ხელოვნური ინტელექტის ეთიკა შეშფოთებულია სანდო ინსაიდერების მიერ, მათ შორის ავტონომიური თვითმართვადი მანქანების, ხელოვნური ინტელექტის მანქანური სწავლების გაზრდის გამო

წვენის მიღება და დოპინგი.

დოპინგი და წვენის მიღება.

ჩვენ ყველამ ვიცით მუშაობის გამაძლიერებელი წამლების მიმდინარე და ფარული გამოყენების შესახებ, რომლებსაც სამწუხაროდ ეყრდნობიან სპორტის სხვადასხვა სახეობებში. ეს ხდება პროფესიულ სპორტში და თუნდაც სამოყვარულო სპორტში. ეს ხდება ოლიმპიადაზე, რომელიც თეორიულად არის გლობალურად პატივცემული შეჯიბრი, რომელიც უნდა იყოს ადამიანის შესრულების საზღვრებისა და უმაღლესი უკიდურესობების სიწმინდის მაგალითი მთელი კაცობრიობისთვის.

წვენსა და დოპინგის აქტში არის ერთგვარი გავრცელება. სპორტულ ფიგურებს უდიდესი ზეწოლა ექვემდებარება პირველი ადგილის მოსაპოვებლად და ისინი მიმზიდველად ცდებიან, გამოიყენონ ნებისმიერი საშუალება, რათა იქ მიაღწიონ. წვენის მიღების ან დოპინგის ალბათობის შედეგად, ჩვენ ვნახეთ, რომ სპორტის ბევრმა თუ არა უმეტესობამ დააწესა პროცედურები და ნაბიჯები, რომლებიც მიზნად ისახავს შეაჩეროს და დაიჭიროს ისინი, ვინც არასწორად ემორჩილება ასეთ მცდელობებს. თუ ვინმეს წვენების ან დოპინგის მიღებისას დაიჭერენ, რისკავს, გაუქმდეს სპორტული მედლები. გარდა ამისა, ისინი სავარაუდოდ განზე იქნებიან მათი მხარდამჭერების და სპონსორების მიერ. რეპუტაციის რისკის უზარმაზარი გრძნობა თან ახლავს წვენის მიღების ან დოპინგის შემთხვევით მოქმედებას.

ადამიანები, რომლებსაც სურთ იყვნენ "საუკეთესოები" კონკრეტულ სპორტში, არიან მოწყვეტილი არ ეფექტურობის გამაძლიერებელი ნარკოტიკების გამოყენება და არალეგალური ან სულ მცირე არაეთიკური ნივთიერებების გამოყენება. ნარკოტიკების გამოყენება შეიძლება იყოს თითქმის უტყუარი გზა ზევით. თუ ადმინისტრირებას ფარულად და ფრთხილად ატარებენ, არის შანსი, რომ არავინ იცოდეს და ტესტირებამ ვერ აღმოაჩინოს იგი. თქვენ შეგიძლიათ თავი დააღწიოთ მას, ერთი შეხედვით, შოტლანდიის გარეშე. რა თქმა უნდა, ასევე არსებობს იმის შესაძლებლობა, რომ თქვენ ზიანს აყენებთ თქვენს სხეულს და საბოლოოდ გადაიხდით ფიზიკურ ფასს, მაგრამ გამარჯვების მომენტალური შესაძლებლობის სურვილის ინტენსივობა ამცირებს ნებისმიერ მომავალ შედეგებს.

ასე რომ, ჩვენ გვაქვს, ერთის მხრივ, გრანდიოზული პოტენციალი, მივაღწიოთ დიდებას და შესაძლოა სიმდიდრესაც კი, ეფექტურობის გამაძლიერებელი ნარკოტიკების გამოყენებით, ხოლო მეორეს მხრივ, გვაქვს სამარცხვინო შანსი, დავიჭიროთ და ჩამოერთვათ სხვაგვარად მოპოვებული მოგება. და გახდა საშინლად საძულველი მსოფლიო საზოგადო მოღვაწე (ჯანმრთელობასთან დაკავშირებულ არასასურველ შედეგებთან ერთად).

ეს არის ერთგვარი ხორცის ხარჯ-სარგებლის ანალიზი, რომელიც უნდა გაკეთდეს.

ზოგი აკეთებს გონებრივი ROI (ინვესტიციის ანაზღაურების) გამოთვლას და გადაწყვეტს არასოდეს შეეხოს ეფექტურობის გამაძლიერებელ წამლებს. ისინი გადაწყვეტენ დარჩნენ იდეალურად სუფთა და სუფთა. სხვებმა შეიძლება ასე დაიწყონ და შემდეგ ოდნავ გადაუხვიონ. თქვენ შეიძლება გაამართლოთ ცურვა, როგორც მხოლოდ პატარა ფეხის თითი პერფორმანსის გამაძლიერებელ წყალში და საზეიმოდ დაიფიცოთ საკუთარ თავს, რომ ასე აღარასოდეს გააკეთებთ. თუმცა ამან შეიძლება გამოიწვიოს მოლიპულ ფერდობამდე. კლასიკური და პროგნოზირებადი ანდაზური თოვლის ბურთი, რომელიც სრიალებს, სრიალებს და გორავს თოვლიან ბორცვზე და გროვდება უფრო და უფრო დიდ ბურთად, როგორც ამას აკეთებს.

თქვენ ასევე გაქვთ ისეთებიც, რომლებიც წინასწარ გადაწყვეტენ, რომ აპირებენ წინსვლას და გამოიყენონ ეფექტურობის გამაძლიერებელი ნარკოტიკები. აზროვნების ტიპიური რეჟიმი არის ის, რომ ეს არის ცეცხლთან ბრძოლის ერთადერთი გზა. ვარაუდობენ, რომ ყველა, ვისთანაც თქვენ კონკურენციას უწევთ, იგივეს აკეთებენ. როგორც ასეთი, აბსოლუტურად არავითარი აზრი არ აქვს, იყოთ სუფთა და მაინც ეწინააღმდეგებით მათ, ვინც აშკარად უწმინდურია (ასე ფიქრობთ).

ვფიქრობ, ხედავთ, რატომ არის ტესტირებისა და გამოვლენის ბუნება განსაკუთრებით სასიცოცხლოდ მნიშვნელოვანი ამ საკითხებში. თუ ზოგიერთ მონაწილეს შეუძლია თავი დააღწიოს ეფექტურობის გამაძლიერებელ წამლებს, ეს აფუჭებს მთელ კასრს. ინჩი-ინჩი, ყველა სხვა მონაწილე თითქმის აუცილებლად გაივლის იმავე გზას. მათ უნდა გააკეთონ საშინელი არჩევანი. ეს გულისხმობს ან ნარკოტიკების გარეშე კონკურენციას, მაგრამ, ალბათ, ფიზიკურ მინუსში, ან მათ უნდა მიიღონ წამლები და დარჩეს კონკურენტუნარიანი, მიუხედავად იმისა, რომ შესაძლოა მთელი გულით სურთ და შესაძლოა არ მოუწიონ მიმართონ შესრულების გამაძლიერებლებს.

უბედურება, რა თქმა უნდა.

არსებობს უფრო მეტი გარემო, რომელიც აბნევს ამ გარემოებებს. მაგალითად, კითხვა, რომელიც მუდმივად ჩნდება, არის ის, თუ რა არის სინამდვილეში პროდუქტის გამაძლიერებელი პრეპარატი. ხელისუფლებამ შესაძლოა გამოაქვეყნოს აკრძალული წამლების სია. იმავდროულად, კატისა და თაგვის გამბიტში შემუშავებულია ან იდენტიფიცირებულია სხვა წამლები, რომლებიც უზრუნველყოფენ ეფექტურობის გაუმჯობესებას და მაინც არ არიან აკრძალული ქიმიკატების სიაში. შეგიძლიათ სცადოთ სიის წინ გადადგმული ნაბიჯი, გადახვიდეთ სხვა წამლებზე და დარჩეთ თამაშის წესების შესაბამისად.

ყოვლისმომცველი არსი ის არის, რომ წვენის მიღება და დოპინგი სულაც არ არის პირდაპირი თემა. დიახ, ჩვენ შეიძლება ყველა დავეთანხმოთ, რომ წვენის მიღება ან დოპინგი სასტიკია და არ უნდა იქნას მიღებული. დიახ, ჩვენ შეიძლება ყველა დავეთანხმოთ, რომ უნდა არსებობდეს მკაცრი წესები წვენსა და დოპინგის არგამოყენების შესახებ, ასევე მძაფრი ძალისხმევა, რათა დაიჭიროთ ისინი, ვინც მაწანწალა. სამწუხაროდ, ბევრი ხრიკია, რომელსაც შეუძლია ძირი გამოუთხაროს ამ მაღალ მიზნებს.

რატომ გაგიზიარეთ წვენებისა და დოპინგის გამოცდა და გასაჭირი?

მე ამას ვაკეთებ იმ მიზეზით, რომ თქვენ შეიძლება აღმოჩნდეთ გამაოგნებელი, აღმაშფოთებელი, აღმაშფოთებელი და საერთოდ გულის ამრევი.

ხედავთ, სულ უფრო და უფრო ხმამაღალი პრეტენზია ჩნდება, რომ ხელოვნური ინტელექტი დროდადრო „აუმჯობესებს ეფექტურობას“ წვენების ან დოპინგის (ერთგვარი) გამოყენებით. აზრი ის არის, რომ ხელოვნური ინტელექტის სისტემის შემუშავებისას, დეველოპერებმა შეიძლება განახორციელონ გარკვეულწილად არახელსაყრელი ხრიკები, რათა ხელოვნური ინტელექტი გამოჩნდეს იმაზე უკეთესი, ვიდრე სინამდვილეშია. თავის მხრივ, ამან შეიძლება მოატყუოს სხვები იმაში, რომ ვივარაუდოთ, რომ AI-ს აქვს შესაძლებლობები, რაც მას ნამდვილად არ აქვს. შედეგები შეიძლება იყოს მსუბუქი ან საშიში.

წარმოიდგინეთ ხელოვნური ინტელექტის სისტემა, რომელიც უკრავს ქამებს, რომლებიც იყო (რომ ვთქვათ) „გაუმჯობესებული შესრულება“ ისე, თითქოს არასოდეს წააგებს ჩეკის თამაშს. ზოგიერთი ინვესტორი თამაშში აგროვებს ტონა ცომს, ამას აკეთებს ცრუ რწმენით, რომ ხელოვნური ინტელექტი ყოველთვის გაიმარჯვებს. საჯარო გამოყენებაში მოთავსების შემდეგ, AI იმარჯვებს და იგებს. რაღაც მომენტში, ის ალბათ თამაშს კარგავს. კაი, რა მოხდა? ნებისმიერ შემთხვევაში, ეს არ იქნება სიცოცხლისა და სიკვდილის განხილვა ამ გამოყენების შემთხვევაში.

ამის ნაცვლად წარმოიდგინეთ ხელოვნური ინტელექტის სისტემა, რომელიც მართავს თვითმართველ მანქანას. AI არის „გაუმჯობესებული შესრულება“ ისე, თითქოს მას შეუძლია უსაფრთხოდ და ინციდენტის გარეშე მართოს. გარკვეული პერიოდის განმავლობაში, თვითმართვადი მანქანა გამოიყენება საზოგადოებრივ გზებზე და ყველაფერი კარგად ჩანს. სამწუხაროა, რომ რაღაც მომენტში AI ცდება და ხდება ავტოავარია, რომელიც აშკარად ხელოვნური ინტელექტის სისტემის ბრალი იყო. შეიძლება ადამიანი დაშავდეს და შეიძლება მოხდეს ფატალური შემთხვევები. ეს არის ვითარება, როდესაც AI-ის წვენის მიღებას ან დოპინგის მიღებას აქვს გამაფრთხილებელი და სერიოზული სიცოცხლისა და სიკვდილის შედეგები.

მე მესმის, რომ შესაძლოა გულძმარვა გქონდეთ წვენსა და დოპინგზე მითითებით, როდესაც საქმე AI-ს ეხება. ამას იმიტომ ვამბობ, რომ დღევანდელი ხელოვნური ინტელექტი აბსოლუტურად არ არის მგრძნობიარე და ჩვენ ფრთხილად უნდა ვიყოთ ხელოვნური ინტელექტის ანთროპომორფიზაციისას, რაზეც ცოტა ხანში განვიხილავ. მოკლედ, ხელოვნური ინტელექტი ჯერ არ არის ადამიანი და არც არაფერი ახლოსაა ადამიანობასთან. ამ ორის შედარების მცდელობა და წვენების ან დოპინგის ჩვეულებრივი კონცეპტუალიზაციასთან გათანაბრების მცდელობა გარკვეულწილად ესკიზურია და უნდა გავაკეთოთ ფართოდ გახელილი თვალებით.

მე ვაპირებ განვაგრძო ხელოვნური ინტელექტის შეწოვისა და დოპინგის შემოთავაზებული ანალოგიური იდეა, თუმცა გთხოვ, გაითვალისწინო, რომ ეს არის ის, რაც ძალიან შორს არ უნდა გადაიტანო. ჩვენ შეგვიძლია გარკვეულწილად გონივრულად მივუდგეთ ფრაზებიას, როგორც იმ ასპექტების გამოვლენის საშუალებას, რომლებიც, მე ვიტყოდი, რომ უხვად არის საჭირო გამოსავლენად. ეს არის სიცოცხლისუნარიანი საფუძველი ფრაზების გამოყენებისთვის. მაგრამ ჩვენ არ უნდა გავაფართოვოთ ეს ქვემო სფეროებში და გადავაქციოთ ის, რაც არ არის. ამაზე მეტს გეტყვით წამიერად.

ხელოვნური ინტელექტის ერთ-ერთი ასპექტი, რომელიც ყველაზე დიდ ყურადღებას აქცევს AI-სთან დაკავშირებულ წვენსა და დოპინგს, მოიცავს გარკვეულ გზებს, რომლითაც ზოგიერთი დეველოპერი ამუშავებს AI-ზე დაფუძნებულ მანქანათმცოდნეობის (ML) და ღრმა სწავლის (DL) სისტემებს. არსებობს უამრავი AI ეთიკა და ეთიკური AI განშტოება, რომლებიც დაკავშირებულია ამ სახის საზიზღარ ქმედებებთან ML/DL სისტემების განვითარების დროს. AI ეთიკისა და ეთიკური ხელოვნური ინტელექტის შესახებ ჩემი მიმდინარე და ვრცელი გაშუქებისთვის იხ ბმული აქ მდე ბმული აქ, მხოლოდ ასახელებს რამდენიმე.

მოდით, თავი მაღლა დავტოვოთ და გთხოვთ, ხაზი გავუსვათ ამ ასპექტებს ამ დისკუსიის განმავლობაში:

• ყველა, ვინც შეიმუშავებს AI ML/DL-ს, არ აკეთებს წვენსა და დოპინგს ML/DL-ზე
• ზოგი ამას აკეთებს, მაგრამ განსაკუთრებით არ იცის რაიმე არასწორის გაკეთება
• ზოგი ამას აკეთებს და ზუსტად იცის, რას აკეთებს ML/DL-ის გაწურვის ან დოპინგისთვის
• სპორტული მოედნისაგან განსხვავებით, ძალიან ცოტაა ფორმალური სტანდარტიზებული სტანდარტიზებული ამ ტიპის საკითხების „ტესტირება ან გამოვლენა“ თანამედროვე ML/DL-სთვის.
• ამის არასასურველი შედეგები შეიძლება მნიშვნელოვნად განსხვავდებოდეს ML/DL-ის ხასიათის მიხედვით (მაგ., AI თამაშობს ქამებს, ხელოვნური ინტელექტი თვითმართვადი მანქანის მართვა).
• ზოგიერთი ამტკიცებს, რომ ამ ქმედებებში არსებითად არასათანადო არაფერია
• განმარტებები იმის შესახებ, თუ რა არის ან არ არის ML/DL წვნიანი ან დოპინგი, არის მთელ რუკაზე
• AI Ethics ებრძვის იმას, თუ როგორ უნდა გაუმკლავდეს ვითომ განვითარებად ტენდენციას

მსურს ამ თემაზე კიდევ ერთი გადახვევის გარკვევა. გთხოვ, მოითმინო ეს. რატომღაც, ზოგიერთი სრულიად არასწორად აღიქვამს ამ საკითხს და უცნაურად აზროვნებს, რომ ხელოვნური ინტელექტის დეველოპერები თავად იღებენ ეფექტურობის გამაძლიერებელ წამლებს და, შესაბამისად, ეს არის დისკუსია ადამიანებზე, რომლებიც თავად აკეთებენ წვენსა და დოპინგს.

ეს, როგორც წესი, ცოტათი ეცინება ხელოვნური ინტელექტის რამდენიმე დეველოპერისგან.

უხვად გასაგებად რომ ვთქვათ, ეს არ არის ის, რასაც მე ვგულისხმობ. მე აშკარად და მხოლოდ ორიენტირებული ვარ თვით ხელოვნური ინტელექტის ეგრეთ წოდებულ წვენსა და დოპინგზე და არა იმ ადამიანებზე, რომლებიც ქმნიან ხელოვნურ ინტელექტს. როგორც ითქვა, მე არ ვამბობ, რომ არ არის შესაძლებელი, რომ არსებობენ ხელოვნური ინტელექტის დეველოპერები, რომლებიც როგორღაც აირჩიონ ეფექტურობის გამაძლიერებელი წამლების მიღება ნებისმიერი მიზეზის გამო, რაც არ უნდა აირჩიონ ამის გაკეთება. საეჭვოა, რომ არსებობდეს სრულიად შესაფერისი სპორტული ანალოგი, რომელიც შედარებულია ხელოვნური ინტელექტის დეველოპერების ქმედებებთან, რომ შესაძლოა გადაწყვიტოს ეფექტურობის გამაძლიერებელი უკანონო ნარკოტიკების მიღება, მაგრამ ამას ვუტოვებ სხვა მკვლევარებს, რომლებსაც შეუძლიათ ამ სფეროს შესწავლა. მე უბრალოდ ვიტყოდი, რომ ნებისმიერი მიზეზის გამო ეფექტურობის გამაძლიერებელი წამლის მიღება, რა თქმა უნდა, არ არის გონივრული და შეიძლება იყოს არალეგალური, არაეთიკური და უკიდურესად გაუაზრებელი.

მე მჯერა, რომ ეს ხელს უწყობს საგნების გასწორებას.

სანამ ხორცსა და კარტოფილს კიდევ ერთხელ შევეხებით ხელოვნური ინტელექტის გამოწურვისა და დოპინგის შესახებ, მოდით დავადგინოთ რამდენიმე დამატებითი საფუძვლები ღრმად განუყოფელ თემებზე. ჩვენ უნდა ჩავუღრმავდეთ AI ეთიკისა და ML/DL ასპარეზს, რათა სათანადოდ დავაყენოთ სცენა.

შეიძლება ბუნდოვნად იცოდეთ, რომ ერთ-ერთი ყველაზე ხმამაღალი ხმა ამ დღეებში ხელოვნური ინტელექტის სფეროში და თვით ხელოვნური ინტელექტის სფეროს მიღმაც კი მოიცავს ეთიკური ხელოვნური ინტელექტის უფრო გარეგნობის მოთხოვნას. მოდით გადავხედოთ რას ნიშნავს AI ეთიკასა და ეთიკურ AI-ზე მითითება. ამის გარდა, ჩვენ განვიხილავთ რას ვგულისხმობ, როდესაც ვსაუბრობ მანქანურ სწავლასა და ღრმა სწავლებაზე.

ხელოვნური ინტელექტის ეთიკის ერთი კონკრეტული სეგმენტი ან ნაწილი, რომელიც მედიის დიდ ყურადღებას იპყრობს, შედგება ხელოვნური ინტელექტისგან, რომელიც ავლენს არასასურველ მიკერძოებას და უთანასწორობას. შეიძლება იცოდეთ, რომ როდესაც ხელოვნური ინტელექტის უახლესი ეპოქა დაიწყო, ენთუზიაზმის დიდი აფეთქება იყო იმისთვის, რასაც ახლა ზოგიერთი უწოდებენ. AI კარგით. სამწუხაროდ, ამ მღელვარე მღელვარების შემდეგ ჩვენ დავიწყეთ მოწმეები AI ცუდად. მაგალითად, AI-ზე დაფუძნებული სახის ამოცნობის სხვადასხვა სისტემა გამოვლინდა, რომ შეიცავს რასობრივ მიკერძოებას და გენდერულ მიკერძოებას, რაც მე განვიხილეთ ბმული აქ.

წინააღმდეგ ბრძოლის მცდელობები AI ცუდად აქტიურად მიმდინარეობს. გარდა ხმოვანი იურიდიული არასწორი ქმედებების შეკავების სწრაფვა, ასევე არსებობს არსებითი ბიძგი ხელოვნური ინტელექტის ეთიკის ათვისებისკენ, რათა გამოსწორდეს ხელოვნური ინტელექტის სისასტიკე. აზრი არის ის, რომ ჩვენ უნდა მივიღოთ და დავამტკიცოთ ეთიკური ხელოვნური ინტელექტის ძირითადი პრინციპები ინტელექტუალური ინტელექტის განვითარებისა და რეალიზაციისთვის. AI ცუდად და ამავდროულად სასურველის მაცნე და ხელშეწყობა AI კარგით.

ამასთან დაკავშირებით, მე ვარ მომხრე, რომ ვცდილობ AI გამოვიყენო, როგორც ხელოვნური ინტელექტის პრობლემების გადაწყვეტის ნაწილი, ცეცხლთან ბრძოლა ამ აზროვნების წესით. ჩვენ შეიძლება, მაგალითად, ეთიკური ხელოვნური ინტელექტის კომპონენტები ჩავრთოთ ხელოვნური ინტელექტის სისტემაში, რომელიც მონიტორინგს გაუწევს, თუ როგორ აკეთებს სხვა ხელოვნური ინტელექტი და ამით რეალურ დროში პოტენციურად დაიჭერს ნებისმიერ დისკრიმინაციულ ძალისხმევას, იხილეთ ჩემი განხილვა აქ. ბმული აქ. ჩვენ ასევე შეიძლება გვქონდეს ცალკეული AI სისტემა, რომელიც მოქმედებს როგორც AI ეთიკის მონიტორის ტიპი. ხელოვნური ინტელექტის სისტემა ემსახურება როგორც ზედამხედველს, რათა თვალყური ადევნოს და აღმოაჩინოს, როდესაც სხვა ხელოვნური ინტელექტი მიდის არაეთიკურ უფსკრულში (იხილეთ ასეთი შესაძლებლობების ჩემი ანალიზი: ბმული აქ).

ცოტა ხანში მე გაგიზიარებთ რამდენიმე ყოვლისმომცველ პრინციპს, რომელიც საფუძვლად უდევს AI ეთიკას. უამრავი ასეთი სახის სია ტრიალებს აქეთ-იქით. შეიძლება ითქვას, რომ ჯერ კიდევ არ არსებობს უნივერსალური მიმართვისა და თანხმობის ერთიანი სია. ეს არის სამწუხარო ამბავი. კარგი ამბავი ის არის, რომ სულ მცირე, არსებობს AI ეთიკის სიები და ისინი საკმაოდ მსგავსია. ყოველივე ამის შემდეგ, ეს იმაზე მეტყველებს, რომ რაიმე სახის დასაბუთებული კონვერგენციით ჩვენ ვპოულობთ გზას ზოგადი საერთოობისკენ, რისგან შედგება AI ეთიკა.

პირველ რიგში, მოდი მოკლედ გავაშუქოთ ეთიკური ხელოვნური ინტელექტის ზოგადი პრინციპები იმის საილუსტრაციოდ, თუ რა უნდა იყოს სასიცოცხლოდ მნიშვნელოვანი ყველასთვის, ვინც ამუშავებს, ამუშავებს ან იყენებს AI-ს.

მაგალითად, როგორც ვატიკანის მიერ ნათქვამია რომის მოწოდება AI ეთიკისკენ და როგორც მე ჩავწერე სიღრმისეულად ბმული აქ, ეს არის მათი გამოვლენილი ექვსი ძირითადი AI ეთიკის პრინციპი:

• გამჭვირვალობა: პრინციპში, AI სისტემები უნდა იყოს ახსნილი
• ჩართვა: ყველა ადამიანის მოთხოვნილებები მხედველობაში უნდა იქნეს მიღებული, რათა ყველამ ისარგებლოს და ყველა ინდივიდს შესთავაზოს საუკეთესო პირობები საკუთარი თავის გამოხატვისა და განვითარებისთვის.
• პასუხისმგებლობა: ვინც შეიმუშავებს და იყენებს ხელოვნური ინტელექტის გამოყენებას, უნდა განაგრძოს პასუხისმგებლობა და გამჭვირვალობა
• მიუკერძოებლობა: ნუ ქმნით და ნუ იმოქმედებთ მიკერძოების მიხედვით, რითაც დაიცავთ სამართლიანობას და ადამიანურ ღირსებას
• საიმედოობა: AI სისტემებს უნდა შეეძლოთ საიმედოდ მუშაობა
• უსაფრთხოება და კონფიდენციალურობა: AI სისტემები უსაფრთხოდ უნდა მუშაობდნენ და პატივს სცემენ მომხმარებლების კონფიდენციალურობას.

როგორც აშშ-ის თავდაცვის დეპარტამენტმა (DoD) განაცხადა მათ ეთიკური პრინციპები ხელოვნური ინტელექტის გამოყენებისათვის და როგორც მე ჩავწერე სიღრმისეულად ბმული აქ, ეს არის მათი ექვსი ძირითადი AI ეთიკის პრინციპი:

• პასუხისმგებელი: DoD-ის პერსონალი განახორციელებს განსჯის და ზრუნვის შესაბამის დონეს, ხოლო პასუხისმგებლობა დარჩება ხელოვნური ინტელექტის შესაძლებლობების განვითარებაზე, განლაგებასა და გამოყენებაზე.
• სამართლიანი: დეპარტამენტი მიიღებს მიზანმიმართულ ზომებს ხელოვნური ინტელექტის შესაძლებლობების გაუთვალისწინებელი მიკერძოების შესამცირებლად.
• მიკვლევადი: დეპარტამენტის AI შესაძლებლობები განვითარდება და განლაგდება ისე, რომ შესაბამისი პერსონალი ფლობდეს ტექნოლოგიის, განვითარების პროცესებისა და ოპერატიული მეთოდების, რომლებიც გამოიყენება ხელოვნური ინტელექტის შესაძლებლობებზე, მათ შორის გამჭვირვალე და აუდიტორული მეთოდოლოგიების, მონაცემთა წყაროების, დიზაინის პროცედურებისა და დოკუმენტაციის შესახებ.
• სანდო: დეპარტამენტის ხელოვნური ინტელექტის შესაძლებლობებს ექნება მკაფიო, კარგად განსაზღვრული გამოყენება და ასეთი შესაძლებლობების უსაფრთხოება, უსაფრთხოება და ეფექტურობა დაექვემდებარება ტესტირებას და გარანტიას განსაზღვრული გამოყენების ფარგლებში მათი მთელი სიცოცხლის ციკლის განმავლობაში.
• მართვადი: დეპარტამენტი შეიმუშავებს და შეიმუშავებს ხელოვნური ინტელექტის შესაძლებლობებს, რათა შეასრულოს მათი განზრახული ფუნქციები, ამასთან ექნება შესაძლებლობა აღმოაჩინოს და თავიდან აიცილოს გაუთვალისწინებელი შედეგები, და გააუქმოს ან გამორთოს განლაგებული სისტემები, რომლებიც აჩვენებენ არასასურველ ქცევას.

მე ასევე განვიხილეთ ხელოვნური ინტელექტის ეთიკის პრინციპების სხვადასხვა კოლექტიური ანალიზი, მათ შორის, მკვლევართა მიერ შემუშავებული ნაკრების გაშუქება, რომლებიც შეისწავლეს და შეაჯამეს მრავალი ეროვნული და საერთაშორისო ხელოვნური ინტელექტის ეთიკის პრინციპების არსი ნაშრომში სახელწოდებით „AI ეთიკის სახელმძღვანელო პრინციპების გლობალური პეიზაჟი“ (გამოქვეყნებულია). in ბუნება), და რომ ჩემი გაშუქება იკვლევს ბმული აქ, რამაც გამოიწვია ეს საკვანძო სია:

• გამჭვირვალობა
• სამართლიანობა და სამართლიანობა
• არა ბოროტმოქმედება
• პასუხისმგებლობა
• Privacy
• კეთილგანწყობა
• თავისუფლება და ავტონომია
• ენდეთ
• მდგრადობა
• ღირსების
• სოლიდარობა

როგორც თქვენ პირდაპირ მიხვდებით, ამ პრინციპების საფუძველში არსებული სპეციფიკის განსაზღვრის მცდელობა შეიძლება ძალიან რთული იყოს. უფრო მეტიც, ამ ფართო პრინციპების გადაქცევის მცდელობა სრულიად ხელშესახებ და საკმარისად დეტალურად გამოსაყენებლად ხელოვნური ხელოვნური ინტელექტის სისტემების შექმნისას ასევე რთულია. ზოგადად ადვილია იმის გარკვევა, თუ რა არის ხელოვნური ინტელექტის ეთიკის პრინციპები და როგორ უნდა დავიცვათ ისინი ზოგადად, მაშინ როცა AI კოდირებაში ბევრად უფრო რთული სიტუაციაა, რომელიც უნდა იყოს ნამდვილი რეზინი, რომელიც ხვდება გზას.

ხელოვნური ინტელექტის ეთიკის პრინციპები უნდა გამოიყენონ ხელოვნური ინტელექტის დეველოპერებმა, მათთან ერთად, რომლებიც მართავენ ხელოვნური ინტელექტის განვითარების მცდელობებს და ისეთებიც კი, რომლებიც საბოლოოდ ამუშავებენ და ასრულებენ AI სისტემებს. ყველა დაინტერესებული მხარე ხელოვნური ინტელექტის განვითარებისა და გამოყენების სასიცოცხლო ციკლის განმავლობაში განიხილება ეთიკური ხელოვნური ინტელექტის უკვე დამკვიდრებული ნორმების დაცვის ფარგლებში. ეს მნიშვნელოვანი მომენტია, რადგან ჩვეულებრივი ვარაუდია, რომ „მხოლოდ კოდირებები“ ან ისინი, რომლებიც აპროგრამებენ AI-ს, ექვემდებარებიან AI ეთიკის ცნებებს. როგორც ადრე აღვნიშნეთ, სოფელს სჭირდება ხელოვნური ინტელექტის შემუშავება და დანერგვა, რისთვისაც მთელი სოფელი უნდა იყოს გათვითცნობიერებული და დაემორჩილოს ხელოვნური ინტელექტის ეთიკის პრინციპებს.

მოდი ასევე დავრწმუნდეთ, რომ ერთსა და იმავე გვერდზე ვართ დღევანდელი AI-ის ბუნების შესახებ.

დღეს არ არსებობს AI, რომელიც მგრძნობიარეა. ჩვენ არ გვაქვს ეს. ჩვენ არ ვიცით შესაძლებელი იქნება თუ არა მგრძნობიარე AI. ვერავინ ვერ იწინასწარმეტყველებს, მივაღწევთ თუ არა მგრძნობიარე ხელოვნურ ინტელექტს, და არც სპონტანურად წარმოიქმნება თუ არა გამოთვლითი შემეცნებითი სუპერნოვას სახით (როგორც წესი, სინგულარობა მოიხსენიება, იხილეთ ჩემი გაშუქება აქ. ბმული აქ).

ხელოვნური ინტელექტის ტიპი, რომელზეც მე ვამახვილებ ყურადღებას, შედგება არა მგრძნობიარე AI-სგან, რომელიც დღეს გვაქვს. თუ გვინდოდა ველური სპეკულირება სენტიმენტალური AI, ეს დისკუსია შეიძლება რადიკალურად განსხვავებული მიმართულებით წავიდეს. მგრძნობიარე AI სავარაუდოდ ადამიანის ხარისხის იქნებოდა. თქვენ უნდა გაითვალისწინოთ, რომ მგრძნობიარე AI არის ადამიანის კოგნიტური ეკვივალენტი. უფრო მეტიც, რადგან ზოგიერთი ვარაუდობს, რომ შესაძლოა გვქონდეს სუპერ ინტელექტუალური AI, საფიქრებელია, რომ ასეთი AI შეიძლება ადამიანებზე ჭკვიანი იყოს (სუპერ ინტელექტუალური AI, როგორც შესაძლებლობის ჩემი შესწავლისთვის, იხ. გაშუქება აქ).

მოდით, ყველაფერი უფრო ახლოს მივიღოთ და განვიხილოთ დღევანდელი გამოთვლითი არა მგრძნობიარე AI.

გააცნობიერეთ, რომ დღევანდელ AI-ს არ შეუძლია „აზროვნება“ ადამიანის აზროვნების ტოლფასად. როდესაც თქვენ ურთიერთობთ Alexa-სთან ან Siri-თან, საუბრის შესაძლებლობები შეიძლება ადამიანური შესაძლებლობების მსგავსი ჩანდეს, მაგრამ რეალობა ის არის, რომ ის არის გამოთვლითი და მოკლებულია ადამიანის შემეცნებას. ხელოვნური ინტელექტის უახლესმა ეპოქამ ფართოდ გამოიყენა მანქანათმცოდნეობა (ML) და ღრმა სწავლება (DL), რომლებიც იყენებენ გამოთვლითი შაბლონების შესაბამისობას. ამან გამოიწვია ხელოვნური ინტელექტის სისტემები, რომლებსაც აქვთ ადამიანის მსგავსი მიდრეკილებების გარეგნობა. იმავდროულად, დღეს არ არსებობს ხელოვნური ინტელექტი, რომელსაც აქვს საღი აზრი და არც ადამიანური აზროვნების ძლიერი შემეცნებითი საოცრება.

ML/DL არის გამოთვლითი ნიმუშის შესატყვისის ფორმა. ჩვეულებრივი მიდგომა არის ის, რომ თქვენ აგროვებთ მონაცემებს გადაწყვეტილების მიღების ამოცანის შესახებ. თქვენ აწვდით მონაცემებს ML/DL კომპიუტერულ მოდელებში. ეს მოდელები ეძებენ მათემატიკური ნიმუშების პოვნას. ასეთი შაბლონების პოვნის შემდეგ, თუ ეს ნაპოვნია, ხელოვნური ინტელექტის სისტემა გამოიყენებს ამ შაბლონებს ახალ მონაცემებთან შეხვედრისას. ახალი მონაცემების წარდგენისას, „ძველ“ ან ისტორიულ მონაცემებზე დაფუძნებული შაბლონები გამოიყენება მიმდინარე გადაწყვეტილების მისაღებად.

ვფიქრობ, შეგიძლიათ გამოიცნოთ საით მიდის ეს. თუ ადამიანები, რომლებიც იღებდნენ გადაწყვეტილებებს, ატარებდნენ არასასურველ მიკერძოებებს, დიდი ალბათობაა, რომ მონაცემები ასახავს ამას დახვეწილი, მაგრამ მნიშვნელოვანი გზებით. მანქანათმცოდნეობის ან ღრმა სწავლების გამოთვლითი ნიმუშის შესატყვისი უბრალოდ შეეცდება მათემატიკურად მიბაძოს მონაცემების შესაბამისად. თავისთავად არ არსებობს საღი აზრის ან ხელოვნური ინტელექტის შემუშავებული მოდელირების სხვა მგრძნობიარე ასპექტები.

გარდა ამისა, ხელოვნური ინტელექტის შემქმნელებმა შესაძლოა ვერც გააცნობიერონ რა ხდება. საიდუმლო მათემატიკა ML/DL-ში შესაძლოა გაართულოს ახლა ფარული მიკერძოებების ამოცნობა. თქვენ სამართლიანად იმედოვნებთ და ელოდებით, რომ AI დეველოპერები შეამოწმებენ პოტენციურად დამარხულ მიკერძოებებს, თუმცა ეს უფრო რთულია, ვიდრე შეიძლება ჩანდეს. არსებობს სოლიდური შანსი იმისა, რომ შედარებით ვრცელი ტესტირების შემთხვევაშიც კი, ML/DL-ის შაბლონის შესატყვისი მოდელების შიგნით მაინც იყოს მიკერძოებულები.

თქვენ შეგიძლიათ გარკვეულწილად გამოიყენოთ ცნობილი ან სამარცხვინო ანდაზა ნაგვის ნაგვის გამოსვლის შესახებ. საქმე იმაშია, რომ ეს უფრო მეტად წააგავს მიკერძოებას, რომელიც მზაკვრულად ჩნდება AI-ში ჩაძირული მიკერძოებების სახით. AI-ის გადაწყვეტილების მიღების ალგორითმი (ADM) აქსიომატიურად იტვირთება უთანასწორობებით.

Არ არის კარგი.

ახლა დავუბრუნდეთ ხელოვნური ინტელექტის წვენების ან დოპინგის თემას.

ბოლო სტატიაში მეცნიერება ჟურნალში, მანქანათმცოდნეობის და ღრმა სწავლების წვნიანი ან დოპინგი წარმოიშვა ხელოვნური ინტელექტის დეველოპერების ძალისხმევის კონტექსტში, რომლებიც ცდილობდნენ მიაღწიონ მაღალი ქულების ML/DL კრიტერიუმებს: „მაღალი ქულების ძიებამ შეიძლება გამოიწვიოს დოპინგის ხელოვნური ინტელექტის ეკვივალენტი. მკვლევარები ხშირად ასწორებენ და ამუშავებენ მოდელებს სპეციალური პროგრამული პარამეტრებით ან ტექნიკით, რომლებიც შეიძლება განსხვავდებოდეს საორიენტაციო სტანდარტების მიხედვით, რის შედეგადაც მოდელის შესრულება არ არის რეპროდუცირებადი რეალურ სამყაროში. უარესი, მკვლევარები მიდრეკილნი არიან აირჩიონ მსგავს ეტალონებს შორის მანამ, სანამ არ იპოვიან, სადაც მათი მოდელი პირველ ადგილზე გამოდის“ (მეცნიერებამეთიუ ჰატსონის "Taught To The Test", 2022 წლის მაისი).

თქვენ შეგიძლიათ შეადაროთ ML/DL საორიენტაციო სიტუაცია, რომელიც გულისხმობს წვენების მიღებას ადრეულ პუნქტებს სპორტულ შეჯიბრებებში გამარჯვების მცდელობის შესახებ ასეთი არასასურველი პრაქტიკის საშუალებით.

ხელოვნური ინტელექტის ასპარეზზე, როგორც ჩანს, კონკურენციაა იმის სანახავად, თუ ვის შეუძლია მიაღწიოს "საუკეთესო" ML/DL მოდელებს. სხვადასხვა საორიენტაციო ნიშნები შეიძლება გამოყენებულ იქნას ML/DL-ის გასაშვებად და იმის გასაზომად, თუ რამდენად კარგად აფასებს ML/DL კრიტერიუმს. ლიდერბორდები და საორიენტაციო შედეგების არაფორმალური გაზიარება ხშირად გამოიყენება იმის გასარკვევად, თუ ვინ მიაღწია უახლეს უმაღლეს პოზიციას მათი ML/DL კონფიგურაციებით. შეიძლება გონივრულად მიგვანიშნოთ, რომ დიდებისა და სიმდიდრის მცირე ნაწილი ელოდება მათ, ვისაც შეუძლია შექმნას ML/DL, რომ იყოს „გამარჯვებული“, როგორც უახლესი და საუკეთესო შემსრულებელი კრიტერიუმებზე.

მაგრამ, ისევე როგორც ნებისმიერი სახის შეჯიბრება, არსებობს გზები, რომ სცადოთ და მოატყუოთ თქვენი ML/DL ისე, რომ ის, როგორც ჩანს, მშვენივრად იმოქმედებს საორიენტაციო ნიშნულზე, მიუხედავად იმისა, რომ ქუდის ქვეშ სნეიკები გამოიყენება. ეს არის კლასიკური კორუფცია, როდესაც მიზნად ისახავს კარგი ქულების მიღებას ტესტისადმი თქვენი მიდგომის დახვეწის გზით, მაშინ როდესაც ზოგადი პრინციპი უნდა იყოს ის, რომ თქვენ ცდილობთ დადგინდეთ საერთო შესრულება.

წარმოიდგინეთ, რომ აძლევთ ტესტს ვინმეს, რომელიც გამიზნულია იმის გასაზომად, რომ მათი საერთო გაგება ვთქვათ ამერიკული ლიტერატურის შესახებ, მაგრამ გამოცდის ჩამბარებელი ხვდება, რომ კითხვები მხოლოდ მარკ ტვენზე იქნება ფოკუსირებული. ამრიგად, გამოცდის ჩამბარებელი მხოლოდ მარკ ტვენის ნამუშევრებს სწავლობს და ტესტში უზომოდ ქულებს იღებს. გამოცდის ჩამბარებელი ამაყად აცხადებს, რომ მათ გაიარეს გამოცდა და, რა თქმა უნდა, ეს არის მთელი ამერიკული ლიტერატურის გონება. სინამდვილეში, მათ უბრალოდ დააფიქსირეს ტესტი და გარკვეული გაგებით მოატყუეს ტესტირების პროცესი.

მე მესმის, რომ ზოგიერთმა შეიძლება მაშინვე აჩვენოს თითი ტესტისკენ და ვინც მოამზადა ტესტი. თუ ტესტის შემქმნელი საკმარისად მკვრივი იყო იმისთვის, რომ გამოცდის მონაწილეებს შეეძლოთ ტესტის ექსპლუატაცია, შეიძლება ამტკიცებდეთ, რომ ეს მთლიანად ტესტის შემქმნელის მხრებზეა და არა გამოცდის ჩამბარებელზე. გამოცდის ჩამბარებელმა გააკეთა ყველაფერი, რაც შეეძლო ტესტისთვის მოსამზადებლად, მათ შორის იმის გარკვევაში, თუ რა უნდა შეესწავლა. ეს არ არის მხოლოდ ერთი შეხედვით დაშვებული, თქვენ შეგიძლიათ მიულოცოთ გამოცდის ჩამბარებელს ტესტის შემქმნელს აჯობა.

ამ ეთიკურ უფსკრულში აღარ წავალ. ასეთ თემაზე იოლად შეგიძლიათ შემოხვიდეთ. მოდით ვთქვათ, რომ ML/DL კრიტერიუმების სულისკვეთება არის ის, რომ ისინი, ვინც იყენებენ ეტალონებს, იმედი აქვთ ან სავარაუდოა, რომ ამას გააკეთებენ სპორტულ დონეზე. ეს შეიძლება ზოგს გულუბრყვილოდ მოეჩვენოს, ზოგისთვის კი ზემოდან და სათანადოდ.

ვიმედოვნებ, რომ თქვენ დაუყოვნებლივ დაინახავთ, თუ როგორ წარმოიქმნება ხელოვნური ინტელექტის ეთიკა და ეთიკური AI მოსაზრებები ასეთ კონტექსტში.

მაგალითად, განვიხილოთ, რომ მოცემული ML/DL ძალიან კარგად მუშაობს კრიტერიუმზე და რომ გაზრდილი ქულის საფუძველი არის AI-ის წვენის მიღება ან დოპინგი. დავუშვათ, რომ „გამარჯვებული“ ML/DL-ის AI დეველოპერები არ აჩვენებენ, რომ მათ მიიღეს AI. ხელოვნური ინტელექტის სხვა დეველოპერები ისმენენ ან კითხულობენ ML/DL შესრულების შედეგებს და აღფრთოვანდებიან AI ML/DL-ში ერთი შეხედვით გარღვევით. მათ სამწუხაროდ არ იციან ხელოვნური ინტელექტის ფარული წვენების ან დოპინგის შესახებ.

ეს აღფრთოვანებული AI დეველოპერები ირჩევენ თავიანთი ძალისხმევის გადატანას ამ კონკრეტული ML/DL-ის სავარაუდო მიდგომებზე, შესაძლებლობების შემდგომი გაფართოების სურვილით. რაღაც მომენტში, შესაძლოა აღმოაჩინონ, რომ კედელს დაეჯახა და მათდა უსიამოვნო გასაკვირად, როგორც ჩანს, ვერსად მიდიან. ეს შეიძლება იყოს საკმაოდ დამაბნეველი და აღმაშფოთებელი. ისინი თვეების ან წლების განმავლობაში შრომობდნენ რაღაცაზე, რასაც ვერც კი აცნობიერებდნენ, რომ დაწყებული იყო. კიდევ ერთხელ, მე მესმის, რომ თქვენ შეიძლება გინდოდეთ დააბრალოთ იმ ახლა უკვე იმედგაცრუებული AI დეველოპერები, რომლებიც აშკარად არ იყვნენ საკმარისად ჭკვიანები, რომ ადრე გამოეყენებინათ წვენების გამოყოფა, მაგრამ მე შემიძლია ვთქვა, რომ ჩვენ შეიძლება ასევე შეშფოთება აღმოვჩნდეთ, რომ იყვნენ წვენსაწურები, რომლებმაც დაიწყეს საქმეები. გზა, დასაწყისისთვის.

ეს ყველაფერი, რა თქმა უნდა, მოგაგონებთ სპორტულ ანალოგიას.

თქვენ გაქვთ გამარჯვების სურვილი, როგორც ჩანს, ნებისმიერ ფასად. ზოგი მიზნად ისახავს გაიმარჯვოს წვენების გარეშე, ზოგი კი სრულად აკეთებს წვენს. მათ, ვინც იყენებდნენ წვენს, შესაძლოა რაციონალიზაცია გაუწიონ აქტივობას, როგორც ლეგიტიმურს. მცდელობა შემცირდეს ან დაიჭიროთ წვენების მიღება, თუმცა სიტუაციის კატა და თაგვის ბუნება ნიშნავს, რომ წვენის მიღება სავარაუდოდ წინ გადადგმული ნაბიჯი იქნება. როდესაც ვინმე წვენს იჭერს, ისინი რისკავს რეპუტაციის უკუშედეგს და სხვა არასასურველ შედეგებს. ისინი მუდმივად აწონასწორებენ აღქმულ უპირატესობებს აღქმულ ხარჯებთან მიმართებაში. Და ასე შემდეგ.

AI ML/DL წვენების დაჭერისას ყველაზე რთული ის არის, რომ წვენების ან დოპინგის განხორციელების უამრავი გზა არსებობს. შეიძლება ვივარაუდოთ, რომ იგივე შეიძლება ითქვას სპორტსა და წვენების მიღებაზე, კერძოდ, რომ მრავალფეროვანი საშუალებები და შესრულების გამაძლიერებლები შეიძლება გამოყენებულ იქნას რადარის ქვეშ დარჩენის მიზნით.

ყოველ შემთხვევაში, აქ არის რამდენიმე ფართო კატეგორია, რომელიც გასათვალისწინებელია AI ML/DL წვენების შეტევებში:

ა) წვენი მანქანათმცოდნეობის და ღრმა სწავლების დიზაინის ეტაპზე

ბ) ამოიღეთ მონაცემები, რომლებიც გამოიყენება ML/DL-ის მოსამზადებლად

გ) ML/DL მოდელის წვენი

დ) ML/DL გამომავალი წვნიანი

ე) გააკეთეთ ზემოთ ჩამოთვლილი ორიდან რომელიმე კომბინაციაში

ვ) შეასრულეთ ზემოთ ჩამოთვლილი სამიდან რომელიმე კომბინაციაში

ზ) შეასრულეთ ყოველივე ზემოთქმული

მე ფართოდ გავაშუქე ML/DL საუკეთესო პრაქტიკის გამოყენება და ასევე წინასწარ გავაფრთხილე ჩემს სვეტებში ML/DL პრაქტიკის არასასიამოვნო გამოყენების შესახებ. გთხოვთ, გადახედოთ, თუ გსურთ დამატებითი დეტალები.

როგორც გემოვნება, მოდით მოკლედ განვიხილოთ წვენების სახეობა, რომელიც შეიძლება მოხდეს იმ მონაცემების მეშვეობით, რომლებიც გამოიყენება ML/DL-ის ვარჯიშისთვის. ჩვეულებრივი წესი არის ის, რომ თქვენ ინახავთ თქვენი ტრენინგის ზოგიერთ მონაცემს თქვენი ML/DL მოდელის შესამოწმებლად. ჩვეულებრივი რეკომენდაციაა 80/20 წესის გამოყენება. თქვენ იყენებთ თქვენი მონაცემების დაახლოებით 80%-ს ML/DL-ის ვარჯიშისთვის. დარჩენილი 20% გამოიყენება ML/DL-ის შესამოწმებლად. ვიმედოვნებთ, რომ 20% სხვა 80%-ის შედარებით წარმომადგენლობითია და თქვენ უბრალოდ შემთხვევით აირჩევთ, რომელია თქვენი ტრენინგის მონაცემები სავარჯიშო კომპლექტში და რომელია ტესტირების კომპლექტში.

აშკარად ჩანს.

ახლა ჩვენ გავაკეთებთ წვენების ან დოპინგს:

• მოტყუებით ასახეთ თქვენი ტრენინგის მონაცემები და ტესტირების მონაცემები. ერთ-ერთი საშუალება იქნება თქვენი მონაცემების გულდასმით შესწავლა და მიზანმიმართულად დარწმუნდეთ, რომ 80% და 20% იდეალურად შეესაბამება. თქვენ შემთხვევით არ ყოფთ მონაცემებს. ამის ნაცვლად, თქვენ აკეთებთ საიდუმლო შერჩევას, რათა მიიღოთ 80% და 20% ერთმანეთის მსგავსი. ეს გამიზნულია იმისათვის, რომ თქვენი ტესტირება გამოვიდეს არაჩვეულებრივად კარგი. არსებითად, თუ თქვენი ML/DL კარგად მუშაობს 80%-ზე, თითქმის გარანტირებულია, რომ 20%-ზეც კარგად იქნება. ამის გაკეთება არ არის საქმის სულისკვეთებით, რადგან თქვენ პოტენციურად იტყუებით საკუთარ თავს (და სხვებს) და სჯერათ, რომ ML/DL-მა გამოთვლით შესანიშნავად შეასრულა განზოგადება. შეიძლება არ ჰქონდეს.
• შეცვალეთ ტესტის მონაცემები. თქვენი ML/DL მონაცემთა დამუშავების კიდევ ერთი გზაა ტრენინგის მონაცემების ისე გაყოფა, რომ ვთქვათ თქვენი მონაცემების 95%, ხოლო შენახული ტესტირების მონაცემები მხოლოდ 5%. ეს, სავარაუდოდ, გაზრდის თქვენს შანსს, რომ უმნიშვნელო 5%-ში არაფერია, რაც შეამცირებს ML/DL შესრულებას. ძალიან ცოტა ადამიანი ოდესმე იკითხავს, ​​თუ რამდენი თქვენი მონაცემები იქნა გამოყენებული ტრენინგისთვის ტესტირების წინააღმდეგ. მათ არ იციან ამ კითხვის დასმა ან ჩავთვალოთ, რომ რაც თქვენ გააკეთეთ იყო სწორი გზა.
• წინასწარ მოიშორეთ გარე ნიშნები. თქვენი ML/DL-ის მოცილების ან დოპინგის მზაკვრული საშუალება გულისხმობს თქვენს მონაცემებში არსებული ამოუწურავი მნიშვნელობების შესახებ მოტყუებას. სანამ თქვენს რომელიმე მონაცემს შეიტანეთ დამწყებ ML/DL-ში, თქვენ ჯერ შეისწავლით მონაცემებს. ეს არის გონივრული ნაბიჯი და რეკომენდირებულია, რადგან თქვენ უნდა გაეცნოთ თქვენს მონაცემებს, სანამ მათ ML/DL-ში ჩასვით. როგორც ითქვა, აქ არის ხრიკი, რომლის გამოყენებაც შესაძლებელია. თქვენ აღმოაჩენთ მონაცემებში რაიმე გამონაკლისს და გადააგდებთ მათ. ეს ჩვეულებრივ დაეხმარება ML/DL-ის მათემატიკას, როდესაც ის ცდილობს გამოთვლითი შაბლონების პოვნას. გარე ნიშნები, როგორც წესი, რთულია, თუმცა ისინი ხშირად გადამწყვეტია და შეუძლიათ ბევრი რამ თქვან მონაცემთა ბუნებაზე და რისი მოდელირებასაც ცდილობთ. გარედან ბრმად ამოკვეთით, თქვენ აუცილებლად გამოტოვებთ რაღაცას, რამაც შეიძლება შექმნას ან დაარღვიოს რეალობა იმისა, რისი გაკეთებაც ML/DL-ს უნდა შეეძლოს. უკეთესი პრაქტიკაა ყურადღების მიქცევა უკიდეგანო ფაქტორებზე და განიხილავენ, თუ როგორ უნდა ვებრძოლოთ მათ, ვიდრე მოკლედ გამორიცხოთ ისინი მონაცემთა ნაკრებიდან.
• საერთოდ არ გაიკეთო ტესტირება. წვენების ან დოპინგის უფრო აღმაშფოთებელი აქტი გულისხმობს საერთოდ არ გაიკეთო ტესტირება. თქვენ იყენებთ თქვენს ყველა მონაცემს ტრენინგისთვის. თუ ყველაფერი კარგად გამოიყურება, ხელებს ჰაერში ატრიალებთ და აცხადებთ, რომ ML/DL კარგია. ამ თვალსაზრისით, თქვენ იყენებთ 100/0 ცერის წესს, კერძოდ, მონაცემების 100%-ს ვარჯიშისთვის და 0%-ს ტესტირებისთვის. ვფიქრობ, თქვენ შეიძლება შოკირებული იყოთ, რომ ვინმე ამას გააკეთებს. ისე, ზოგი იმდენად დარწმუნებულია ტრენინგის შედეგებში, რომ გრძნობს, რომ ტესტირება არ არის საჭირო. ან ისინი ჩქარობენ და არ აქვთ დრო, რომ გაუმკლავდნენ ამ "მომაბეზრებელ" ტესტირებას. თქვენ მიიღებთ სურათს.

ადრე აღვნიშნე, რომ ხელოვნური ინტელექტის გამოწურვა ან დოპინგი შეიძლება იყოს გარკვეულწილად არათანმიმდევრული, თუ თვით ხელოვნური ინტელექტის ბუნება არ არის განსაკუთრებით მნიშვნელოვანი, მაშინ როდესაც სხვა პარამეტრები შეიძლება მოიცავდეს ხელოვნურ ინტელექტის ხელმძღვანელობით სიკვდილ-სიცოცხლის შედეგებს და, შესაბამისად, წვენის მიღება საშინლად სუსტი რგოლია და მძიმე განწირვის პოტენციური წინამძღვარი.

ამ მძიმე დისკუსიის ამ ეტაპზე, მე დადებს დადებს, რომ თქვენ გსურთ რამდენიმე საილუსტრაციო მაგალითი, რომელიც შეიძლება აჩვენოს ეს თემა. არსებობს მაგალითების განსაკუთრებული და ნამდვილად პოპულარული ნაკრები, რომელიც გულთან ახლოსაა. ხედავთ, ჩემი, როგორც ხელოვნური ინტელექტის ექსპერტის, ეთიკური და სამართლებრივი შედეგების ჩათვლით, მე ხშირად მთხოვენ განვსაზღვრო რეალისტური მაგალითები, რომლებიც ასახავს AI ეთიკის დილემებს, რათა თემის გარკვეულწილად თეორიული ბუნება უფრო ადვილად გავიგოთ. ერთ-ერთი ყველაზე ამაღელვებელი სფერო, რომელიც ნათლად წარმოაჩენს ამ ეთიკური ხელოვნური ინტელექტის პრობლემას, არის AI-ზე დაფუძნებული ნამდვილი თვითმართვადი მანქანების გამოჩენა. ეს იქნება მოსახერხებელი გამოყენების შემთხვევა ან მაგალითი თემაზე საკმაო განხილვისთვის.

აქ არის საყურადღებო კითხვა, რომლის განხილვაც ღირს: ხელოვნური ინტელექტის საფუძველზე დაფუძნებული ნამდვილი თვითმართვადი მანქანების გამოჩენა რაიმეს ნათელს ხდის ხელოვნური ინტელექტის გამორთვის ან დოპინგის შესახებ და თუ ასეა, რას აჩვენებს ეს?

ნება მომეცით ერთი წუთით ამოხსნა კითხვა.

პირველი, გაითვალისწინეთ, რომ ნამდვილ თვითმართველ მანქანაში არ არის ადამიანი მძღოლი ჩართული. გაითვალისწინეთ, რომ ნამდვილი თვითმართვადი მანქანები მართავენ AI მართვის სისტემის მეშვეობით. არ არის საჭირო ადამიანის მძღოლი საჭესთან და არც არის დებულება, რომ ადამიანი მართოს მანქანა. ავტონომიური მანქანების (AVs) და განსაკუთრებით თვითმართვადი მანქანების ჩემი ვრცელი და მუდმივი გაშუქებისთვის იხ. ბმული აქ.

მსურს კიდევ უფრო განვმარტო, რა იგულისხმება, როდესაც ვგულისხმობ ნამდვილ თვითმართველ მანქანებს.

თვითმართვადი მანქანების დონის გააზრება

დაზუსტების მიზნით, ნამდვილი თვითმართვადი მანქანებია ის მანქანები, სადაც AI მართავს მანქანას მთლიანად დამოუკიდებლად და არ არის ადამიანის დახმარება მართვის ამოცანის შესრულებისას.

ეს უმართავი მანქანები განიხილება დონე 4 და დონე 5 (იხილეთ ჩემი ახსნა ეს ბმული აქ), ხოლო მანქანა, რომელიც მოითხოვს ადამიანის მძღოლს მართვის ძალისხმევის ერთობლივად გაზიარებას, ჩვეულებრივ განიხილება მე-2 ან მე-3 დონეზე. მანქანები, რომლებიც ერთობლივად იზიარებენ მართვის ამოცანას, აღწერილია, როგორც ნახევრად ავტონომიური და, როგორც წესი, შეიცავს სხვადასხვა ავტომატური დანამატები, რომლებსაც მოიხსენიებენ როგორც ADAS (Advanced Driver-Assistance Systems).

მე-5 დონეზე ჯერ არ არის ნამდვილი თვითმართვადი მანქანა და ჩვენ ჯერ არ ვიცით, იქნება თუ არა ამის მიღწევა და არც რამდენი დრო დასჭირდება იქ მისასვლელად.

იმავდროულად, მე-4 დონის მცდელობები თანდათან ცდილობს მიაღწიოს გარკვეულ ტენდენციებს ძალიან ვიწრო და შერჩევითი საჯარო გზის გამოცდების გავლის გზით, თუმცა არსებობს კამათი იმის შესახებ, დაშვებული უნდა იყოს თუ არა ეს ტესტირება თავისთავად (ჩვენ ყველანი ვართ სიცოცხლისა და სიკვდილის ზღვის გოჭები ექსპერიმენტში. ზოგიერთი ამტკიცებს, რომ მიმდინარეობს ჩვენს მაგისტრალებზე და სხვა უბნებზე, იხილეთ ჩემი გაშუქება ეს ბმული აქ).

იმის გამო, რომ ნახევრად ავტონომიური მანქანები მოითხოვს ადამიანის მძღოლს, ამ ტიპის მანქანების მიღება მნიშვნელოვნად არ განსხვავდება, ვიდრე ჩვეულებრივი ავტომობილების მართვა, ასე რომ, ამ საკითხზე მათ შესახებ გაშუქება არც ისე ბევრია (თუმცა, როგორც ხედავთ ერთ წამში, შემდეგი პოზიციები ზოგადად მოქმედებს).

ნახევრად ავტონომიური მანქანებისთვის, მნიშვნელოვანია, რომ საზოგადოებამ წინასწარ უნდა გააფრთხილოს იმ შემაშფოთებელი ასპექტის შესახებ, რომელიც ბოლო დროს წარმოიქმნა, კერძოდ, რომ მიუხედავად იმ ადამიანთა მძღოლებისა, რომლებიც მუდმივად ავრცელებენ ვიდეოს განთავსებას, იძინებენ Level 2 ან Level 3 მანქანის საჭესთან. ჩვენ ყველამ უნდა ავარიდოთ შეცდომაში ყოფნას იმის მჯერა, რომ მძღოლს შეუძლია ნახევრად ავტონომიური მანქანის მართვის დროს, ყურადღება მიაქციოს მართვის ამოცანას.

თქვენ ხართ პასუხისმგებელი მხარე სატრანსპორტო საშუალების მართვის მოქმედებებისათვის, იმისდა მიუხედავად, თუ რამდენი ავტომატიზაცია შეიძლება მოხვდეს დონის 2 ან 3 დონეზე.

თვითმართვადი მანქანები და წვნიანი ან AI-ის დოპინგი

მე -4 და მე -5 დონის ჭეშმარიტი მართვის მოწმობისთვის, მართვის მოვალეობის შემსრულებელი ადამიანი ვერ იქნება.

ყველა ოკუპანტი მგზავრი იქნება.

AI აკეთებს მართვას.

დაუყოვნებლივ განხილვის ერთი ასპექტი გულისხმობს იმ ფაქტს, რომ AI დღეს ჩართული AI მართვის სისტემებში არ არის მგრძნობიარე. სხვა სიტყვებით რომ ვთქვათ, AI არის კომპიუტერზე დაფუძნებული პროგრამირებისა და ალგორითმების ერთობლიობა, და, რა თქმა უნდა, არ შეუძლია მსჯელობა ისე, როგორც ადამიანს შეუძლია.

რატომ არის ეს დამატებითი აქცენტი AI არ არის სენტიმენტალური?

იმის გამო, რომ მსურს ხაზი გავუსვა, რომ AI მართვის სისტემის როლზე მსჯელობისას, მე არ ვუწერ AI თვისებებს ადამიანის თვისებებს. გთხოვთ გაითვალისწინოთ, რომ ამ დღეებში არსებობს მუდმივი და საშიში ტენდენცია AI– ს ანტროპომორფირებისაკენ. სინამდვილეში, ადამიანები ადამიანის მსგავს გრძნობებს ანიჭებენ დღევანდელ AI- ს, მიუხედავად უდაო და დაუსაბუთებელი ფაქტისა, რომ ასეთი AI ჯერ არ არსებობს.

ამ დაზუსტებით შეგიძლიათ წარმოიდგინოთ, რომ AI მამოძრავებელი სისტემა არ იცის როგორმე "იცოდეს" მართვის ასპექტების შესახებ. მართვის მოწმობა და ყველაფერი, რაც მას მოყვება, უნდა იყოს დაპროგრამებული, როგორც თვითმართვადი მანქანის ტექნიკა და პროგრამული უზრუნველყოფა.

მოდით ჩავუღრმავდეთ უამრავ ასპექტს, რომლებიც ამ თემას ეხება.

პირველ რიგში, მნიშვნელოვანია გვესმოდეს, რომ ხელოვნური ინტელექტის მქონე ყველა მანქანა ერთნაირი არ არის. თითოეული ავტომწარმოებელი და თვითმართვადი ტექნოლოგიური ფირმა იყენებს თავის მიდგომას თვითმართვადი მანქანების შემუშავებასთან დაკავშირებით. როგორც ასეთი, ძნელია ყოვლისმომცველი განცხადებების გაკეთება იმის შესახებ, თუ რას გააკეთებენ ან არ გააკეთებენ AI მართვის სისტემები.

გარდა ამისა, როდესაც ნათქვამია, რომ ხელოვნური ინტელექტის მართვის სისტემა არ აკეთებს რაიმე განსაკუთრებულს, ამას შემდგომში შეიძლება გადალახოს დეველოპერები, რომლებიც ფაქტობრივად პროგრამირებენ კომპიუტერს ამის გასაკეთებლად. ეტაპობრივად, AI მართვის სისტემები თანდათან იხვეწება და ვრცელდება. არსებული შეზღუდვა დღეს შეიძლება აღარ არსებობდეს სისტემის მომავალ გამეორებაში ან ვერსიაში.

ვიმედოვნებ, რომ ეს უზრუნველყოფს საკმარის უამრავ სიფრთხილეს, რომ ემყარებოდეს იმას, რასაც მე ვაპირებ.

ჩვენ დავიწყებთ შექებით ML/DL-ის გამოყენებას AI-ზე დაფუძნებული თვითმართვადი მანქანების წარმოების სფეროში. თვითმართვადი მანქანების რამდენიმე ძირითადი ასპექტი განხორციელდა მანქანური სწავლისა და ღრმა სწავლების გამოყენების შედეგად. მაგალითად, განიხილეთ ძირითადი მოთხოვნა, რომ იპოვოთ და გაანალიზოთ მამოძრავებელი სცენა, რომელიც გარს აკრავს AI-ზე დაფუძნებულ თვითმართველ მანქანას.

თქვენ უდავოდ შეამჩნიეთ, რომ თვითმართვადი მანქანების უმეტესობას ავტონომიურ მანქანაზე დამონტაჟებულია უამრავი სენსორი. ეს ხშირად კეთდება თვითმართვადი მანქანის სახურავზე. სენსორული მოწყობილობები, როგორიცაა ვიდეო კამერები, LIDAR-ის დანადგარები, რადარის დანადგარები, ულტრაბგერითი დეტექტორები და მსგავსი მოწყობილობები, როგორც წესი, მოთავსებულია სახურავის თაროზე ან შესაძლოა დამაგრებული იყოს მანქანის ზედა ან მანქანის გვერდებზე. სენსორების მასივი მიზნად ისახავს ელექტრონულად შეაგროვოს მონაცემები, რომლებიც შეიძლება გამოყენებულ იქნას იმის გასარკვევად, თუ რა არის მართვის სცენაზე.

სენსორები აგროვებენ მონაცემებს და ციფრულ მონაცემებს აწვდიან ბორტ კომპიუტერებს. ეს კომპიუტერები შეიძლება იყოს ზოგადი დანიშნულების გამოთვლითი პროცესორებისა და სპეციალიზებული პროცესორების კომბინაცია, რომლებიც სპეციალურად შექმნილია სენსორული მონაცემების გასაანალიზებლად. ზოგადად, სენსორული მონაცემების გამოთვლითი ანალიზის უმეტესობას ახორციელებს ML/DL, რომელიც შექმნილია ამ მიზნით და მუშაობს მანქანის საბორტო გამოთვლით პლატფორმებზე. ჩემი დეტალური ახსნა-განმარტებისთვის, თუ როგორ მუშაობს ეს, იხილეთ ბმული აქ მდე ბმული აქ, უბრალოდ ასახელებს რამდენიმე.

ML/DL გამოთვლებით ცდილობს მოძებნოს ისეთი ნიმუშები მონაცემებში, როგორიცაა სად არის გზის სავალი ნაწილი, სად არიან ფეხით მოსიარულეები, სად არიან სხვა ახლომდებარე მანქანები და ა.შ. ეს ყველაფერი გადამწყვეტია იმისთვის, რომ შეძლოთ თვითმართვადი მანქანის წინსვლა. თუ ML/DL არ ახორციელებს მართვის სცენის ანალიზს, თვითმართვადი მანქანა არსებითად ბრმა იქნება ავტონომიური მანქანის ირგვლივ არსებულის შესახებ.

მოკლედ, შეგიძლიათ მარტივად დაასაბუთოთ, რომ ML/DL-ის გამოყენება აუცილებელია ხელოვნური ინტელექტის საფუძველზე დაფუძნებული თვითმართვადი მანქანების წარმოქმნისთვის.

შეგიძლიათ თუ არა ML/DL-ის დოპინგის გაკეთება, რომელიც ეხება AI-ზე დაფუძნებულ თვითმართველ მანქანებს?

აბსოლუტურად.

ჩვენ შეგვიძლია ადვილად მოვიყვანოთ წვენის მიღების ან დოპინგის ადრე გამოთქმული მაგალითები, როდესაც საქმე ეხება ML/DL ფორმულირებების მონაცემთა ასპექტებს. გაითვალისწინეთ, რომ ML/DL, რომელიც გამოიყენება ფეხით მოსიარულეთა, მანქანებისა და გზის სხვა ობიექტების სკანირებისთვის, სავარაუდოდ პირველად იყო გაწვრთნილი მართვის სცენების სხვადასხვა მონაცემთა ნაკრების შესახებ. ML/DL-ის ეს ტრენინგი ხელს უწყობს ხელოვნური ინტელექტის მართვის სისტემას, რომელსაც შეუძლია სწორად და უსაფრთხოდ ნავიგაცია ქუჩებში, ხოლო ავტონომიური მანქანის მართვის მართვისას.

აი, რისი გაკეთება შეუძლია წვნიანი ან დოპინგის მცდელობამ შეუმჩნევლად:

• მოტყუებით ასახეთ თქვენი ტრენინგის მონაცემები და ტესტირების მონაცემები. თქვენ აგროვებთ მონაცემთა ბაზას, რომელიც გამოიყენება ML/DL-ის მოსამზადებლად გზის ობიექტებზე და მიზანმიმართულად ასწორებთ სასწავლო ნაწილსა და ტესტირების ნაწილს. თქვენ იცავთ ცერის წესს მონაცემების 80%-ად დაყოფის შესახებ ტრენინგისთვის და 20%-ად ტესტირებისთვის, რაც, შესაბამისად, სწორი მიდგომაა. წვნიანი არის ის, რომ თქვენ გადაადგილდებით მონაცემების გარშემო, რათა დარწმუნდეთ, რომ 80% და 20% საოცრად მსგავსია. თქვენ აწყობთ გემბანს იმ ML/DL-ის სასარგებლოდ, რასაც მოიფიქრებთ ვარჯიშის დროს.
• შეცვალეთ ტესტის მონაცემები. თქვენ ყოფთ ტრენინგის მონაცემებს მთლიანი მონაცემთა 95%-ზე და ჩადებთ მხოლოდ 5%-ს ტესტირების მონაცემთა ნაწილში. როდესაც ტესტირება ჩატარდება, აღმოჩნდება, რომ თქვენ შეამცირეთ შანსები, რომ ML/DL არ გამოიყურებოდეს კარგად.
• წინასწარ მოიშორეთ გარე ნიშნები. თავიდანვე მონაცემების შესწავლისას აღმოაჩენთ, რომ არის ბილბორდების შემთხვევები, რომლებზეც ადამიანების სურათებია გამოსახული. თქვენ შეშფოთებულნი ხართ, რომ ეს დააბნევს თქვენს ML/DL-ს, ამიტომ თქვენ ამოიღებთ ამ სურათებს ან ვიდეოებს თქვენი მონაცემთა ნაკრებიდან. ტრენინგისა და ტესტირების დასრულების შემდეგ, თქვენ აცხადებთ, რომ თქვენი ML/DL მზად არის გამოსაყენებლად ველურში. სამწუხაროდ, რაღაც მომენტში, აუცილებლად იქნება სიტუაცია, როდესაც თვითმართვადი მანქანა მიდის ქუჩაში ან გზატკეცილზე და მასზე არის ბილბორდი ხალხის სურათებით. თქვენ არ იცით, როგორ რეაგირებს თქვენი ML/DL. შესაძლოა, ML/DL აფრთხილებს, რომ ფეხით მოსიარულეები ახლოს არიან და შედეგად, ხელოვნური ინტელექტის მართვის სისტემა უეცრად მუხრუჭებს ურტყამს, რაც აიძულებს სხვა ახლომახლო ადამიანთა მართულ მანქანებს დაეჯახათ თვითმართველ მანქანას ან გადავიდნენ გზიდან, რათა თავიდან აიცილონ შეჯახება.
• საერთოდ არ გაიკეთო ტესტირება. თქვენ ჩქარობთ ML/DL დაყენების მიღებას. შესაძლოა თვითმმართველმა ფირმამ დაადგინა თარიღი, რომელიც ამბობს, როდის აპირებს თვითმართვადი მანქანა მნიშვნელოვან საჯარო დემონსტრაციას. თქვენ არ გაქვთ ბევრი დრო, რომ გააკეთოთ საქმეები სწორად. ამგვარად, თქვენ ინახავთ თითებს და იყენებთ ყველა მონაცემს ვარჯიშისთვის. თქვენ საერთოდ არ აკეთებთ ტესტირებას. თქვენ გაქვთ შვების გრძნობა, რომ თქვენ შეძელით მითითებული ვადის დაცვა. რა თქმა უნდა, ის, რაც შემდეგ მოხდება გზაზე, შეიძლება იყოს უბედურება.

დასკვნა

ზოგადად, თვითმართვადი მანქანების კეთილსინდისიერი მწარმოებლები საკმაოდ ფრთხილები არიან კუთხის მოჭრისა და რისკების გატარების კუთხით, წვნიანი ან დოპინგის ქმედებების შესრულებით მათ მზარდ AI მართვის სისტემებში. როგორც წესი, არსებობს უამრავი შემოწმებისა და ბალანსის მცდელობა, რომ გამოავლინოს და გამოასწოროს ნებისმიერი ასეთი ქმედება. გარდა ამისა, ბევრმა ფირმამ ჩამოაყალიბა გარკვეულწილად მკაცრი ხელოვნური ინტელექტის ეთიკის პრინციპები და გაფრთხილების მექანიზმები, რათა სცადონ და ადრეულად დაიჭირონ ნებისმიერი გადაცურება ან ხელშეუხებლობა, რაც შეიძლება მოხდეს, იხილეთ ჩემი გაშუქება აქ. ბმული აქ.

ზოგიერთმა მცდელობამ, რომ აეწყო ხელოვნური ინტელექტის თვითმართვადი მანქანები, სიფრთხილე გამოიჩინა. ისინი თავხედურად იღებენ ნებისმიერ მალსახმობებს, რისი ფიქრიც შეუძლიათ. გარდა ამისა, ისინი მცირე რაოდენობით დებენ ორმაგი შემოწმებას ან ცდილობენ შეაჩერონ ნებისმიერი წვენის მიღება ან დოპინგი. ზოგიერთი კი იყენებს დამაჯერებლობის უარყოფის კლასიკას, უბრალოდ ავალებს თავის AI დეველოპერებს გააკეთონ ის, რაც მათ სწორად მიაჩნიათ, შემდეგ კი შეუძლიათ განაცხადონ, რომ ფირმამ არ იცოდა რა ხდებოდა ხელოვნური ინტელექტის წვნიანი ან დოპინგი. მე განვიხილეთ ეს საშიში ძალისხმევა ჩემს სვეტებში.

თვითმართვადი მანქანების შემთხვევაში, სიცოცხლე ან სიკვდილი აშკარად დგას.

დამატებული პუნქტი არის ის, რომ თუ არსებობს თვითმართვადი მანქანების სფეროში ხელოვნური ინტელექტის გამოყოფის ან დოპინგის შანსი, უნდა იფიქროთ, რა შეიძლება იყოს ნებადართული სხვა ნაკლებად სიცოცხლისა და სიკვდილის სფეროებში, რომლებიც ეყრდნობა AI სისტემებს. ზეწოლა, რომ ხელოვნური ინტელექტის კარიდან მალე ამოიღოთ, უზარმაზარია. ზეწოლა, რათა დავრწმუნდეთ, რომ AI აკეთებს სწორ საქმეებს სწორი გზით, შეიძლება ბევრად ნაკლებად დამაჯერებელი იყოს. სამწუხაროდ ასეა.

გარდა ეთიკური შეშფოთებისა AI-სთან დაკავშირებულ წვენსა და დოპინგთან დაკავშირებით, მე განვაგრძე ამ საკითხებზე სამართლებრივი ქმედებების მოახლოებული ცუნამების განხილვა. როდესაც ხელოვნური ინტელექტის სისტემები თავს არიდებენ სასტიკ აქტივობებს, ისინი, ვინც შეიმუშავეს და განახორციელეს ხელოვნური ინტელექტი, საბოლოოდ პასუხისმგებელნი იქნებიან. ჩვენ ჯერ არ გვინახავს იურიდიული საქმეების ზრდა მათ წინააღმდეგ, რომლებიც ქმნიან AI-ს და იყენებენ AI-ს თავიანთ ბიზნესში. მონიშნეთ ჩემი სიტყვები, რომ გაანგარიშება აუცილებლად წარმოიქმნება, იხილეთ ჩემი გაშუქება ბმული აქ.

კომპანიები ლეგალურად იძულებულნი იქნებიან გააღონ კარი, რათა აჩვენონ, როგორ აერთიანებენ თავიანთი AI სისტემები. რას აკეთებდნენ დიზაინის დროს? რა გააკეთეს მათ მონაცემთა მცდელობის დროს? რა გააკეთეს მათ ტესტირების ფარგლებში გათავისუფლებამდე? ეს ყველაფერი ნათელს მოჰფენს უხილავი, ქუდის ქვეშ მყოფი ხელოვნური ინტელექტის წვნის და დოპინგის შესაძლებლობას.

უნდა იყოს არ იყავით უფასო ლანჩი მათთვის, ვინც აირჩევს ხელოვნური ინტელექტის წვენების და დოპინგის გაკეთებას. იყავით ფრთხილად და გაახილეთ თვალები. დადექით მაღლა და დაჟინებით მოითხოვეთ ხელოვნური ინტელექტის გამოწვევისა და დოპინგის საწინააღმდეგოდ.

ჩვენ გვჭირდება სუფთა AI, ეს რა თქმა უნდა.