปกรณ์อัจฉริยะ และด้วยเหตุนี้ จึงไม่ส่งกลับไปยังเซิร์ฟเวอร์ เฉพาะแบบจำลองที่ผ่านการฝึกอบรมเท่านั้นที่จะถูกส่งกลับไปยังองค์กร

อ่าน: AI เงินเดือนในอินเดียสำหรับ Freshers & มีประสบการณ์

6. ปัญหาอคติ

ลักษณะที่ดีหรือไม่ดีของระบบ AI ขึ้นอยู่กับปริมาณข้อมูลที่ได้รับการฝึกอบรมจริงๆ ดังนั้นความสามารถในการรับข้อมูลที่ดีจึงเป็นทางออกของระบบ AI ที่ดีในอนาคต แต่ในความเป็นจริง ข้อมูลประจำวันที่องค์กรรวบรวมนั้นไม่ดีและไม่มีความสำคัญในตัวเอง

พวกเขามีความลำเอียง และเพียงแต่กำหนดลักษณะและข้อกำหนดของคนจำนวนจำกัดที่มีความสนใจร่วมกันตามศาสนา ชาติพันธุ์ เพศ ชุมชน และอคติทางเชื้อชาติอื่นๆ การเปลี่ยนแปลงที่แท้จริงสามารถทำได้โดยการกำหนดอัลกอริธึมบางอย่างที่สามารถติดตามปัญหาเหล่านี้ได้อย่างมีประสิทธิภาพเท่านั้น

7. การขาดแคลนข้อมูล

เนื่องจากบริษัทใหญ่ๆ เช่น Google, Facebook และ Apple ต้องเผชิญกับค่าใช้จ่ายเกี่ยวกับการใช้ข้อมูลผู้ใช้ที่ผิดจรรยาบรรณ ประเทศต่างๆ เช่น อินเดียจึงใช้กฎไอทีที่เข้มงวดเพื่อจำกัดการไหล ดังนั้น บริษัทเหล่านี้จึงประสบปัญหาในการใช้ข้อมูลในพื้นที่เพื่อพัฒนาแอปพลิเคชันสำหรับโลก และนั่นจะส่งผลให้เกิดอคติ

ข้อมูลเป็นส่วนสำคัญของ AI และใช้ข้อมูลที่มีป้ายกำกับเพื่อฝึกเครื่องจักรให้เรียนรู้และคาดการณ์ บางบริษัทกำลังพยายามคิดค้นวิธีการใหม่ๆ และมุ่งเน้นที่การสร้างแบบจำลอง AI ที่สามารถให้ผลลัพธ์ที่แม่นยำแม้ข้อมูลจะขาดแคลน ด้วยข้อมูลที่มีอคติ ระบบทั้งหมดอาจมีข้อบกพร่อง

อ่านเพิ่มเติม: ปัญญาประดิษฐ์ในความปลอดภัยทางไซเบอร์

บทสรุป

แม้ว่าความท้าทายใน AI เหล่านี้จะดูน่าหดหู่และทำลายล้างอย่างมากสำหรับมนุษยชาติ แต่ด้วยความพยายามร่วมกันของผู้คน เราสามารถทำให้เกิดการเปลี่ยนแปลงเหล่านี้ได้อย่างมีประสิทธิผล ตามที่ Microsoft บอกไว้ วิศวกรรุ่นต่อไปต้องเพิ่มทักษะในตัวเองในเทคโนโลยีใหม่ล้ำสมัยเหล่านี้ เพื่อมีโอกาสได้ร่วมงานกับองค์กรแห่งอนาคต และเพื่อเป็นการเตรียมความพร้อมสำหรับคุณ upGrad ได้นำเสนอโปรแกรมเกี่ยวกับเทคโนโลยีล้ำสมัยเหล่านี้กับหลาย ๆ องค์กรของเรา นักเรียนที่ทำงานใน Google, Microsoft, Amazon และ Visa และบริษัทโชคลาภอีก 500 แห่ง

หากคุณสนใจที่จะเรียนรู้เพิ่มเติมเกี่ยวกับปัญญาประดิษฐ์และแมชชีนเลิร์นนิง โปรดดูที่ IIIT-B & upGrad's Executive PG Program in Machine Learning & AI ซึ่งออกแบบมาสำหรับมืออาชีพที่ทำงานและมีการฝึกอบรมอย่างเข้มงวดมากกว่า 450 ชั่วโมง กรณีศึกษามากกว่า 30+ การมอบหมายงาน, สถานะศิษย์เก่า IIIT-B, 5+ โครงการหลักที่ใช้งานได้จริง & ความช่วยเหลือด้านงานกับบริษัทชั้นนำ