Ponovno odkrivanje raziskav umetne inteligence: pristopi v okolju, kjer prevladujejo podjetja
Na kratko
Članek Togeliusa in Yannakakisa ponuja dragocen vpogled v izzive, s katerimi se soočajo akademiki umetne inteligence v akademskih okoljih.
Članek poudarja pomanjkanje računalniških virov, prevlado podjetij in potrebo po poskusih manjšega obsega.
Raziskovalci bi se morali osredotočiti na uporabo predhodno usposobljenih modelov, poglobljeno analizo obstoječih modelov, raziskovanje učenja z okrepitvijo (RL), raziskovanje minimalno obremenjenih modelov, raziskovanje neizkoriščenih ali zapostavljenih področij in preizkušanje nepričakovanih metod.
Predlagajo tudi krmarjenje po etičnih mejah, sodelovanje z zainteresiranimi stranmi v industriji in spodbujanje meduniverzitetnega sodelovanja.
Te strategije ponujajo načrt za akademike na področju umetne inteligence, da se bodo spopadli s temi izzivi in še naprej pomembno prispevali k temu področju.
Bistvenega pomena je oceniti vpliv umetne inteligence na različne deležnike, vključno z akademskimi raziskovalci umetne inteligence, saj se področje hitro spreminja. Nedavni članek Togeliusa J. in Yannakakisa GN z naslovom "Izberite svoje orožje: strategije preživetja za depresivne akademike AI” ponuja poglobljen vpogled v to področje.
Vsebina prispevka raziskuje težave, s katerimi se soočajo tisti, ki se ukvarjajo s teoretiko Raziskave AI v akademskem okolju, kljub igrivi narativni sugestiji naslova. Glavne ideje in zaključki študije bodo na kratko povzeti v tem pregledu.
1. del: Dileme, s katerimi se soočajo akademiki AI
1. Pomanjkanje računalniških virov:
Članek poudarja vse večje razlike v računalniških virih, ki so na voljo akademikom AI in njihovim kolegom v oddelkih AI podjetij. Pred desetletjem so lokalne računalniške nastavitve zadostovale za napredek raziskav umetne inteligence v akademskih krogih. Vendar se je v sodobnem scenariju spremenila paradigma. Pomemben napredek v današnji umetni inteligenci je pogosto odvisen od obsežne računalniške moči in vrste dovršenih poskusov. Na žalost se številni akademski raziskovalci znajdejo brez ustreznega dostopa do takih virov.
2. Izziv korporativne prevlade:
Koncept konkurence v svetu znanstvenih raziskav se je okrepil. V idealnem primeru bi znanstveni poskusi predstavljali skupna prizadevanja z ustreznim priznanjem vsakemu sodelujočemu. Vendar pa je naraščajoči vpliv korporativnega področja nekoliko zasenčil ta duh sodelovanja. Ko korporacije usmerjajo znatne naložbe v raziskave umetne inteligence, ponavadi prevladujejo pri razvoju obetavnih idej, pri čemer pogosto postavijo na stran prvotne akademske sodelavce. Članek potegne vzporednico med to situacijo in pojavom, ko se megatrgovec, kot je Walmart, ustanovi v bližini lokalne družinske trgovine in zasenči njegovo poslovanje.
Zgoraj omenjeni izzivi, kot sta poudarila Togelius in Yannakakis, prikazujejo zaskrbljujočo pokrajino za akademike AI. Razmere so povzročile določeno stopnjo razočaranja, kar je vplivalo na moralo in produktivnost raziskovalcev, ki so svojo kariero posvetili razvoju področja.
Študija ne identificira samo problemov; zagotavlja tudi strategije preživetja za tiste v akademskih krogih, ki čutijo breme teh izzivov. Nadaljnja analiza v nadaljevanju se bo poglobila v možne rešitve, ki so jih predlagali avtorji, s ciljem ponuditi akademikom AI oprijemljive poti za krmarjenje po tem razvijajočem se terenu.
2. del: Strategije za obvladovanje izzivov
1. Odločitev za alternativne poti objavljanja:
Raziskovalcem svetujemo, naj razmislijo o objavljanju v manj odmevnih revijah, pri čemer se osredotočijo na izboljšanje tehničnih vidikov in raziskovanje nišnih vprašanj znotraj širših tem.
2. Določanje prednosti računalniškim virom:
Poudarek je na dodeljevanju pomembnega dela raziskovalnih štipendij za računalniške vire. Vendar je treba opozoriti, da celo precejšnja nepovratna sredstva morda ne bodo zadostovala za izvajanje naprednih poskusov, primerljivih s prizadevanji podjetij.
3. Osredotočanje na poskuse manjšega obsega:
Raziskovalci se lahko osredotočijo na bolj jedrnate probleme in jih uporabijo za potrjevanje teoretičnega napredka. Več prispevkov, kot so tisti avtorja Shafiullah idr. (2022) in Pearce et al. (2023), je uspešno uporabil ta pristop. Čeprav bi bile te metode na začetku morda deležne le omejene pozornosti, lahko njihova pomembnost naraste, ko se preizkusijo na večjih zbirkah podatkov.
4. Izkoriščanje vnaprej pripravljenih modelov:
Namesto da bi začeli iz nič, uporabite vnaprej usposobljene modeli lahko pospešijo raziskovalni proces, čeprav lahko včasih omeji globino ugotovitev.
5. Poglobljena analiza obstoječih modelov:
raziskovalci spodbujajo, da se poglobijo v zapletenost trenutnih modelov, namesto da se osredotočajo izključno na ustvarjanje novih.
6. Raziskovanje Okrepitveno učenje (RL):
RL je predlagan kot dragoceno orodje, zlasti ker se ne zanaša v veliki meri na obsežne nize podatkov. Vendar pa je bistvenega pomena uravnotežiti ambicije z izvedljivostjo.
7. Raziskovanje minimalno obremenjenih modelov:
Prispevek poudarja vse večji pomen sklepanja z uporabo minimalno obremenjenih modelov in omejenega nabora podatkov, pri čemer se kot primer sklicuje na Bayesove metode.
8. Raziskovanje neizkoriščenih ali zapostavljenih področij:
Raziskovalci bi se lahko poglobili v teme, ki jih industrija trenutno spregleda, ali oživili prej opuščene metodologije. Ta pristop lahko ponudi okno priložnosti, preden pritegne veliko pozornosti.
9. Eksperimentiranje z nepričakovanimi metodami:
Raziskovalci so prisiljeni izpodbijati status quo s testiranjem metod, ki se zdijo protislovne.
10. Krmarjenje po etičnih mejah:
Medtem ko so korporacije morda omejene z etičnimi smernicami in vidiki ugleda, imajo akademiki nekoliko več manevrskega prostora. Avtorji predlagajo raziskovanje tem, ki bi lahko veljale za sporne, vendar poudarjajo pomen upoštevanja pravnih predpisov.
11. Sodelovanje z industrijo:
Vzpostavitev partnerstev z zainteresiranimi stranmi v panogi bi lahko zagotovila financiranje in potencialno vodila do ustanovitve zagonskih podjetij. Vendar pa je nujno, da se raziskave uskladijo s praktičnimi aplikacijami.
12. Spodbujanje meduniverzitetnega sodelovanja:
Gradnja mostov med univerzami lahko spodbudi okolje sodelovanja, čeprav se lahko takojšnje koristi zdijo nedosegljive.
Strategije, ki jih opisuje Togelius in Yannakakis (2023) predstavljajo načrt za akademike AI pri krmarjenju s trenutnimi izzivi. Medtem ko je prihodnost akademskih krogov umetne inteligence še vedno negotova, te smernice ponujajo poti za nadaljevanje pomembnih prispevkov na tem področju. Naslednji članki v tej seriji bodo podrobneje obravnavali posledice teh priporočil in njihov potencialni dolgoročni učinek.
Preberite več o AI:
Zavrnitev odgovornosti
V skladu z Smernice projekta Trust, upoštevajte, da informacije na tej strani niso namenjene in se jih ne sme razlagati kot pravni, davčni, naložbeni, finančni ali kakršen koli drug nasvet. Pomembno je, da vlagate samo tisto, kar si lahko privoščite izgubiti, in da poiščete neodvisen finančni nasvet, če imate kakršne koli dvome. Za dodatne informacije predlagamo, da si ogledate določila in pogoje ter strani s pomočjo in podporo, ki jih nudi izdajatelj ali oglaševalec. MetaversePost se zavzema za natančno in nepristransko poročanje, vendar se tržni pogoji lahko spremenijo brez predhodnega obvestila.
O avtorju
Damir je vodja ekipe, produktni vodja in urednik pri Metaverse Post, ki pokriva teme, kot so AI/ML, AGI, LLMs, Metaverse in Web3- sorodna področja. Njegovi članki vsak mesec pritegnejo množično občinstvo več kot milijon uporabnikov. Zdi se, da je strokovnjak z 10-letnimi izkušnjami na področju SEO in digitalnega trženja. Damir je bil omenjen v Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto in druge publikacije. Kot digitalni nomad potuje med ZAE, Turčijo, Rusijo in SND. Damir je diplomiral iz fizike, kar mu je po njegovem mnenju dalo sposobnosti kritičnega razmišljanja, potrebne za uspeh v nenehno spreminjajočem se okolju interneta.
več člankov
Damir je vodja ekipe, produktni vodja in urednik pri Metaverse Post, ki pokriva teme, kot so AI/ML, AGI, LLMs, Metaverse in Web3- sorodna področja. Njegovi članki vsak mesec pritegnejo množično občinstvo več kot milijon uporabnikov. Zdi se, da je strokovnjak z 10-letnimi izkušnjami na področju SEO in digitalnega trženja. Damir je bil omenjen v Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto in druge publikacije. Kot digitalni nomad potuje med ZAE, Turčijo, Rusijo in SND. Damir je diplomiral iz fizike, kar mu je po njegovem mnenju dalo sposobnosti kritičnega razmišljanja, potrebne za uspeh v nenehno spreminjajočem se okolju interneta.
