Paremad inimandmed tehisintellekti jaoks, mitte keerukamad mudelid

Tehisintellekt (AI) on pelgalt vari ilma inimliku asjatundlikkuseta andmehalduse ja koolitusmeetodite alal. Vaatamata märkimisväärsetele kasvuprognoosidele on tehisintellekti innovatsioonid ebaolulised, kui need jätkavad halva kvaliteediga andmetele tuginemist.

Lisaks andmestandardite täiustamisele vajavad tehisintellekti mudelid inimese sekkumist konteksti mõistmiseks ja kriitiliseks mõtlemiseks. See on oluline tehisintellekti eetilise arendamise tagamiseks ja täpsete tulemuste genereerimiseks.

„Halbade andmete” probleem tehisintellektis

Inimestel on peen teadlikkus ja nad teevad oma otsuseid kogemuste ja loogilise mõtlemise põhjal. Tehisintellekti mudelid on aga sama head kui andmed, mille põhjal neid treenitakse.

Tehisintellekti mudeli täpsus ei sõltu ainult aluseks olevate algoritmide tehnilisest keerukusest või töödeldavate andmete hulgast. Tõeline täpsus tugineb usaldusväärsetele ja kvaliteetsetele andmetele nii treeningu ajal kui ka analüütilise toimivuse hindamisel.

Halbadel andmetel on tehisintellekti mudelite treenimisele kaugeleulatuvad tagajärjed. Need tekitavad kallutatud väljundit ja hallutsinatoorset loogikat, mis viib aja raiskamiseni, kuna tehisintellekti mudeleid tuleb soovimatute harjumuste omaksvõtmiseks ümber treenida ja see suurendab ettevõtete kulusid.

Ebatavalised ja statistiliselt alaesindatud andmed süvendavad tehisintellekti süsteemide vigu ja eelarvamusi, eriti sellistes sektorites nagu tervishoid ja turvalisus.

Innocence Projecti aruandes kirjeldatakse mitmeid valesti tuvastamise juhtumeid, kusjuures endine Detroiti politseiülem tunnistas, et tehisintellektil põhinevale näotuvastusele lootmine tooks kaasa 96% valesti tuvastamise määra. Lisaks leidis Harvardi Meditsiinikooli aruanne, et USA tervishoiusüsteemides kasutatav tehisintellekti mudel eelistas tervemaid valgeid patsiente haigetele mustanahalistele patsientidele.

Tehisintellekti mudelid toimivad põhimõttel „prügi sisse, prügi välja” (GIGO), kus vigased ja kallutatud sisendandmed põhjustavad kehva väljundi. Halb sisendandmete kvaliteet tekitab tegevuses ebatõhusust, kuna projektimeeskonnad kogevad viivitusi ja kannavad kõrgemaid kulusid andmestike puhastamisega enne mudeli treenimise jätkamist.

Lisaks operatiivsele mõjule õõnestavad halbade andmete põhjal treenitud tehisintellekti mudelid ettevõtete usaldust oma pingutuste vastu, mis võib põhjustada korvamatut mainekahju. Ühe uuringu kohaselt oli GPT-3.5 hallutsinatsioonide määr 39,6%, mis rõhutab vajadust teadlaste edasise valideerimise järele.

Sellisel mainekahjustusel on kaugeleulatuvad tagajärjed, kuna investeeringute kindlustamine muutub keeruliseks ja see mõjutab mudeli turupositsiooni. CIO võrgustiku tippkohtumisel nimetas 21% Ameerika tipp-IT-juhtidest tehisintellekti mittekasutamise peamise põhjusena usaldusväärsuse puudumist.

Halvad andmed tehisintellekti mudelite treenimiseks vähendavad projektide väärtust ja põhjustavad ettevõtetele tohutut majanduslikku kahju. Keskmiselt põhjustavad mittetäielikud ja halva kvaliteediga tehisintellekti treeningandmed vigaseid otsuseid, mis lähevad ettevõtetele maksma 6% nende aastasest tulust.

Halbade andmete mõju tehisintellekti innovatsioonile

Halva andmekvaliteediga seotud probleemid mõjutavad tehisintellekti innovatsiooni ja mudelite treenimist, mistõttu on alternatiivsete lahenduste leidmine ülioluline.

See „halbade andmete” probleem on sundinud tehisintellekti ettevõtteid teadlasi ümber paigutama ja oma aega andmekogumite ettevalmistamisele suunama. Ligi 67% andmeteadlastest pühendab oma aja korrektsete andmekogumite ettevalmistamisele, et vältida tehisintellekti mudelitest tulenevat väärinformatsiooni.

Tehisintellekti ja masinõppe mudelitel võib olla raskusi asjakohase väljundi pakkumisega, kui nende mudelite täiustamisse ei ole kaasatud spetsialiste – päris inimesi, kellel on õige kvalifikatsioon. See rõhutab vajadust inimekspertide järele, kes juhiksid tehisintellekti arendamist ja tagaksid, et tehisintellekti mudelite treenimiseks on olemas kvaliteetsed ja kureeritud andmed.

Tõhusate inimpiiriandmete võti

Elon Musk märkis hiljuti, et „inimkonna teadmiste kogum on tehisintellekti koolitamisel ammendunud“. See on vale eeldus: inimkonna piiriandmed on üliolulised tugevamate, usaldusväärsemate ja erapooletumate tehisintellekti mudelite väljatöötamiseks.

Muski inimteadmiste eitamine nõuab tehisintellekti mudelite täiustamiseks kunstlikult genereeritud sünteetiliste andmete kasutamist. Erinevalt inimestest aga puudub sünteetilistel andmetel reaalne kogemus ja ajalooliselt ei ole need suutnud teha eetilisi otsuseid.

Inimeste asjatundlikkus tagab andmete hoolika läbivaatamise ja valideerimise, tagades tehisintellekti mudelite järjepidevuse, täpsuse ja usaldusväärsuse. Inimesed saavad mudeli väljundit hinnata, analüüsida ja tõlgendada, et tuvastada eelarvamusi või vigu ning tagada selle vastavus ühiskondlikele väärtustele ja eetilistele standarditele.

Lisaks pakub inimintellekt andmete ettevalmistamise ajal ainulaadseid teadmisi, lisades andmete tõlgendamisele kontekstuaalseid viiteid, tervet mõistust ja loogilist arutluskäiku. See aitab lahendada ebaselgust, mõista nüansse ja lahendada tehisintellekti mudelite keerulises treenimises esinevaid probleeme.

Tehisintellekti ja inimese intellekti sümbiootiline suhe on ülioluline, et realiseerida tehisintellekti potentsiaali kui transformatiivset tehnoloogiat ilma ühiskonda kahjustamata. Inimeste ja masinate koostööl põhinev lähenemine avab ukse inimlikule intuitsioonile ja loovusele uute tehisintellekti algoritmide ja arhitektuuride väljatöötamisel ühise hüvangu nimel.

Võrgustike detsentraliseerimine võib olla puuduv osa selle suhte globaalseks kinnistamiseks.

Ettevõtted raiskavad aega ja ressursse, kui neil on nõrgad tehisintellekti mudelid, mis vajavad andmeteadlaste ja inseneride pidevat täiustamist. Detsentraliseeritud inimese sekkumise abil saavad ettevõtted vähendada kulusid ja suurendada tõhusust, jaotades hindamisprotsessi ülemaailmse andmekoolitajate ja kaastööliste võrgustiku vahel.

Detsentraliseeritud inimese tagasisidepõhine tugevdusõpe (RLHF) muudab tehisintellekti mudelikoolituse koostööpõhiseks ettevõtmiseks. Tavakasutajad ja valdkonna eksperdid saavad koolitusele kaasa aidata ning saada rahalist stiimulit täpsete märkuste, sildistamise ja klassifitseerimise eest.

Plokiahelal põhinev detsentraliseeritud mehhanism automatiseerib hüvitiste maksmise, kuna panustajad saavad preemiaid tehisintellekti mudelite mõõdetavate täiustuste, mitte jäikade kvootide või võrdlusaluste põhjal. Lisaks demokratiseerib detsentraliseeritud RLHF andmete ja mudelite koolitamist, kaasates erineva taustaga inimesi, vähendades seeläbi struktuurilisi eelarvamusi ja parandades üldist intelligentsust.

Gartneri uuringu kohaselt loobuvad ettevõtted 2026. aastaks enam kui 60% oma tehisintellekti projektidest tehisintellekti-sõbralike andmete puudumise tõttu. Seetõttu on inimeste oskused ja pädevused tehisintellekti treeningandmete ettevalmistamisel üliolulised, kui eeldatakse, et sektor panustab 15,7. aastaks maailmamajandusse 2030 triljonit dollarit.

Tehisintellekti mudelite koolitamiseks vajalik andmeinfrastruktuur vajab pidevat täiustamist, mis põhineb uutel ja tekkivatel andmetel ning kasutusjuhtudel. Inimesed saavad tagada, et organisatsioonid haldavad tehisintellekti-sõbralikku andmebaasi pideva metaandmete haldamise, jälgitavuse ja juhtimise kaudu.

Ilma inimese järelevalveta on ettevõtetel raskusi pilve- ja offshore-andmesidevõrkudesse lukustatud tohutu hulga andmetega. On hädavajalik, et ettevõtted võtaksid andmekogumite täiustamiseks kasutusele inimese kaasamise lähenemisviisi, et luua kvaliteetseid, suure jõudlusega ja asjakohaseid tehisintellekti mudeleid.

Küsimus ja vastus

Kuidas mõjutavad halvad andmed tehisintellekti mudelite jõudlust?
Halvad andmed võivad viia ebausaldusväärsete ja kallutatud tulemusteni. Selliste andmetega treenitud tehisintellekti mudelid ei pruugi saavutada soovitud täpsust ega usaldusväärsust, mis toob kaasa vigaseid otsuseid ja mainekahju ettevõtetele.

Miks on inimese sekkumine tehisintellekti koolitamisel vajalik?
Inimeksperdid on tehisintellekti kvaliteedi ja eetika tagamisel üliolulised. Nad pakuvad kontekstuaalset arusaamist, hindavad tulemusi ning aitavad tuvastada ja parandada eelarvamusi, mis suurendab tehisintellekti mudeli üldist tõhusust.

Milline on detsentraliseerimise roll tehisintellekti koolitamisel?
Detsentraliseerimine võimaldab tehisintellekti mudelite hindamist ja koolitamist hajutada andmekoolitajate ja panustavate üksikisikute ülemaailmse võrgustiku vahel. See suurendab tõhusust ja vähendab kulusid, aidates samal ajal kaasa ka laiemale mitmekesisusele andmekoolituse vaatenurkades.

Kuigi tehisintellekti tulevik on paljulubav, jätab praegune sõltuvus halva kvaliteediga andmetest soovida. Investeerides inimeste oskusteabesse ja detsentraliseeritud struktuuridesse, saame arendada tehisintellekti mudeleid, mis on mitte ainult tõhusamad, vaid aitavad kaasa ka selle tehnoloogia eetilisele ja jätkusuutlikule tulevikule.