Kënschtlech Intelligenz verfollegt net d'Logik vum wëssenschaftleche Fortschrëtt
Mir hunn vill Mol am MT iwwer Fuerscher a Fachleit geschriwwen, déi Maschinnléieresystemer als "schwaarz Këschte" proklaméieren (1) och fir déi, déi se bauen. Dëst mécht et schwéier Resultater ze evaluéieren an opkomende Algorithmen ze benotzen.
Neural Netzwierker - d'Technik déi eis intelligent Konvertéierungsbots an genial Textgeneratoren gëtt, déi souguer Poesie kënne kreéieren - bleift en onverständleche Geheimnis fir extern Observateuren.
Si gi méi grouss a méi komplex, handhaben rieseg Datesätz, a benotze massiv Rechenarrays. Dëst mécht Replikatioun an Analyse vun de kritt Modeller deier an heiansdo onméiglech fir aner Fuerscher, ausser fir grouss Zentren mat grousse Budgeten.
Vill Wëssenschaftler sinn ganz bewosst vun dësem Problem. Ënnert hinnen ass de Joel Pino (2), President vun NeurIPS, der Premier Konferenz iwwer Reproduktioun. D'Experten ënner hirer Leedung wëllen eng "Reproduzibilitéitschecklëscht" erstellen.
D'Iddi, laut Pino, ass d'Fuerscher ze encouragéieren anerer e Fahrplang ze bidden, fir datt se d'Aarbecht déi scho gemaach gëtt, nei erstellen an benotzen. Dir kënnt op der Éloquence vun engem neien Text Generator oder der iwwermënschlech Geschécklechkeet vun engem Video Spill Roboter Staunen, mä och déi bescht Experten hu keng Ahnung wéi dës Wonner Aarbecht. Dofir ass d'Reproduktioun vun AI Modeller wichteg net nëmme fir nei Ziler a Richtungen fir Fuerschung z'identifizéieren, awer och als reng praktesche Guide fir ze benotzen.
Anerer probéieren dëse Problem ze léisen. Google Fuerscher hunn "Modellkaarten" ugebueden fir am Detail ze beschreiwen wéi d'Systemer getest goufen, inklusiv Resultater déi op potenziell Bugs weisen. Fuerscher vum Allen Institut fir Kënschtlech Intelligenz (AI2) hunn e Pabeier publizéiert deen d'Pinot Reproduzibilitéit Checklëscht op aner Schrëtt am experimentellen Prozess verlängert. "Weist Är Aarbecht", fuerderen se.
Heiansdo fehlt Basisinformatioun well de Fuerschungsprojet am Besëtz ass, besonnesch vu Laboratoiren déi fir d'Firma schaffen. Méi dacks ass et awer en Zeeche vun enger Onméiglechkeet fir verännerend an ëmmer méi komplex Fuerschungsmethoden ze beschreiwen. Neural Netzwierker sinn e ganz komplexe Beräich. Fir déi bescht Resultater ze kréien, ass d'Feintuning vun Dausende vu "Knäppercher a Knäppercher" dacks erfuerderlech, déi e puer "schwaarz Magie" nennen. D'Wiel vum optimale Modell ass oft mat enger grousser Unzuel vun Experimenter verbonnen. Magic gëtt ganz deier.
Zum Beispill, wann Facebook probéiert d'Aarbecht vun AlphaGo ze replizéieren, e System entwéckelt vum DeepMind Alphabet, war d'Aufgab extrem schwéier. Enorme computational Ufuerderunge, Millioune Experimenter op Dausende vun Apparater iwwer vill Deeg, kombinéiert mat dem Mangel u Code, hunn de System "ganz schwéier, wann net onméiglech, nei ze kreéieren, ze testen, ze verbesseren an ze verlängeren", laut Facebook Mataarbechter.
De Problem schéngt spezialiséiert ze sinn. Wéi och ëmmer, wa mir weider denken, ënnersträicht de Phänomen vu Probleemer mat der Reproduktioun vu Resultater a Funktiounen tëscht engem Fuerschungsteam an engem aneren all d'Logik vum Fonctionnement vun de Wëssenschaften a Fuerschungsprozesser déi eis bekannt sinn. Als Regel kënnen d'Resultater vun der fréierer Fuerschung als Basis fir weider Fuerschung benotzt ginn, déi d'Entwécklung vu Wëssen, Technologie an allgemenge Fortschrëtt stimuléiert.
