Cómo evitar el próximo invierno de IA – Enlace

La introducción de la desmotadora de algodón no estuvo acompañada por todo un género de películas de Hollywood dedicadas a la “singularidad” de la desmotadora. Tampoco marcamos el comienzo de la Edad de Oro de las telecomunicaciones con historias de “teléfono web” que arrasaron con los éxitos de taquilla.

La inteligencia artificial es diferente. Al igual que otras tecnologías disruptivas, está teniendo efectos de largo alcance, buenos y malos. Pero excepcionalmente, la información de calidad de la IA se ve empañada por la narrativa del apocalipsis de la IA. Si busca en Google el campo, tendrá el desafío de separar imagenes medicas trigo de AGI paja. (No se lo digan a nadie, amigos, aquí no hay magia, son solo matemáticas). La IA por sí sola no tiene más probabilidades de dominar el mundo que su calculadora. Bueno, a menos que se use como una cortina de humo de negación: “No es mi culpa que el robot asesino destruya tu casa, fue la IA la que lo hizo”.

Honestamente, lo que más me preocupa de AGI es la distracción que crea de las formas reales en que La IA puede hacer una gran positivo diferencia en nuestras vidas. Y el ciclo de IA de invierno/verano es un amortiguador enorme.

Sistema y estado de invierno AI

La exageración de la IA no es lineal: un poco de exageración de la IA inicia un efecto volante, a menudo polinizado por periodistas bien intencionados. La exageración de la IA es particularmente mutante, lo que significa que aquellos de nosotros que tratamos de hacer algo bueno en este mundo nos hemos enfrentado a una serie de ciclos de verano/invierno en los que la exuberancia similar a la de los tulipanes holandeses ha llevado, inevitablemente, al estallido de la burbuja.

Lo cual me golpeó en la cara personalmente; después de montar el Ola de IA de la década de 1980en 1995 solo decir “inteligencia artificial” en voz alta me encasilló como un tonto tonto, así que me renombré como un experto en “analytics” y datosdurante una década o dos.

Félix Hovsepian escribió un buen conjunto de notas de Cliff en la historia de AI Winter hoy incluyendo punteros a hypebuster Roger Schank. Y La crítica viral de Mark Saroufin desde dentro, arroja una mirada cruda sobre el incrementalismo académico de la IA y las dinámicas económicas/de riesgo subyacentes que han roto nuestro contrato social con la investigación básica. Estamos atrapados en un atractor extraño, y saldremos abruptamente en contra de nuestra voluntad, o eliminaremos el atractor por completo al volvernos reales.

Las cinco formas principales de detener la oscilación verano/invierno

1. Tierra todo en la realidad. Para la investigación inicial, si no puede al menos nombrar la decisión o el caso de uso que sus datos y modelo podrían o deberían respaldar, entonces no ha hecho su tarea y no debe publicarse. Para una investigación más avanzada, debe proporcionar resultados rigurosos, probados a escala, en un problema no trivial (y sí, mostrando resultados en datos que no son de entrenamiento; lo crea o no, todavía tengo que decir esto).
2. Pase de estar basado en soluciones y centrado en algoritmos a estar basado en problemas y centrado en decisiones. Como @cosaspatinadas dice, “las computadoras son logros magníficos e increíbles. desafortunadamente ejecutamos software en ellos”. Cual se rompe, mucho, cada vez más en MLsin una disciplina de ingeniería (incluido el diseño, la planificación, la construcción y el control de calidad) que nos enseña cómo detener eso, y que comienza con garantizar que los sistemas sean “aptos para su propósito”.
3. Desplace los recursos de los nuevos algoritmos a la implementación y la integración. Yo uso el simple y poderoso H2O framework (con R para orquestación) para la mayor parte de mi trabajo de IA aplicada, y es suficiente, ya que le ha dado a mis proyectos resultados innovadores docenas de veces a lo largo de los años. Parece que la mayoría de mis clientes solo están tratando de conducir a la tienda de la esquina, sin embargo, la mayoría de los científicos de datos que he conocido están capacitados como mecánicos de Fórmula I (ejem, tensorflow), tratando de ganar la próxima competencia de Kaggle. La curva de rendimiento decreciente de este tipo de trabajo, en comparación con la producción seria, la IA orquestación, MLopsy estrategias de ingeniería de software específicas de ML, se cruzaron hace mucho tiempo.

   En este sentido, apoyar nuevos incentivos para premiar y aplaudir la investigación aplicada, o al menos inspirada en el uso. Esto es más difícil y necesita más desesperadamente buenos profesionales que la IA fundamental. Ha sido un nombre sucio—para los estudiantes “B”—hasta ahora, y esto necesita cambiar.

4. Insista en la transparencia en torno a Niveles de preparación tecnológica (TRL) cuando lee, escribe, cubre o revisa historias de ML. ¿Se ha probado este algoritmo/sistema en el laboratorio o en el campo? ¿En un problema de juguetes oa escala? ¿Por uno o por miles? ¿Solo por académicos, o alguien está ganando dinero con eso? como he hablado mucho, desperdiciaremos recursos y nos desviaremos si confundimos un prototipo TRL1 con, digamos, un TRL7 MVP. Mis clientes de ML han caído en esta madriguera de conejo más veces de las que le gustaría saber, y tengo que decirles amablemente: “No, lo siento, pero ese aprendizaje de refuerzo / algoritmo genético / no está lo suficientemente maduro como para que usted pueda beneficiarse de él en los próximos cinco años”.

   Así que sí, el sexo vende. Incluso en los pasillos nerd de backpropagatationdom.

   Alexander Lavin y Gregory Renard tienen un gran modelo TRL específico de MLque sugiero que sea adoptado por todas las publicaciones de revisión por pares de ML, junto con una regla de divulgación de TRL.

5. Abrazar y apoyar el campo emergente de inteligencia de decisión (DI), que democratiza y sistematiza la forma en que conectamos la pila de IA con las partes interesadas humanas. Hoy en día es innecesariamente retorcido presentar un nuevo proyecto de IA, o incluso averiguar dónde encaja la IA en una situación, por lo que tendemos a recurrir a comenzar con los datos (la solución) en lugar del problema de un usuario final potencial. DI arregla eso.

Si es nuevo en AI/ML o es periodista, sepa que AI es una sirena de “noticias falsas”. Los amigos no comparten la exageración de la IA con sus amigos. Tómese unos minutos para aprender sobre AI Winter. No compartas clickbaity drek sin examinar. Y vaya alto, no bajo: gane sus clics con sustancia, no pelusa, por favor.

O, si es un tecnólogo senior, use su influencia para alejar a esta nave de las rocas que se avecinan. Sin un cambio de prioridades valiente, nos dirigimos a otro invierno.

¿Puedo ayudar a que su propio proyecto de IA/ML se haga realidad? reservame para una consulta gratuita o envíe un correo electrónico.