කෘතිම බුද්ධිය විද්‍යාත්මක ප්‍රගතියේ තර්කය අනුගමනය නොකරයි
යන්ත්‍ර ඉගෙනීමේ පද්ධති "කළු පෙට්ටි" ලෙස ප්‍රකාශ කරන (1) ඒවා ගොඩනඟන අයට පවා පර්යේෂකයන් සහ වෘත්තිකයන් ගැන අපි MT හි බොහෝ වාරයක් ලියා ඇත. මෙමගින් ප්රතිඵල ඇගයීම සහ නැගී එන ඇල්ගොරිතම නැවත භාවිතා කිරීම අපහසු වේ.
ස්නායුක ජාල - අපට බුද්ධිමත් පරිවර්තන බොට් සහ කවි පවා නිර්මාණය කළ හැකි දක්ෂ පෙළ ජනක යන්ත්‍ර ලබා දෙන තාක්ෂණය - බාහිර නිරීක්ෂකයින්ට තේරුම්ගත නොහැකි අභිරහසක් ලෙස පවතී.
ඒවා විශාල වන අතර වඩාත් සංකීර්ණ වෙමින් පවතී, විශාල දත්ත කට්ටල හසුරුවමින් සහ දැවැන්ත පරිගණක අරා භාවිතා කරයි. මෙය විශාල අයවැයක් සහිත විශාල මධ්‍යස්ථාන හැර අනෙකුත් පර්යේෂකයන්ට ලබාගත් ආකෘතීන් අනුකරණය කිරීම සහ විශ්ලේෂණය කිරීම මිල අධික වන අතර සමහර විට කළ නොහැක්කකි.
බොහෝ විද්යාඥයන් මෙම ගැටලුව හොඳින් දනී. ඔවුන් අතර ජොයෙල් පිනෝ (2), ප්‍රජනනය පිළිබඳ ප්‍රමුඛ සමුළුව වන NeurIPS හි සභාපති. ඇයගේ නායකත්වය යටතේ විශේෂඥයින්ට "ප්රතිනිෂ්පාදන පිරික්සුම් ලැයිස්තුවක්" නිර්මාණය කිරීමට අවශ්ය වේ.
පිනෝ පැවසුවේ, පර්යේෂකයන් අන් අයට මාර්ග සිතියමක් ලබා දීමට දිරිමත් කිරීම වන අතර එමඟින් ඔවුන්ට දැනටමත් කර ඇති කාර්යය ප්‍රතිනිර්මාණය කර භාවිතා කළ හැකිය. නව පෙළ උත්පාදක යන්ත්‍රයක කථිකත්වය හෝ වීඩියෝ ක්‍රීඩා රොබෝවරයෙකුගේ අධිමානුෂික දක්ෂතාවය ගැන ඔබට මවිත විය හැක, නමුත් හොඳම ප්‍රවීණයන් පවා මෙම අරුමපුදුම දේ ක්‍රියා කරන්නේ කෙසේදැයි නොදනී. එබැවින්, AI ආකෘති ප්‍රතිනිෂ්පාදනය පර්යේෂණ සඳහා නව ඉලක්ක සහ දිශාවන් හඳුනා ගැනීම සඳහා පමණක් නොව, භාවිතයට සම්පූර්ණයෙන්ම ප්‍රායෝගික මාර්ගෝපදේශයක් ලෙසද වැදගත් වේ.
තවත් සමහරු මෙම ගැටලුව විසඳීමට උත්සාහ කරති. Google පර්යේෂකයන් "ආදර්ශ කාඩ්පත්" ඉදිරිපත් කළේ විභව දෝෂයන් වෙත යොමු වන ප්රතිඵල ඇතුළුව, පද්ධති පරීක්ෂා කළ ආකාරය විස්තරාත්මකව විස්තර කිරීමටය. කෘත්‍රිම බුද්ධිය සඳහා වූ ඇලන් ආයතනයේ (AI2) පර්යේෂකයන් විසින් Pinot ප්රතිනිෂ්පාදන පිරික්සුම් ලැයිස්තුව පර්යේෂණාත්මක ක්‍රියාවලියේ අනෙකුත් පියවරයන් දක්වා දීර්ඝ කිරීම අරමුණු කරගත් පත්‍රිකාවක් ප්‍රකාශයට පත් කර ඇත. "ඔබේ වැඩ පෙන්වන්න" කියා ඔවුන් ඉල්ලා සිටිනවා.
පර්යේෂණ ව්‍යාපෘතිය විශේෂයෙන්ම සමාගම සඳහා වැඩ කරන රසායනාගාර සතු බැවින් සමහර විට මූලික තොරතුරු අතුරුදහන් වේ. කෙසේ වෙතත්, බොහෝ විට, එය වෙනස් වන සහ වඩ වඩාත් සංකීර්ණ පර්යේෂණ ක්‍රම විස්තර කිරීමට ඇති නොහැකියාවේ සලකුණකි. ස්නායු ජාල ඉතා සංකීර්ණ ප්රදේශයකි. හොඳම ප්රතිඵල ලබා ගැනීම සඳහා, දහස් ගණනක් "නොබ් සහ බොත්තම්" සියුම් ලෙස සකස් කිරීම අවශ්ය වේ, සමහරුන් එය "කළු මැජික්" ලෙස හඳුන්වති. ප්රශස්ත මාදිලියේ තේරීම බොහෝ විට අත්හදා බැලීම් විශාල සංඛ්යාවක් සමඟ සම්බන්ධ වේ. මැජික් ඉතා මිල අධික වේ.
උදාහරණයක් ලෙස, DeepMind Alphabet විසින් වැඩි දියුණු කරන ලද පද්ධතියක් වන AlphaGo හි කාර්යය අනුකරණය කිරීමට ෆේස්බුක් උත්සාහ කළ විට, කාර්යය අතිශයින් දුෂ්කර විය. Facebook සේවකයින්ට අනුව, විශාල පරිගණක අවශ්‍යතා, දින ගණනාවක් පුරා උපාංග දහස් ගණනක් මත මිලියන ගණනක් අත්හදා බැලීම්, කේතය නොමැතිකම සමඟ එක්ව, පද්ධතිය "ඉතා දුෂ්කර, කළ නොහැකි නම්, ප්‍රතිනිර්මාණය කිරීම, පරීක්ෂා කිරීම, වැඩිදියුණු කිරීම සහ දිගු කිරීම" බවට පත් විය.
ගැටලුව විශේෂිත බව පෙනේ. කෙසේ වෙතත්, අප තවදුරටත් සිතන්නේ නම්, එක් පර්යේෂණ කණ්ඩායමක් සහ තවත් කණ්ඩායමක් අතර ප්රතිඵල සහ ක්‍රියාකාරකම් ප්‍රතිනිෂ්පාදනය කිරීමේ ගැටළු වල සංසිද්ධිය අප දන්නා විද්‍යාවේ සහ පර්යේෂණ ක්‍රියාවලීන්ගේ ක්‍රියාකාරිත්වයේ සියලු තර්කනය යටපත් කරයි. රීතියක් ලෙස, පෙර පර්යේෂණවල ප්රතිඵල දැනුම, තාක්ෂණය සහ සාමාන්ය ප්රගතිය වර්ධනය කිරීම උත්තේජනය කරන වැඩිදුර පර්යේෂණ සඳහා පදනමක් ලෙස භාවිතා කළ හැකිය.
