Արհեստական ինտելեկտը չի բխում գիտական առաջընթացի տրամաբանությունից
Մենք բազմիցս գրել ենք MT-ում հետազոտողների և մասնագետների մասին, ովքեր մեքենայական ուսուցման համակարգերը հռչակում են որպես «սև արկղեր» (1) նույնիսկ նրանց համար, ովքեր կառուցում են դրանք: Սա դժվարացնում է արդյունքների գնահատումը և առաջացող ալգորիթմների վերօգտագործումը:
Նյարդային ցանցերը՝ այն տեխնիկան, որը մեզ տալիս է խելացի փոխակերպող բոտեր և հնարամիտ տեքստի գեներատորներ, որոնք կարող են նույնիսկ պոեզիա ստեղծել, մնում է անհասկանալի առեղծված արտաքին դիտորդների համար:
Նրանք դառնում են ավելի մեծ և ավելի բարդ՝ կառավարելով հսկայական տվյալների հավաքածուներ և օգտագործելով զանգվածային հաշվարկային զանգվածներ: Սա ձեռք բերված մոդելների կրկնօրինակումն ու վերլուծությունը դարձնում է թանկ և երբեմն անհնարին այլ հետազոտողների համար, բացառությամբ հսկայական բյուջե ունեցող խոշոր կենտրոնների:
Շատ գիտնականներ քաջատեղյակ են այս խնդրին: Նրանց թվում է Ջոել Պինոն (2), NeurIPS-ի նախագահ, վերարտադրելիության վերաբերյալ գլխավոր համաժողովը։ Նրա ղեկավարությամբ փորձագետները ցանկանում են ստեղծել «վերարտադրելիության ստուգաթերթ»:
Գաղափարը, ասաց Պինոն, խրախուսել հետազոտողներին առաջարկել ուրիշներին ճանապարհային քարտեզ, որպեսզի նրանք կարողանան վերստեղծել և օգտագործել արդեն իսկ կատարված աշխատանքը: Դուք կարող եք հիանալ նոր տեքստային գեներատորի պերճախոսությամբ կամ տեսախաղի ռոբոտի գերմարդկային ճարտարությամբ, բայց նույնիսկ լավագույն փորձագետները պատկերացում չունեն, թե ինչպես են գործում այս հրաշքները: Հետևաբար, արհեստական ինտելեկտի մոդելների վերարտադրումը կարևոր է ոչ միայն հետազոտության համար նոր նպատակներ և ուղղություններ բացահայտելու համար, այլ նաև որպես օգտագործման զուտ գործնական ուղեցույց:
Մյուսները փորձում են լուծել այս խնդիրը։ Google-ի հետազոտողները առաջարկել են «մոդելային քարտեր»՝ մանրամասն նկարագրելու, թե ինչպես են փորձարկվել համակարգերը, ներառյալ արդյունքները, որոնք մատնանշում են հնարավոր սխալները: Ալենի արհեստական ինտելեկտի ինստիտուտի (AI2) հետազոտողները հրապարակել են մի փաստաթուղթ, որի նպատակն է ընդլայնել Pinot-ի վերարտադրելիության ստուգաթերթը փորձարարական գործընթացի այլ քայլերի վրա: «Ցույց տուր քո աշխատանքը»,- հորդորում են նրանք։
Երբեմն հիմնական տեղեկատվությունը բացակայում է, քանի որ հետազոտական նախագիծը պատկանում է հատկապես ընկերության համար աշխատող լաբորատորիաներին: Սակայն ավելի հաճախ դա վկայում է հետազոտության փոփոխվող և գնալով ավելի բարդ մեթոդները նկարագրելու անկարողության մասին: Նյարդային ցանցերը շատ բարդ տարածք են: Լավագույն արդյունքներ ստանալու համար հաճախ պահանջվում է հազարավոր «կոճակների և կոճակների» նուրբ կարգավորում, որը ոմանք անվանում են «սև մոգություն»: Օպտիմալ մոդելի ընտրությունը հաճախ կապված է մեծ թվով փորձերի հետ: Magic-ը շատ թանկ է դառնում։
Օրինակ, երբ Facebook-ը փորձեց կրկնօրինակել AlphaGo-ի աշխատանքը, որը մշակվել էր DeepMind Alphabet-ի կողմից, առաջադրանքը չափազանց դժվար էր: Հսկայական հաշվողական պահանջները, միլիոնավոր փորձերը հազարավոր սարքերի վրա բազմաթիվ օրերի ընթացքում, զուգորդված կոդի բացակայության հետ, համակարգը «շատ դժվար, եթե ոչ անհնար, դարձրեցին վերստեղծումը, փորձարկումը, կատարելագործումը և ընդլայնումը», ըստ Facebook-ի աշխատակիցների:
Խնդիրը կարծես թե մասնագիտացված է։ Այնուամենայնիվ, եթե ավելի մանրամասն մտածենք, արդյունքների և գործառույթների վերարտադրելիության հետ կապված խնդիրների երևույթը մեկ հետազոտական խմբի և մյուսի միջև խաթարում է մեզ հայտնի գիտության և հետազոտական գործընթացների գործունեության ողջ տրամաբանությունը: Որպես կանոն, նախորդ հետազոտությունների արդյունքները կարող են հիմք ծառայել հետագա հետազոտությունների համար, որոնք խթանում են գիտելիքի, տեխնոլոգիաների և ընդհանուր առաջընթացի զարգացումը:
