2022 年人工智能面臨的 7 大挑戰

你聽說過 Neuralink 嗎？ 這是一家由埃隆·馬斯克（Elon Musk）共同創立的新興初創公司，致力於將人工智能與人體進行一些嚴肅的整合。 他們開發了一種芯片，該芯片由 96 根細聚合物線組成，每根線包含 32 個電極，可以移植到大腦中。

我知道你在想什麼：“這是嚴肅的科幻小說”，但答案是：不。 這正在現實世界中發生，並且使用此設備，您可以將您的大腦與日常電子設備連接起來，甚至無需觸摸它們！

是時候提出一些嚴肅的問題了：真的有必要嗎？ 會有那麼好用嗎？ 我們準備好迎接這種技術了嗎？ 它將如何影響我們未來的生活？ 讓我們找出人工智能的挑戰。

加入來自世界頂級大學的機器學習在線課程——碩士、高管研究生課程和 ML 和 AI 高級證書課程，以加快您的職業生涯。

人工智能對人類生活和經濟的影響是驚人的。 到 2030 年，人工智能可以為世界經濟增加約 15.7 萬億美元。從這個角度來看，這大約是截至目前中國和印度的經濟總產值。

隨著各家公司預測使用人工智能可以將企業生產力提高多達 40%，自 2000 年以來，人工智能初創企業的數量急劇增加了 14 倍。人工智能的應用範圍可以從跟踪小行星和其他天體在太空中預測地球上的疾病，探索新的創新方法來遏制恐怖主義以進行工業設計。

人工智能中最常見的挑戰

1、算力

這些耗電量大的算法使用的電量是讓大多數開發人員望而卻步的一個因素。 機器學習和深度學習是這種人工智能的墊腳石，它們需要越來越多的內核和 GPU 才能高效工作。 我們在各個領域都有想法和知識來實施深度學習框架，例如小行星跟踪、醫療保健部署、宇宙體跟踪等等。

它們需要超級計算機的計算能力，是的，超級計算機並不便宜。 儘管由於雲計算和並行處理系統的可用性，開發人員在人工智能係統上工作的效率更高，但它們是有代價的。 隨著前所未有的大量數據流入和快速增加的複雜算法的增加，並不是每個人都能負擔得起。

2. 信任赤字

引起人工智能擔憂的最重要因素之一是深度學習模型如何預測輸出的未知性質。 對於外行來說，一組特定的輸入如何為不同類型的問題設計解決方案是很難理解的。

世界上許多人甚至不知道人工智能的使用或存在，以及它如何集成到他們與之交互的日常物品中，例如智能手機、智能電視、銀行，甚至汽車（在某種程度的自動化）。

3.知識有限

儘管市場上有很多地方我們可以使用人工智能作為傳統系統的更好替代品。 真正的問題是人工智能的知識。 除了技術愛好者、大學生和研究人員，只有少數人意識到人工智能的潛力。

例如，有許多SME（中小型企業）可以安排他們的工作或學習創新方法來增加產量、管理資源、在線銷售和管理產品、學習和了解消費者行為以及有效和高效地對市場做出反應. 他們也不知道谷歌云、亞馬遜網絡服務和科技行業的其他服務提供商。

4.人類層面

這是人工智能中最重要的挑戰之一，它使研究人員在公司和初創企業的人工智能服務方面處於領先地位。 這些公司可能吹噓超過 90% 的準確率，但人類在所有這些情況下都可以做得更好。 例如，讓我們的模型預測圖像是狗還是貓。 人類幾乎每次都能預測出正確的輸出，準確率高達 99% 以上。

要使深度學習模型執行類​​似的性能，需要前所未有的微調、超參數優化、大型數據集、定義明確且準確的算法，以及強大的計算能力、對訓練數據的不間斷訓練和對測試數據的測試。 這聽起來工作量很大，實際上比聽起來要困難一百倍。

避免做所有艱苦工作的一種方法是使用服務提供商，因為他們可以使用預先訓練的模型訓練特定的深度學習模型。 他們接受了數百萬張圖像的訓練，並進行了微調以獲得最大的準確性，但真正的問題是他們繼續顯示錯誤，並且很難達到人類水平的表現。

5. 數據隱私和安​​全

所有深度和機器學習模型所基於的主要因素是訓練它們的數據和資源的可用性。 是的，我們有數據，但由於這些數據是由全球數百萬用戶生成的，因此這些數據有可能被用於不良目的。

例如，讓我們假設一家醫療服務提供商為一個城市的 100 萬人提供服務，並且由於網絡攻擊，所有 100 萬用戶的個人數據都落入了暗網上的每個人的手中。 這些數據包括有關疾病、健康問題、病史等的數據。 更糟糕的是，我們現在正在處理行星大小數據。 這麼多信息從四面八方湧來，肯定會出現一些數據洩露的情況。

一些公司已經開始創新工作以繞過這些障礙。 它在智能設備上訓練數據，因此不會將其發送回服務器，而只會將經過訓練的模型發送回組織。

閱讀：印度新生和有經驗的 AI 工資

6. 偏差問題

人工智能係統的好壞實際上取決於他們接受訓練的數據量。 因此，獲得良好數據的能力是未來良好人工智能係統的解決方案。 但是，實際上，組織收集的日常數據很差，而且沒有任何意義。

他們是有偏見的，並且只能以某種方式基於宗教、種族、性別、社區和其他種族偏見來定義少數具有共同利益的人的性質和規格。 只有定義一些能夠有效跟踪這些問題的算法，才能帶來真正的改變。

7. 數據稀缺

由於谷歌、Facebook 和蘋果等大公司面臨不道德使用用戶數據的指控，印度等多個國家正在使用嚴格的 IT 規則來限制流量。 因此，這些公司現在面臨著使用本地數據為全球開發應用程序的問題，這將導致偏見。

數據是人工智能非常重要的一個方面，標記數據用於訓練機器學習和做出預測。 一些公司正在嘗試創新新方法，並專注於創建能夠在數據稀缺的情況下提供準確結果的 AI 模型。 如果信息有偏見，整個系統可能會出現缺陷。

另請閱讀：網絡安全中的人工智能

結論

儘管人工智能的這些挑戰對人類來說似乎非常令人沮喪和毀滅性的，但通過人們的集體努力，我們可以非常有效地帶來這些變化。 根據 Microsoft 的說法，下一代工程師必須在這些尖端新技術方面提升自己的技能，以便有機會與未來的組織合作，為了讓您做好準備， upGrad一直在與我們的許多公司一起提供有關這些尖端技術的計劃在谷歌、微軟、亞馬遜和 Visa 以及許多其他財富 500 強公司工作的學生。

如果您有興趣了解有關人工智能和機器學習的更多信息，請查看 IIIT-B 和 upGrad 的機器學習和 AI 執行 PG 計劃，該計劃專為在職專業人士設計，提供 450 多個小時的嚴格培訓、30 多個案例研究和任務、IIIT-B 校友身份、5 個以上實用的實踐頂點項目和頂級公司的工作協助。