تحتاج الذكاء الاصطناعي إلى بيانات بشرية أفضل ، وليس نماذج أكبر

الرأي: روان ستون ، الرئيس التنفيذي في سابين

الذكاء الاصطناعى هو نمر ورقة دون خبرة بشرية في ممارسات إدارة البيانات والتدريب. على الرغم من توقعات النمو الهائلة ، لن تكون ابتكارات الذكاء الاصطناعى ذات صلة إذا واصلوا نماذج التدريب على أساس البيانات ذات الجودة الضعيفة.

إلى جانب تحسين معايير البيانات ، تحتاج نماذج الذكاء الاصطناعى إلى تدخل بشري لفهم السياق والتفكير النقدي لضمان تطور الذكاء الاصطناعي الأخلاقي وتوليد الإخراج الصحيح.

الذكاء الاصطناعى لديه مشكلة “بيانات سيئة”

البشر لديهم وعي دقيق. إنهم يعتمدون على تجاربهم لاتخاذ الاستدلالات والقرارات المنطقية. نماذج الذكاء الاصطناعى ، ومع ذلك ، فقط جيدة مثل بيانات التدريب الخاصة بهم.

لا تعتمد دقة نموذج الذكاء الاصطناعي تمامًا على التطور الفني لخوارزميات الخوارزميات أو مقدار البيانات التي تمت معالجتها. بدلاً من ذلك ، يعتمد أداء AI الدقيق على البيانات الجديرة بالثقة وعالية الجودة أثناء اختبارات التدريب والتحليلية.

تحتوي البيانات السيئة على تداعيات متعددة الأطباء لتدريب نماذج الذكاء الاصطناعى: فهي تولد الإخراج والهلوسة المتمحورة من المنطق المعيب ، مما يؤدي إلى فقدان الوقت في إعادة تدريب نماذج الذكاء الاصطناعي لإلغاء العادات السيئة ، وبالتالي زيادة تكاليف الشركة.

البيانات المتحيزة والمناقصة الإحصائية التي تم تمثيلها بشكل غير متناسب تضخّم العيوب والنتائج المنحرفة في أنظمة الذكاء الاصطناعى ، وخاصة في المراقبة الصحية والمراقبة الأمنية.

على سبيل المثال ، يسرد تقرير مشروع البراءة حالات متعددة من التعرف الخاطئ ، مع اعتراف قائد شرطة ديترويت السابق بأن الاعتماد فقط على التعرف على الوجه القائم على الذكاء الاصطناعي سيؤدي إلى 96 ٪ من المهمة الخاطئة. علاوة على ذلك ، وفقًا لتقرير كلية الطب بجامعة هارفارد ، فإن نموذج الذكاء الاصطناعي المستخدم في النظم الصحية الأمريكية يعطي الأولوية للمرضى البيض الأكثر صحة على المرضى السود المرضى.

تتبع نماذج الذكاء الاصطناعى مفهوم “القمامة في القمامة” (Gigo) ، كمدخلات بيانات معيبة ومنحازة ، أو “القمامة” ، تولد مخرجات ذات جودة سيئة. تنشئ بيانات الإدخال السيئة أوجه القصور التشغيلية حيث تواجه فرق المشروع تأخيرات وتكاليف أعلى في مجموعات بيانات تنظيفها قبل استئناف التدريب النموذجي.

إلى جانب تأثيرها التشغيلي ، تدربت نماذج الذكاء الاصطناعى على البيانات منخفضة الجودة تآكل ثقة وثقة الشركات في نشرها ، مما تسبب في أضرار سمعة لا يمكن إصلاحها. وفقًا لورقة بحثية ، كانت معدلات الهلوسة لـ GPT-3.5 بنسبة 39.6 ٪ ، مشددًا على الحاجة إلى التحقق من الصحة الإضافية من قبل الباحثين.

مثل هذه الأضرار السمعة لها عواقب بعيدة المدى لأنه يصبح من الصعب الحصول على استثمارات وتؤثر على وضع السوق في السوق. في قمة شبكة CIO ، أعرب 21 ٪ من كبار قادة تكنولوجيا المعلومات في أمريكا عن عدم وجود موثوقية باعتبارها أكثر الشاغل إلحاحًا لعدم استخدام الذكاء الاصطناعي.

بيانات سيئة لتدريب نماذج الذكاء الاصطناعى تختلف عن المشاريع وتسبب خسائر اقتصادية هائلة للشركات. في المتوسط ​​، تؤدي بيانات تدريب الذكاء الاصطناعى غير المكتملة والمنخفضة الجودة إلى اتخاذ القرارات المضللة التي تكلف الشركات 6 ٪ من إيراداتها السنوية.

مؤخرًا: أرخص وأسرع وأكثر خطورة – صعود ديبسيك واهتماماته الأمنية

تؤثر بيانات التدريب ذات الجودة الضعيفة على ابتكار الذكاء الاصطناعي والتدريب النموذجي ، لذلك يعد البحث عن حلول بديلة أمرًا ضروريًا.

أجبرت مشكلة البيانات السيئة شركات الذكاء الاصطناعي على إعادة توجيه العلماء نحو إعداد البيانات. يقضي ما يقرب من 67 ٪ من علماء البيانات وقتهم في إعداد مجموعات البيانات الصحيحة لمنع تسليم المعلومات الخاطئة من نماذج الذكاء الاصطناعى.

قد تكافح نماذج الذكاء الاصطناعى/ML لمواكبة الإنتاج ذي الصلة ما لم يعمل المتخصصون – البشر الحقيقيون الذين لديهم أوراق اعتماد مناسبة – على تحسينها. يوضح هذا الحاجة إلى خبراء البشر لتوجيه تنمية الذكاء الاصطناعي من خلال ضمان بيانات برعاية عالية الجودة لتدريب نماذج الذكاء الاصطناعي.

بيانات الحدود البشرية هي المفتاح

قال إيلون موسك مؤخرًا ، “تم استنفاد المبلغ التراكمي للمعرفة الإنسانية في تدريب الذكاء الاصطناعي.” لا شيء يمكن أن يكون أبعد عن الحقيقة لأن بيانات الحدود البشرية هي مفتاح القيادة أقوى وأكثر موثوقية وغير متحيزة.

إن إقالة Musk للمعرفة الإنسانية هي دعوة لاستخدام بيانات اصطناعية تم إنتاجها بشكل مصطنع للتدريب على نموذج الذكاء الاصطناعي. على عكس البشر ، فإن البيانات الاصطناعية تفتقر إلى تجارب حقيقية وفشلت تاريخيا في إصدار أحكام أخلاقية.

تضمن الخبرة البشرية مراجعة البيانات الدقيقة والتحقق من الصحة للحفاظ على اتساق نموذج الذكاء الاصطناعي ودقته وموثوقيته. يقوم البشر بتقييم وتقييم وتفسير ناتج النموذج لتحديد التحيزات أو الأخطاء والتأكد من توافقهم مع القيم المجتمعية والمعايير الأخلاقية.

علاوة على ذلك ، يقدم الذكاء البشري وجهات نظر فريدة أثناء تحضير البيانات من خلال تقديم المرجع السياقي ، والفطرة السليمة والتفكير المنطقي لتفسير البيانات. هذا يساعد على حل النتائج الغامضة ، وفهم الفروق الدقيقة ، وحل المشكلات للتدريب على نموذج الذكاء الاصطناعى عالي التعقيد.

العلاقة التكافلية بين الذكاء الاصطناعي والإنساني أمر بالغ الأهمية لتسخير إمكانات الذكاء الاصطناعي كتكنولوجيا تحويلية دون التسبب في ضرر اجتماعي. يساعد النهج التعاوني بين الإنسان والآلة على فتح الحدس البشري والإبداع لبناء خوارزميات جديدة من الذكاء الاصطناعي والبنية من أجل الصالح العام.

يمكن أن تكون الشبكات اللامركزية هي القطعة المفقودة لتوحيد هذه العلاقة على نطاق عالمي.

تفقد الشركات الوقت والموارد عندما يكون لديهم نماذج ضعيفة منظمة العفو الدولية تتطلب تحسينًا مستمرًا من علماء ومهندسي بيانات الموظفين. باستخدام التدخل البشري اللامركزي ، يمكن للشركات تقليل التكاليف وزيادة الكفاءة عن طريق توزيع عملية التقييم عبر شبكة عالمية من مدربي البيانات والمساهمين.

إن تعلم التعزيز اللامركزي من التعليقات البشرية (RLHF) يجعل نموذج الذكاء الاصطناعي تدريبًا تعاونيًا. يمكن للمستخدمين العاديين وأخصائيي المجال المساهمة في التدريب وتلقي حوافز مالية للتعليق الدقيق ووضع العلامات وتجزئة الفئات وتصنيفها.

الآلية اللامركزية المستندة إلى blockchain تتم أتمتة التعويض حيث يتلقى المساهمون مكافآت استنادًا إلى تحسينات نموذج AI القابلة للقياس الكمي بدلاً من الحصص أو المعايير الصلبة. علاوة على ذلك ، يقوم RLHF DECRARATING DECRARATION بتدريب البيانات والتدريب النموذجي من خلال إشراك أشخاص من خلفيات متنوعة ، وتقليل التحيز الهيكلي ، وتعزيز الذكاء العام.

وفقًا لمسح Gartner ، ستتخلى الشركات عن أكثر من 60 ٪ من مشاريع الذكاء الاصطناعى بحلول عام 2026 بسبب عدم توفر البيانات الجاهزة من الذكاء الاصطناعي. لذلك ، فإن الكفاءة البشرية والكفاءة أمران ضروريان لإعداد بيانات تدريب الذكاء الاصطناعى إذا كانت الصناعة تريد المساهمة بمبلغ 15.7 تريليون دولار في الاقتصاد العالمي بحلول عام 2030.

تتطلب البنية التحتية للبيانات للتدريب على نموذج الذكاء الاصطناعى تحسينًا مستمرًا بناءً على حالات البيانات والاستخدام الجديدة والناشئة. يمكن للبشر ضمان الحفاظ على قاعدة بيانات جاهزة من الذكاء الاصطناعي من خلال إدارة البيانات الوصفية المستمرة ، والملاحظة والحوكمة.

بدون إشراف بشري ، ستتعثر المؤسسات مع الحجم الهائل للبيانات التي يتم تنفيذها عبر سحابة تخزين البيانات السحابية والخارجية. يجب على الشركات تبني نهج “إنسان في الحلقة” لضبط مجموعات البيانات لإنشاء نماذج عالي الجودة وأداء وذات صلة.

الرأي: روان ستون ، الرئيس التنفيذي في سابين.

هذه المقالة مخصصة لأغراض المعلومات العامة ولا تهدف إلى أن تكون ولا ينبغي اعتبارها نصيحة قانونية أو استثمارية. إن الآراء والأفكار والآراء المعبر عنها هنا هي وحدها ولا تعكس بالضرورة أو تمثل آراء وآراء Cointelegraph.