Masačusetso technologijos instituto mokslininkų tyrimas atskleidė dirbtinio intelekto duomenų analizės proceso detales, kurias priimant sprendimus dažnai vadovaujamasi seksistiniais ir rasistiniais stereotipais. Kelios eksperimente dalyvavusios sistemos parodė jautrumą žmogaus išankstinėms nuostatoms.
Britų laikraštis „The Daily Mail“rašo, kad gavusi tyrimo rezultatus, mokslininkų komanda įsipareigojo perprogramuoti dirbtinį intelektą, pašalindama ankstesnes problemas. Anot Masačusetso technologijos institute dirbančios Irene Chen, kompiuterių mokslininkai linkę skubėti į išvadą, kad vienintelis būdas pašalinti rasizmo ir seksizmo elementus dirbtinio intelekto algoritmuose yra tobulinti programinės įrangos kodą. Algoritmų kokybė yra tiesiogiai proporcinga duomenims, kuriais jie dirba. Cheno su Davidu Sontagu ir Fredriku D. Johannsonu atlikti tyrimai rodo, kad daugiau turimų duomenų gali radikaliai pakeisti viską į gerąją pusę.
- „Salik.biz“
Vieno eksperimento metu komanda apžiūrėjo sistemą, kuri numatė asmens pajamas pagal turimą informaciją. Analizė parodė, kad 50% atvejų algoritmas yra linkęs numatyti, kad vidutiniškai moters pajamos bus mažesnės nei vyro. Padidinę turimų duomenų kiekį 10 kartų, mokslininkai nustatė, kad tokios klaidos faktorius sumažėjo 40%.
Be to, tiriant sistemą, naudojamą ligoninėse ir numatančią pacientų, kuriems atliekama sunki operacija, išgyvenimą, mongoloidų rasės prognozių tikslumas buvo daug mažesnis nei kaukaziečių ir negroidų. Tačiau mokslininkai tvirtina, kad pažangių analizės metodų taikymas gali žymiai sumažinti prognozės tikslumą pacientams, nepriklausantiems Mongoloidų lenktynėms. Tai rodo, kad daugiau turimų duomenų ne visada gali ištaisyti algoritmo klaidas. Užuot mokslininkai turėtų gauti daugiau informacijos apie diskriminuojamas grupes.
Naujasis metodas mašininio mokymosi tyrinėtojams kelia dar vieną klausimą, kaip efektyviai analizuoti duomenis be esamos diskriminacijos.
Kaip kompiuterinis mokymasis veikia AI varomose sistemose?
Dirbtinio intelekto sistemos yra pagrįstos dirbtiniais neuronų tinklais (ANNs), kurie ekstrapoliuoja informacijos saugojimo ir mokymosi metodus, kuriuos naudoja žmogaus smegenys, į mechanines sistemas. ANN mokosi ieškoti turimų informacijos šaltinių, įskaitant kalbą, tekstą ir vaizdus, pavyzdžių. Duomenų analizės tikslumo gerinimas yra viena iš pagrindinių prielaidų, esančių prieš naujausius dirbtinio intelekto pokyčius.
„Normalus“dirbtinis intelektas naudoja įvestus duomenis, norėdamas pasakyti algoritmą apie analizuojamą objektą, tuo pačiu dirbdamas su didžiuliu informacijos kiekiu.
Reklaminis vaizdo įrašas:
Praktinės mašininio mokymosi programos apima „Google“vertimo paslaugas, veido atpažinimą iš „Facebook“nuotraukų ir „Snapchat“filtrus, kurie nuskaito veidus prieš pritaikant vaizdo efektus internete.
Duomenų įvedimo procesas dažnai užima daug laiko ir paprastai jį riboja informacijos srautas apie vieną tiriamo objekto aspektą. Naujo tipo ANN - generatyvus prieštaringų neuronų tinklas - priešinasi dviejų skirtingų robotų, turinčių dirbtinį intelektą, galimybėms, išprovokuodamas mažiau intelektualią sistemą išmokti antrojo sąskaita be žmogaus dalyvavimo. Ši technika žymiai pagerina mašininio mokymosi efektyvumą ir greitį, tuo pačiu padidindama duomenų analizės kokybę.
Oliy Kurilov