Ponovno otkrivanje AI istraživanja: pristupi u krajoliku kojim dominiraju tvrtke
Ukratko
Članak Togeliusa i Yannakakisa pruža vrijedan uvid u izazove s kojima se suočavaju AI akademici u akademskim okruženjima.
U članku se ističe nedostatak računalnih resursa, korporativna dominacija i potreba za manjim eksperimentima.
Istraživači bi se trebali usredotočiti na korištenje prethodno obučenih modela, dubinsku analizu postojećih modela, istraživanje učenja potkrepljenjem (RL), istraživanje minimalno opterećenih modela, istraživanje neiskorištenih ili zanemarenih područja i testiranje neočekivanih metoda.
Oni također predlažu kretanje kroz etičke granice, suradnju s dionicima industrije i promicanje međusveučilišne suradnje.
Ove strategije nude putokaz akademicima koji se bave umjetnom inteligencijom kako bi se nosili s ovim izazovima i nastavili davati značajan doprinos ovom području.
Od vitalne je važnosti procijeniti utjecaj umjetne inteligencije na različite dionike, uključujući akademske istraživače umjetne inteligencije, budući da polje prolazi kroz brzu transformaciju. Nedavni članak Togeliusa J. i Yannakakisa GN pod naslovom "Odaberite svoje oružje: strategije preživljavanja za depresivne AI akademike” pruža duboki uvid u ovo područje.
| povezan: Zagonetka specizma: Analiza ljudske inteligencije u odnosu na mačke i umjetnu inteligenciju |
Sadržaj rada istražuje poteškoće s kojima se susreću oni koji se bave teorijskim istraživanje umjetne inteligencije u akademskom okruženju, unatoč razigranoj narativnoj sugestiji naslova. Glavne ideje i zaključci studije bit će ukratko sažeti u ovom pregledu.
Dio 1: Dileme s kojima se susreću akademici umjetne inteligencije
1. Nedostatak računalnih resursa:
Članak naglašava sve veću nejednakost u računalnim resursima dostupnim AI akademicima i njihovim kolegama u korporativnim odjelima AI. Prije deset godina, lokalne računalne postavke bile su dovoljne za napredak istraživanja umjetne inteligencije u akademskoj zajednici. Međutim, suvremeni scenarij doživio je promjenu paradigme. Značajan napredak u AI danas se često oslanja na veliku računalnu snagu i niz razrađenih eksperimenata. Nažalost, mnogi akademski istraživači nemaju odgovarajući pristup takvim resursima.
2. Izazov korporativne dominacije:
Koncept natjecanja u svijetu znanstvenih istraživanja je intenziviran. U idealnom slučaju, znanstveni eksperimenti bi predstavljali suradničke napore, uz dužno priznanje svakom suradniku. Ipak, sve veći utjecaj korporativnog carstva donekle je zasjenio ovaj duh suradnje. Kada korporacije kanaliziraju značajna ulaganja u istraživanje umjetne inteligencije, one imaju tendenciju dominirati razvojem obećavajućih ideja, često gurajući po strani izvorne akademske suradnike. Rad povlači paralelu između ove situacije i fenomena u kojem se mega-trgovac poput Walmarta osniva u blizini lokalne obiteljske trgovine, zasjenjujući njegovo poslovanje.
Prethodno navedeni izazovi, kako su istaknuli Togelius i Yannakakis, oslikavaju zabrinjavajući krajolik za akademike AI. Uvjeti su doveli do određenog stupnja razočaranja, utječući na moral i produktivnost istraživača koji su posvetili svoje karijere unaprjeđenju polja.
Studija ne identificira samo probleme; također pruža strategije preživljavanja za one u akademskoj zajednici koji osjećaju najveći teret ovih izazova. Naknadna analiza u nastavku zaronit će dublje u potencijalna rješenja koja su predložili autori, s ciljem da akademicima umjetne inteligencije ponudi opipljive putove za navigaciju ovim terenom koji se razvija.
Dio 2: Strategije za snalaženje u izazovima
1. Odabir alternativnih načina objavljivanja:
Istraživačima se savjetuje da razmotre objavljivanje u časopisima manje visokog profila, usredotočujući se na usavršavanje tehničkih aspekata i istraživanje nišnih pitanja unutar širih tema.
2. Određivanje prioriteta računalnih resursa:
Naglasak je na izdvajanju značajnog dijela istraživačkih potpora za računalne resurse. Međutim, primjećuje se da čak i značajna bespovratna sredstva možda neće biti dovoljna za provođenje naprednih eksperimenata na razini korporativnih nastojanja.
3. Fokusiranje na eksperimente manjih razmjera:
Istraživači mogu usmjeriti svoje napore na konciznije probleme, koristeći ih za provjeru teoretskog napretka. Nekoliko radova, poput onih od Shafiullah i dr. (2022) i Pearce i sur. (2023), uspješno je primijenio ovaj pristup. Iako bi ove metode u početku mogle dobiti ograničenu pozornost, njihova relevantnost može porasti nakon testiranja na većim skupovima podataka.
4. Korištenje prethodno obučenih modela:
Umjesto da počnete od nule, koristite prethodno obučene modeli mogu ubrzati proces istraživanja, iako ponekad može ograničiti dubinu nalaza.
5. Detaljna analiza postojećih modela:
Istraživači potiču se da zadube u zamršenost postojećih modela, a ne da se isključivo fokusiraju na stvaranje novih.
6. Istraživanje Učenje ojačanja (RL):
RL se predlaže kao vrijedan alat, pogotovo jer se ne oslanja uvelike na opsežne skupove podataka. Međutim, bitno je uravnotežiti ambiciju i izvedivost.
7. Istraživanje minimalno opterećenih modela:
Rad naglašava sve veći značaj izvlačenja zaključaka korištenjem minimalno opterećenih modela i ograničenog skupa podataka, pozivajući se na Bayesove metode kao primjer.
8. Istraživanje neiskorištenih ili zanemarenih područja:
Istraživači bi se mogli baviti temama koje industrija trenutno zanemaruje ili oživjeti prethodno napuštene metodologije. Ovaj pristup može ponuditi priliku prije nego privuče značajnu pozornost.
9. Eksperimentiranje s neočekivanim metodama:
Istraživači su potaknuti da izazovu status quo testiranjem metoda koje se čine kontraintuitivnima.
10. Navigacija etičkim granicama:
Dok bi korporacije mogle biti ograničene etičkim smjernicama i reputacijom, akademici imaju malo više prostora. Autori predlažu istraživanje tema koje bi se mogle smatrati kontroverznim, ali naglašavaju važnost pridržavanja zakonskim propisima.
11. Suradnja s industrijom:
Uspostavljanje partnerstva s dionicima u industriji moglo bi osigurati financiranje i potencijalno dovesti do pokretanja start-upa. Ipak, ključno je da se istraživanje uskladi s praktičnim primjenama.
12. Promicanje međusveučilišne suradnje:
Izgradnja mostova između sveučilišta može potaknuti okruženje suradnje, iako se neposredne koristi mogu činiti nedostižnima.
Strategije koje je opisao Togelius i Yannakakis (2023.) predstavljaju putokaz za AI akademike koji se snalaze u trenutnim izazovima. Iako je budućnost akademske zajednice umjetne inteligencije neizvjesna, ove smjernice nude putove za nastavak značajnog doprinosa tom području. Sljedeći članci u ovoj seriji dodatno će istražiti implikacije ovih preporuka i njihov potencijalni dugoročni učinak.
Pročitajte više o AI:
Izjava o odricanju od odgovornosti
U skladu s Smjernice projekta povjerenja, imajte na umu da informacije navedene na ovoj stranici nemaju namjeru i ne smiju se tumačiti kao pravni, porezni, investicijski, financijski ili bilo koji drugi oblik savjeta. Važno je ulagati samo ono što si možete priuštiti izgubiti i potražiti neovisni financijski savjet ako imate bilo kakvih nedoumica. Za dodatne informacije predlažemo da pogledate odredbe i uvjete, kao i stranice za pomoć i podršku koje pruža izdavatelj ili oglašivač. MetaversePost je predan točnom, nepristranom izvješćivanju, ali tržišni uvjeti podložni su promjenama bez prethodne najave.
O autoru
Damir je voditelj tima, product manager i urednik u Metaverse Post, koji pokriva teme kao što su AI/ML, AGI, LLMs, Metaverse i Web3- srodna polja. Njegovi članci privlače ogromnu publiku od preko milijun korisnika svakog mjeseca. Čini se da je stručnjak s 10 godina iskustva u SEO-u i digitalnom marketingu. Damir je spomenut u Mashableu, Wiredu, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto i druge publikacije. Putuje između UAE, Turske, Rusije i CIS-a kao digitalni nomad. Damir je stekao diplomu prvostupnika fizike, za koju vjeruje da mu je dala vještine kritičkog razmišljanja potrebne za uspjeh u stalno promjenjivom okruženju interneta.
Više članaka
Damir je voditelj tima, product manager i urednik u Metaverse Post, koji pokriva teme kao što su AI/ML, AGI, LLMs, Metaverse i Web3- srodna polja. Njegovi članci privlače ogromnu publiku od preko milijun korisnika svakog mjeseca. Čini se da je stručnjak s 10 godina iskustva u SEO-u i digitalnom marketingu. Damir je spomenut u Mashableu, Wiredu, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto i druge publikacije. Putuje između UAE, Turske, Rusije i CIS-a kao digitalni nomad. Damir je stekao diplomu prvostupnika fizike, za koju vjeruje da mu je dala vještine kritičkog razmišljanja potrebne za uspjeh u stalno promjenjivom okruženju interneta.
