Reinventing AI Research: Pendekatan dalam Lanskap yang Didominasi Perusahaan
Singkatnya
Artikel oleh Togelius dan Yannakakis memberikan wawasan berharga tentang tantangan yang dihadapi oleh akademisi AI di lingkungan akademik.
Artikel tersebut menyoroti kelangkaan sumber daya komputasi, dominasi perusahaan, dan perlunya eksperimen skala kecil.
Peneliti harus fokus pada memanfaatkan model pra-pelatihan, analisis mendalam dari model yang ada, mengeksplorasi pembelajaran penguatan (RL), menyelidiki model dengan muatan minimal, menjelajahi area yang belum tersentuh atau terbengkalai, dan menguji metode yang tidak terduga.
Mereka juga menyarankan untuk menavigasi batasan etika, berkolaborasi dengan pemangku kepentingan industri, dan mempromosikan kolaborasi antar universitas.
Strategi ini menawarkan peta jalan bagi akademisi AI untuk mengatasi tantangan ini dan terus memberikan kontribusi yang berarti di lapangan.
Sangat penting untuk mengevaluasi dampak AI pada berbagai pemangku kepentingan, termasuk peneliti AI akademik, karena bidang ini sedang mengalami transformasi yang cepat. Sebuah artikel terbaru oleh Togelius J. dan Yannakakis GN berjudul “Pilih Senjata Anda: Strategi Bertahan Hidup untuk Akademisi AI yang Tertekan” memberikan wawasan mendalam tentang bidang ini.
| terkait: Teka-teki Speciesisme: Menganalisis Kecerdasan Manusia dalam Hubungannya dengan Kucing dan AI |
Isi makalah mengeksplorasi kesulitan yang dihadapi oleh mereka yang terlibat dalam teoretis penelitian AI dalam pengaturan akademik, terlepas dari saran naratif yang lucu dari judulnya. Gagasan utama dan kesimpulan dari penelitian ini akan dirangkum secara singkat dalam ulasan ini.
Bagian 1: Dilema AI yang Dihadapi Akademisi
1. Kelangkaan Sumber Daya Komputasi:
Artikel tersebut menggarisbawahi meningkatnya perbedaan dalam sumber daya komputasi yang tersedia untuk akademisi AI dan rekan mereka di departemen AI perusahaan. Satu dekade yang lalu, pengaturan komputasi lokal cukup untuk memajukan penelitian AI di dunia akademis. Namun, skenario kontemporer telah melihat pergeseran paradigma. Kemajuan signifikan dalam AI saat ini sering mengandalkan kekuatan komputasi yang luas dan serangkaian eksperimen yang rumit. Sayangnya, banyak peneliti akademis mendapati diri mereka tidak memiliki akses yang memadai ke sumber daya tersebut.
2. Tantangan Dominasi Perusahaan:
Konsep persaingan dalam dunia penelitian ilmiah semakin intensif. Idealnya, eksperimen ilmiah akan mewakili upaya kolaboratif, dengan pengakuan yang semestinya kepada setiap kontributor. Namun, pengaruh dunia korporat yang meningkat sedikit banyak menutupi semangat kerja sama ini. Ketika perusahaan menyalurkan investasi besar ke dalam penelitian AI, mereka cenderung mendominasi pengembangan ide-ide yang menjanjikan, seringkali mengesampingkan kontributor akademik asli. Makalah ini menggambarkan kesejajaran antara situasi ini dan fenomena di mana pengecer besar seperti Walmart berdiri di dekat toko keluarga setempat, membayangi bisnisnya.
Tantangan yang disebutkan di atas, seperti yang disoroti oleh Togelius dan Yannakakis, menggambarkan lanskap yang memprihatinkan bagi akademisi AI. Kondisi tersebut telah menyebabkan kekecewaan pada tingkat tertentu, berdampak pada moral dan produktivitas para peneliti yang telah mendedikasikan karir mereka untuk memajukan bidang ini.
Studi ini tidak hanya mengidentifikasi masalah; itu juga memberikan strategi bertahan hidup bagi mereka di dunia akademis yang merasakan beban tantangan ini. Analisis selanjutnya di bawah ini akan menggali lebih dalam solusi potensial yang diusulkan oleh penulis, yang bertujuan untuk menawarkan jalur nyata bagi akademisi AI untuk menavigasi medan yang berkembang ini.
| terkait: Mustafa Suleyman Usulkan Pendekatan ACI untuk Menjembatani Kesenjangan Antara AI Lemah dan AGI |
Bagian 2: Strategi untuk Menavigasi Tantangan
1. Memilih Jalan Publikasi Alternatif:
Peneliti disarankan untuk mempertimbangkan untuk menerbitkan di jurnal yang tidak terlalu terkenal, dengan fokus pada penyempurnaan aspek teknis dan mengeksplorasi pertanyaan khusus dalam topik yang lebih luas.
2. Memprioritaskan Sumber Daya Komputasi:
Penekanan ditempatkan pada alokasi sebagian besar hibah penelitian untuk sumber daya komputasi. Namun, perlu dicatat bahwa bahkan hibah besar mungkin tidak cukup untuk melakukan eksperimen tingkat lanjut yang setara dengan upaya perusahaan.
3. Berfokus pada Eksperimen Skala Kecil:
Peneliti dapat memusatkan upaya mereka pada masalah yang lebih ringkas, menggunakannya untuk memvalidasi kemajuan teoretis. Beberapa makalah, seperti oleh Syafiullah dkk. (2022) dan Pearce dkk. (2023), berhasil menggunakan pendekatan ini. Meskipun metode ini mungkin awalnya mendapat perhatian terbatas, relevansinya dapat tumbuh setelah diuji pada kumpulan data yang lebih besar.
4. Memanfaatkan Model yang Sudah Dilatih:
Alih-alih memulai dari awal, gunakan pretrained model dapat mempercepat proses penelitian, meskipun terkadang membatasi kedalaman temuan.
5. Analisis Mendalam Model yang Ada:
Peneliti didorong untuk menyelidiki seluk-beluk model saat ini daripada secara eksklusif berfokus pada pembuatan yang baru.
6. Menjelajahi Pembelajaran Penguatan (RL):
RL diusulkan sebagai alat yang berharga, terutama karena tidak terlalu bergantung pada kumpulan data yang ekstensif. Namun, penting untuk menyeimbangkan ambisi dengan kelayakan.
7. Menyelidiki Model Bermuatan Minimal:
Makalah ini menyoroti pentingnya menarik kesimpulan menggunakan model yang dimuat secara minimal dan kumpulan data yang terbatas, merujuk pada metode Bayesian sebagai contoh.
8. Menjelajahi Area yang Belum Dimanfaatkan atau Terabaikan:
Peneliti dapat menyelidiki subjek yang saat ini diabaikan oleh industri atau menghidupkan kembali metodologi yang sebelumnya ditinggalkan. Pendekatan ini mungkin menawarkan peluang sebelum menarik perhatian yang signifikan.
9. Bereksperimen dengan Metode Tak Terduga:
Peneliti didorong untuk menantang status quo dengan menguji metode yang tampaknya berlawanan dengan intuisi.
10. Menavigasi Batasan Etis:
Sementara perusahaan mungkin dibatasi oleh pedoman etika dan pertimbangan reputasi, akademisi memiliki sedikit kelonggaran. Penulis menyarankan untuk mengeksplorasi topik yang mungkin dianggap kontroversial tetapi menggarisbawahi pentingnya mematuhi peraturan hukum.
11. Berkolaborasi dengan Industri:
Membangun kemitraan dengan pemangku kepentingan industri dapat menyediakan dana dan berpotensi mengarah pada dimulainya start-up. Namun, penting bagi penelitian untuk menyelaraskan dengan aplikasi praktis.
12. Mempromosikan Kerjasama Antar Universitas:
Membangun jembatan antar universitas dapat menumbuhkan lingkungan kolaboratif, meskipun manfaat langsungnya mungkin tampak sulit dipahami.
Strategi yang digariskan oleh Togelius dan Yannakakis (2023) mewakili peta jalan bagi akademisi AI untuk menavigasi tantangan saat ini. Sementara masa depan akademisi AI masih belum pasti, pedoman ini menawarkan jalan untuk terus memberikan kontribusi yang berarti di lapangan. Artikel-artikel selanjutnya dalam seri ini akan menyelidiki lebih lanjut implikasi dari rekomendasi ini dan potensi dampak jangka panjangnya.
Baca lebih lanjut tentang AI:
Penolakan tanggung jawab
Sejalan dengan Percayai pedoman Proyek, harap dicatat bahwa informasi yang diberikan pada halaman ini tidak dimaksudkan untuk dan tidak boleh ditafsirkan sebagai nasihat hukum, pajak, investasi, keuangan, atau bentuk nasihat lainnya. Penting untuk hanya menginvestasikan jumlah yang mampu Anda tanggung kerugiannya dan mencari nasihat keuangan independen jika Anda ragu. Untuk informasi lebih lanjut, kami menyarankan untuk merujuk pada syarat dan ketentuan serta halaman bantuan dan dukungan yang disediakan oleh penerbit atau pengiklan. MetaversePost berkomitmen terhadap pelaporan yang akurat dan tidak memihak, namun kondisi pasar dapat berubah tanpa pemberitahuan.
Tentang Penulis
Damir adalah pemimpin tim, manajer produk, dan editor di Metaverse Post, mencakup topik seperti AI/ML, AGI, LLM, Metaverse, dan Web3-bidang terkait. Artikelnya menarik lebih dari satu juta pengguna setiap bulan. Dia tampaknya ahli dengan pengalaman 10 tahun dalam SEO dan pemasaran digital. Damir telah disebutkan dalam Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto, dan publikasi lainnya. Dia melakukan perjalanan antara UEA, Turki, Rusia, dan CIS sebagai pengembara digital. Damir memperoleh gelar sarjana dalam bidang fisika, yang menurutnya telah memberinya keterampilan berpikir kritis yang diperlukan untuk berhasil dalam lanskap internet yang selalu berubah.
lebih artikel
Damir adalah pemimpin tim, manajer produk, dan editor di Metaverse Post, mencakup topik seperti AI/ML, AGI, LLM, Metaverse, dan Web3-bidang terkait. Artikelnya menarik lebih dari satu juta pengguna setiap bulan. Dia tampaknya ahli dengan pengalaman 10 tahun dalam SEO dan pemasaran digital. Damir telah disebutkan dalam Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto, dan publikasi lainnya. Dia melakukan perjalanan antara UEA, Turki, Rusia, dan CIS sebagai pengembara digital. Damir memperoleh gelar sarjana dalam bidang fisika, yang menurutnya telah memberinya keterampilan berpikir kritis yang diperlukan untuk berhasil dalam lanskap internet yang selalu berubah.
