Az AI-kutatás újrafeltalálása: Megközelítések vállalati domináns környezetben
Röviden
Togelius és Yannakakis cikke értékes betekintést nyújt az AI-akadémikusok előtt álló kihívásokba.
A cikk kiemeli a számítási erőforrások szűkösségét, a vállalati dominanciát és a kisebb léptékű kísérletek szükségességét.
A kutatóknak az előképzett modellek kihasználására, a meglévő modellek mélyreható elemzésére, a megerősítési tanulás (RL) feltárására, a minimálisan terhelt modellek vizsgálatára, a kihasználatlan vagy elhanyagolt területek feltárására és a váratlan módszerek tesztelésére kell összpontosítaniuk.
Javasolják továbbá az etikai határok átlépését, az iparági érdekelt felekkel való együttműködést és az egyetemek közötti együttműködések előmozdítását.
Ezek a stratégiák ütemtervet kínálnak a mesterséges intelligencia oktatói számára, hogy eligazodjanak ezekben a kihívásokban, és továbbra is jelentős mértékben hozzájáruljanak a területhez.
Létfontosságú, hogy értékeljük a mesterséges intelligencia hatását a különböző érdekelt felekre, köztük az akadémiai AI-kutatókra, mivel a terület gyors átalakuláson megy keresztül. Togelius J. és Yannakakis GN nemrég megjelent cikke „Válassza ki a fegyverét: túlélési stratégiák depressziós mesterséges intelligencia oktatók számára” mély betekintést nyújt erre a területre.
A dolgozat tartalma feltárja azokat a nehézségeket, amelyekkel az elméleti oktatással foglalkozók szembesülnek AI kutatás tudományos környezetben, a cím játékos narratív sugallata ellenére. Ebben az áttekintésben röviden összefoglaljuk a tanulmány főbb gondolatait és következtetéseit.
1. rész: A dilemmák, az AI Academics Face
1. Számítástechnikai erőforrások szűkössége:
A cikk kiemeli a mesterséges intelligencia oktatói és a vállalati mesterséges intelligencia osztályokon dolgozó kollégáik rendelkezésére álló számítási erőforrások növekvő egyenlőtlenségét. Egy évtizeddel ezelőtt a helyi számítási beállítások elegendőek voltak az AI-kutatás előmozdításához a tudományos körökben. A mai forgatókönyv azonban paradigmaváltást tapasztalt. A mesterséges intelligencia manapság elért jelentős fejlődése gyakran kiterjedt számítási teljesítményre és egy sor bonyolult kísérletre támaszkodik. Sajnos sok tudományos kutató úgy találja, hogy nem fér hozzá megfelelő módon ezekhez a forrásokhoz.
2. A vállalati dominancia kihívása:
A verseny fogalma a tudományos kutatás világában felerősödött. Ideális esetben a tudományos kísérletek együttműködésen alapuló törekvést jelentenek, minden közreműködő kellő elismerése mellett. A vállalati szféra növekvő befolyása azonban némileg elhomályosította ezt a kooperatív szellemet. Amikor a vállalatok jelentős befektetéseket irányítanak az AI-kutatásba, hajlamosak uralni az ígéretes ötletek kidolgozását, gyakran félretéve az eredeti tudományos közreműködőket. A lap párhuzamot von e helyzet és az a jelenség között, amikor egy olyan megakereskedő, mint a Walmart, egy helyi családi bolt közelében telepszik le, háttérbe szorítva az üzletét.
A fent említett kihívások, amint azt Togelius és Yannaakis is kiemelte, aggasztó helyzetet mutatnak be az MI akadémikusai számára. A körülmények bizonyos fokú kiábrándultsághoz vezettek, ami kihatással volt azoknak a kutatóknak a moráljára és termelékenységére, akik pályafutásukat a szakterület továbbfejlesztésének szentelték.
A tanulmány nem csupán a problémákat azonosítja; túlélési stratégiákat is kínál azok számára, akik az akadémián belül érzik ezeket a kihívásokat. Az alábbi elemzés mélyebbre fog ásni a szerzők által javasolt lehetséges megoldásokat, hogy kézzelfogható utakat kínáljon a mesterséges intelligencia oktatói számára, hogy eligazodjanak ezen a fejlődő terepen.
Összefüggő: Mustafa Suleyman ACI megközelítést javasol a gyenge AI és az AGI közötti szakadék áthidalására |
2. rész: Stratégiák a kihívásokban való eligazodáshoz
1. Alternatív közzétételi módok választása:
A kutatóknak azt tanácsolják, hogy fontolják meg a kevésbé nagy horderejű folyóiratokban való publikálást, összpontosítva a technikai szempontok finomítására és a tágabb témákon belüli réskérdések feltárására.
2. Számítástechnikai erőforrások rangsorolása:
Hangsúlyt helyeznek arra, hogy a kutatási támogatások jelentős részét számítási erőforrásokra fordítsák. Megjegyzendő azonban, hogy még a jelentős támogatások sem elegendőek a vállalati erőfeszítésekkel egyenrangú fejlett kísérletek elvégzéséhez.
3. Kisebb léptékű kísérletekre összpontosítva:
A kutatók erőfeszítéseiket tömörebb problémákra összpontosíthatják, felhasználva azokat az elméleti előrelépések érvényesítésére. Számos dolgozat, mint például a Shafiullah et al. (2022) és a Pearce et al. (2023), sikeresen alkalmazta ezt a megközelítést. Bár ezek a módszerek kezdetben korlátozott figyelmet kaphatnak, relevanciájuk növekedhet, ha nagyobb adatkészleteken tesztelik őket.
4. Előképzett modellek kihasználása:
Ahelyett, hogy a nulláról kezdené, használjon előképzett modellek felgyorsíthatják a kutatási folyamatot, bár néha korlátozhatja a leletek mélységét.
5. A meglévő modellek mélyreható elemzése:
Kutatók arra ösztönzik őket, hogy mélyedjenek el a jelenlegi modellek bonyolultságában, ahelyett, hogy kizárólag új modellek létrehozására összpontosítanának.
6. Feltárás Erősítő tanulás (RL):
Az RL értékes eszközként javasolt, különösen azért, mert nem támaszkodik nagymértékben kiterjedt adatkészletekre. Mindazonáltal elengedhetetlen az ambíció és a megvalósíthatóság közötti egyensúly megteremtése.
7. Minimálisan terhelt modellek vizsgálata:
A cikk rávilágít a minimálisan betöltött modellek és korlátozott adathalmaz segítségével következtetések levonásának növekvő jelentőségére, példaként hivatkozva a Bayes-féle módszerekre.
8. Kiaknázatlan vagy elhanyagolt területek felfedezése:
A kutatók elmélyülhetnek az ipar által jelenleg figyelmen kívül hagyott témákban, vagy újraéleszthetik a korábban elhagyott módszereket. Ez a megközelítés lehetőséget kínálhat a jelentős figyelem felkeltése előtt.
9. Kísérletezés váratlan módszerekkel:
A kutatók arra késztetik, hogy megkérdőjelezzék a status quót olyan tesztelési módszerek segítségével, amelyek ellentmondónak tűnnek.
10. Navigálás az etikai határok között:
Míg a vállalatokat korlátozhatják az etikai irányelvek és a hírnévvel kapcsolatos megfontolások, az akadémikusoknak valamivel nagyobb mozgástere van. A szerzők olyan témák feltárását javasolják, amelyek ellentmondásosnak tekinthetők, de hangsúlyozzák a betartás fontosságát. jogszabályok.
11. Együttműködés az iparral:
Az iparági érdekelt felekkel való partnerségek létrehozása finanszírozást biztosíthat, és potenciálisan induló vállalkozások létrehozásához vezethet. Ennek ellenére elengedhetetlen, hogy a kutatás összhangban legyen a gyakorlati alkalmazásokkal.
12. Az egyetemek közötti együttműködések elősegítése:
Az egyetemek közötti hidak építése elősegítheti az együttműködési környezetet, bár az azonnali előnyök megfoghatatlannak tűnhetnek.
által felvázolt stratégiák Togelius és Yanakakis (2023) ütemtervet jelentenek az AI-akadémikusok számára, akik eligazodnak a jelenlegi kihívásokban. Míg a mesterséges intelligencia akadémiájának jövője továbbra is bizonytalan, ezek az iránymutatások utakat kínálnak arra, hogy továbbra is jelentős mértékben hozzájáruljanak a területhez. A sorozat következő cikkei részletesebben foglalkoznak ezen ajánlások következményeivel és lehetséges hosszú távú hatásaival.
Tudjon meg többet az AI-ról:
A felelősség megtagadása
Összhangban a A Trust Project irányelvei, kérjük, vegye figyelembe, hogy az ezen az oldalon közölt információk nem minősülnek jogi, adózási, befektetési, pénzügyi vagy bármilyen más formájú tanácsnak, és nem is értelmezhetők. Fontos, hogy csak annyit fektessen be, amennyit megengedhet magának, hogy elveszítsen, és kérjen független pénzügyi tanácsot, ha kétségei vannak. További információkért javasoljuk, hogy tekintse meg a szerződési feltételeket, valamint a kibocsátó vagy hirdető által biztosított súgó- és támogatási oldalakat. MetaversePost elkötelezett a pontos, elfogulatlan jelentéstétel mellett, de a piaci feltételek előzetes értesítés nélkül változhatnak.
A szerzőről
Damir a csapat vezetője, termékmenedzsere és szerkesztője Metaverse Post, olyan témákkal foglalkozik, mint az AI/ML, AGI, LLMs, Metaverse és Web3- kapcsolódó mezők. Cikkei havonta több mint egymillió felhasználót vonzanak. Úgy tűnik, szakértő, aki 10 éves tapasztalattal rendelkezik a SEO és a digitális marketing területén. Damirt a Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto és más kiadványok. Digitális nomádként utazik az Egyesült Arab Emírségek, Törökország, Oroszország és a FÁK között. Damir fizikából szerzett bachelor-diplomát, és úgy gondolja, hogy ez megadta neki azokat a kritikus gondolkodási készségeket, amelyek szükségesek ahhoz, hogy sikeres legyen az internet folyamatosan változó táján.
További cikkekDamir a csapat vezetője, termékmenedzsere és szerkesztője Metaverse Post, olyan témákkal foglalkozik, mint az AI/ML, AGI, LLMs, Metaverse és Web3- kapcsolódó mezők. Cikkei havonta több mint egymillió felhasználót vonzanak. Úgy tűnik, szakértő, aki 10 éves tapasztalattal rendelkezik a SEO és a digitális marketing területén. Damirt a Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto és más kiadványok. Digitális nomádként utazik az Egyesült Arab Emírségek, Törökország, Oroszország és a FÁK között. Damir fizikából szerzett bachelor-diplomát, és úgy gondolja, hogy ez megadta neki azokat a kritikus gondolkodási készségeket, amelyek szükségesek ahhoz, hogy sikeres legyen az internet folyamatosan változó táján.