П:
Како компаније покушавају да додају "брзиномер" вештачкој интелигенцији?
А:Неке компаније које раде на најновијем напретку вештачке интелигенције постају усредсређене на квантификацију напретка који су постигле и успоређивање неких аспеката како се вештачка интелигенција развијала током времена. Постоје бројни разлози због којих компаније проводе ове врсте анализа. Генерално, они покушавају да схвате колико је вештачка интелигенција дошла, како се примењује на наш живот и како ће утицати на тржиште.
Неке компаније раде браинсторминг и прате свој напредак вештачке интелигенције како би откриле како нове технологије могу утицати на грађанске слободе или како могу створити нове економске стварности. Овисно о приступу компаније, ове врсте анализа могу попримити облик покушаја да се утврди како подаци корисника могу пролазити кроз системе, разумијевајући како ће интерфејси радити или схватити које способности ентитета умјетне интелигенције имају и како могу користити те могућности.
Када су у питању методе, компаније које покушавају да одреде вештачку интелигенцију могу се фокусирати на разбијање апстрактних информација - на пример, Виред чланак цитира пројекат АИ индекса, где раде истраживачи попут Раи Перраулт, који ради у непрофитној лабораторији СРИ Интернатионал. на детаљном снимку онога што се дешава у пољу вештачке интелигенције.
"То је нешто што треба да се уради, делом и због тога што постоји толико лудила око тога где АИ иде", каже Перраулт у чланку, коментаришући мотивацију за предузимање ове врсте пројеката.
Објашњавајући како функционише вредновање вештачке интелигенције, неки стручњаци објашњавају да инжењери или друге странке можда покушавају да спроведу „тешко тестирање“ за пројекте вештачке интелигенције, на пример, покушавајући да „трикнују“ или „поразе“ системе вештачке интелигенције. Овакав опис заиста иде у средиште тога како компаније могу заиста да надгледају и процењују вештачку интелигенцију. Један од начина да се размисли о томе јесте примјена истих врста идеја које су програмери користили у прошлим временима за уклањање погрешака у системима линеарних кодова.
Отклањање грешке кодова линеарних кодова односило се на проналажење места на којима ће систем добро радити - где би се програм рушио, где би замрзнуо, где би се успорио, итд. Било је око проналажења места где би логичке грешке зауставиле или збуњивале пројекат, где функција не би радила исправно или где би могао да дође до неког ненамерног корисничког догађаја.
Када размислите, модерно тестирање вештачке интелигенције може бити сличан подухват на сасвим другачијем плану - јер су технологије вештачке интелигенције когнитивне него линеарне, то тестирање поприма много другачији облик, али људи и даље траже „грешке “- начине на који ови програми могу имати ненамерне последице, начине на које могу деловати и наштетити људским институцијама, итд. Имајући то на уму, иако постоје многе различите дивергентне методе креирања брзиномјера или мерила за напредак вештачке интелигенције, врсте горе описано тврдо тестирање обично ће људима пружити јединствен увид у то колико далеко је стигла вештачка интелигенција и шта треба учинити да би се постигло више позитивног стања, а да се не развија више негативних утицаја.
