AI-uuringute taasleiutamine: lähenemisviisid ettevõtete domineeritud maastikule
Põgusalt
Togeliuse ja Yannakise artikkel annab väärtuslikku ülevaadet väljakutsetest, millega AI akadeemikud akadeemilises keskkonnas silmitsi seisavad.
Artiklis tuuakse välja arvutusressursside nappus, ettevõtete domineerimine ja vajadus väiksemamahuliste eksperimentide järele.
Teadlased peaksid keskenduma eelkoolitatud mudelite võimendamisele, olemasolevate mudelite süvaanalüüsile, tugevdamisõppe (RL) uurimisele, minimaalselt koormatud mudelite uurimisele, kasutamata või tähelepanuta jäetud alade uurimisele ja ootamatute meetodite katsetamisele.
Samuti soovitavad nad liikuda eetilistes piirides, teha koostööd valdkonna sidusrühmadega ja edendada ülikoolidevahelist koostööd.
Need strateegiad pakuvad AI akadeemikutele tegevuskava nende väljakutsetega toimetulemiseks ja valdkonda sisulise panuse andmiseks.
Väga oluline on hinnata tehisintellekti mõju erinevatele sidusrühmadele, sealhulgas akadeemilistele tehisintellekti teadlastele, kuna valdkond on kiiresti muutumas. Togelius J. ja Yannakakis GN hiljutine artikkel pealkirjaga "Valige oma relv: ellujäämisstrateegiad depressioonis tehisintellekti akadeemikutele” annab sellesse valdkonda põhjaliku ülevaate.
Töö sisu uurib raskusi, millega seisavad silmitsi teoreetilise õppega tegelejad AI-uuringud akadeemilises keskkonnas, vaatamata pealkirja mängulisele narratiivile. Käesolevas ülevaates võetakse lühidalt kokku uuringu peamised ideed ja järeldused.
1. osa: AI akadeemikute dilemmad
1. Arvutusressursside nappus:
Artiklis rõhutatakse kasvavat ebavõrdsust tehisintellekti teadlastele ja nende kolleegidele ettevõtete tehisintellekti osakondades kättesaadavates arvutusressurssides. Kümmekond aastat tagasi piisas kohalikest arvutusseadetest AI-uuringute edendamiseks akadeemilistes ringkondades. Kaasaegne stsenaarium on aga näinud paradigma muutust. Märkimisväärsed edusammud tehisintellektis sõltuvad tänapäeval sageli ulatuslikust arvutusvõimsusest ja mitmetest keerukatest katsetest. Kahjuks leiavad paljud akadeemilised teadlased, et neil puudub piisav juurdepääs sellistele ressurssidele.
2. Ettevõtte domineerimise väljakutse:
Konkurentsi mõiste teadusuuringute maailmas on teravnenud. Ideaaljuhul kujutaksid teaduslikud katsed ühiseid ettevõtmisi, mida iga panustaja tunnustaks. Ometi on ettevõtte valdkonna kasvav mõju selle koostöövaimu mõnevõrra varjutanud. Kui ettevõtted suunavad suuri investeeringuid tehisintellektiuuringutesse, kipuvad nad paljulubavate ideede väljatöötamisel domineerima, jättes sageli kõrvale algsed akadeemilised panustajad. Paber tõmbab paralleeli selle olukorra ja nähtusega, kus selline megamüüja nagu Walmart seab end sisse kohaliku perepoe lähedale, jättes oma äri varju.
Eespool nimetatud väljakutsed, nagu Togelius ja Yannaakis rõhutasid, kujutavad AI akadeemikute jaoks murettekitavat maastikku. Tingimused on viinud teatud pettumuseni, mõjutades nende teadlaste moraali ja tootlikkust, kes on oma karjääri pühendanud valdkonna edendamisele.
Uuring ei tuvasta ainult probleeme; see pakub ka ellujäämisstrateegiaid nendele akadeemilistele ringkondadele, kes tunnevad nende väljakutsete raskust. Järgnev analüüs uurib sügavamalt autorite pakutud võimalikke lahendusi, mille eesmärk on pakkuda AI akadeemikutele käegakatsutavaid teid sellel areneval maastikul navigeerimiseks.
2. osa: Väljakutsetes navigeerimise strateegiad
1. Alternatiivsete avaldamisviiside valimine:
Teadlastel soovitatakse kaaluda avaldamist vähem kõrgetasemelistes ajakirjades, keskendudes tehniliste aspektide täpsustamisele ja laiemate teemade nišiküsimuste uurimisele.
2. Arvutusressursside tähtsuse järjekorda seadmine:
Rõhk asetatakse märkimisväärse osa uurimistoetuste eraldamisele arvutusressursside jaoks. Siiski tuleb märkida, et isegi suurtest toetustest ei pruugi piisata, et viia läbi täiustatud katseid, mis on samaväärsed ettevõtte ettevõtmistega.
3. Keskendumine väiksemamahulistele katsetele:
Teadlased saavad keskenduda täpsematele probleemidele, kasutades neid teoreetiliste edusammude kinnitamiseks. Mitmed paberid, näiteks need, mille autor on Shafiullah jt. (2022) ja Pearce et al. (2023), kasutas seda lähenemisviisi edukalt. Kuigi nendele meetoditele võidakse esialgu pöörata vähe tähelepanu, võib nende asjakohasus kasvada pärast suuremate andmekogumitega testimist.
4. Eelkoolitatud mudelite kasutamine:
Selle asemel, et alustada nullist, kasutage eelkoolitatud mudelid võivad uurimisprotsessi kiirendada, kuigi see võib mõnikord piirata leidude sügavust.
5. Olemasolevate mudelite põhjalik analüüs:
Teadlased julgustatakse süvenema praeguste mudelite keerukustesse, mitte keskenduma ainult uute loomisele.
6. Uurimine Tugevdusõpe (RL):
RL-i pakutakse väärtusliku tööriistana, eriti kuna see ei sõltu suuresti ulatuslikest andmekogumitest. Siiski on oluline tasakaalustada ambitsioone teostatavusega.
7. Minimaalselt koormatud mudelite uurimine:
Töös tuuakse esile järelduste tegemise tähtsus, kasutades minimaalselt laaditud mudeleid ja piiratud andmekogumit, viidates näiteks Bayesi meetoditele.
8. Kasutamata või tähelepanuta jäetud piirkondade uurimine:
Teadlased võiksid süveneda teemadesse, millest tööstus praegu tähelepanuta on jäänud, või taaselustada varem hüljatud metoodikaid. Selline lähenemine võib anda võimaluse enne märkimisväärse tähelepanu pööramist.
9. Ootamatute meetoditega katsetamine:
Teadlastel palutakse status quo vaidlustada, katsetades meetodeid, mis tunduvad vastuolulised.
10. Eetilistes piirides liikumine:
Kuigi korporatsioone võivad piirata eetilised juhised ja mainekalutlused, on akadeemikutel veidi rohkem tegutsemisruumi. Autorid soovitavad uurida teemasid, mida võib pidada vastuoluliseks, kuid rõhutavad, kui oluline on järgida õigusnormid.
11. Koostöö tööstusega:
Partnerluste loomine tööstuse sidusrühmadega võib pakkuda rahastamist ja potentsiaalselt viia idufirmade loomiseni. Siiski on oluline, et uuringud oleksid vastavuses praktiliste rakendustega.
12. Ülikoolidevahelise koostöö edendamine:
Ülikoolide vaheliste sildade ehitamine võib soodustada koostöökeskkonda, kuigi vahetu kasu võib tunduda tabamatu.
poolt välja toodud strateegiad Togelius ja Yanakakis (2023) kujutavad endast teekaarti tehisintellekti teadlastele, kes navigeerivad praeguste väljakutsetega. Kuigi AI akadeemiliste ringkondade tulevik on endiselt ebakindel, pakuvad need juhised võimalusi valdkonda sisulise panuse andmiseks. Selle seeria järgnevates artiklites käsitletakse nende soovituste tagajärgi ja nende võimalikku pikaajalist mõju.
Loe AI kohta lähemalt:
Kaebused
Vastavalt Usaldusprojekti juhised, pange tähele, et sellel lehel esitatud teave ei ole mõeldud ega tohiks tõlgendada kui juriidilist, maksu-, investeerimis-, finants- või muud nõuannet. Oluline on investeerida ainult seda, mida saate endale lubada kaotada, ja kahtluste korral küsida sõltumatut finantsnõu. Lisateabe saamiseks soovitame vaadata nõudeid ja tingimusi ning väljaandja või reklaamija pakutavaid abi- ja tugilehti. MetaversePost on pühendunud täpsele ja erapooletule aruandlusele, kuid turutingimusi võidakse ette teatamata muuta.
Umbes Autor
Damir on ettevõtte meeskonnajuht, tootejuht ja toimetaja Metaverse Post, mis hõlmab selliseid teemasid nagu AI/ML, AGI, LLM-id, Metaverse ja Web3-seotud väljad. Tema artiklid meelitavad igal kuul tohutut vaatajaskonda, üle miljoni kasutaja. Ta näib olevat ekspert, kellel on 10-aastane SEO ja digitaalse turunduse kogemus. Damirit on mainitud ajakirjades Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto ja muud väljaanded. Ta reisib digitaalse nomaadina AÜE, Türgi, Venemaa ja SRÜ vahel. Damir omandas bakalaureusekraadi füüsikas, mis on tema arvates andnud talle kriitilise mõtlemise oskused, mida on vaja pidevalt muutuval Interneti-maastikul edukaks saamiseks.
Veel artikleid
Damir on ettevõtte meeskonnajuht, tootejuht ja toimetaja Metaverse Post, mis hõlmab selliseid teemasid nagu AI/ML, AGI, LLM-id, Metaverse ja Web3-seotud väljad. Tema artiklid meelitavad igal kuul tohutut vaatajaskonda, üle miljoni kasutaja. Ta näib olevat ekspert, kellel on 10-aastane SEO ja digitaalse turunduse kogemus. Damirit on mainitud ajakirjades Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto ja muud väljaanded. Ta reisib digitaalse nomaadina AÜE, Türgi, Venemaa ja SRÜ vahel. Damir omandas bakalaureusekraadi füüsikas, mis on tema arvates andnud talle kriitilise mõtlemise oskused, mida on vaja pidevalt muutuval Interneti-maastikul edukaks saamiseks.
