أندرو نغ: حتى مع ضجة الذكاء الاصطناعي التوليدية ، فإن التعلم الخاضع للإشراف سيخلق “قيمة أكبر” على المدى القصير

نادرًا ما ينخرط المرء في محادثة مع فرد مثل أندرو نج ، الذي ترك تأثيرًا لا يمحى كمعلم وباحث ومبتكر وقائد في مجالات الذكاء الاصطناعي والتكنولوجيا. لحسن الحظ ، لقد حظيت مؤخرًا بشرف القيام بذلك. تقدم مقالتنا التي توضح بالتفصيل إطلاق حل الرؤية الحاسوبية القائم على السحابة من Landing AI ، LandingLens ، لمحة عن تفاعلي مع Ng ، المؤسس والرئيس التنفيذي لشركة Landing AI.

اليوم ، نتعمق في أفكار هذا القائد التكنولوجي الرائد.

من بين أبرز الشخصيات في مجال الذكاء الاصطناعي ، أندرو نج هو أيضًا مؤسس DeepLearning.AI ، الرئيس المشارك والمؤسس المشارك لـ Coursera ، والأستاذ المساعد في جامعة ستانفورد. بالإضافة إلى ذلك ، كان كبير العلماء في Baidu ومؤسس Google Brain Project.

حدث لقاءنا في وقت في تطور الذكاء الاصطناعي تميز بالأمل والجدل. ناقش Ng حرب الذكاء الاصطناعي التي بدأت تغلي فجأة ، وآفاق التكنولوجيا المستقبلية ، ووجهة نظره حول كيفية تدريب نماذج الذكاء الاصطناعي / تعلم الآلة بكفاءة ، والنهج الأمثل لتنفيذ الذكاء الاصطناعي.

تم تحرير هذه المقابلة من أجل الوضوح والإيجاز.

الزخم آخذ في الارتفاع لكل من الذكاء الاصطناعي التوليدي والتعلم الخاضع للإشراف

VentureBeat: على مدار العام الماضي ، تصدرت نماذج الذكاء الاصطناعي التوليدية مثل ChatGPT / GPT-3 و DALL-E 2 عناوين الأخبار لبراعتها في إنشاء الصور والنصوص. ما رأيك في الخطوة التالية في تطور الذكاء الاصطناعي التوليدي؟

أندرو نج: أعتقد أن الذكاء الاصطناعي التوليدي يشبه إلى حد بعيد التعلم الخاضع للإشراف وتكنولوجيا الأغراض العامة. أتذكر قبل 10 سنوات مع ظهور التعلم العميق ، كان الناس يقولون غريزيًا أشياء مثل التعلم العميق من شأنه أن يغير صناعة أو عملًا معينًا ، وكانوا في الغالب على حق. ولكن حتى ذلك الحين ، كان الكثير من العمل يكتشف بالضبط حالة الاستخدام التي سيكون التعلم العميق قابلاً للتطبيق للتحويل.

لذلك ، نحن في مرحلة مبكرة جدًا من اكتشاف حالات الاستخدام المحددة حيث يكون الذكاء الاصطناعي التوليدي منطقيًا وسيحول الأعمال المختلفة.

أيضًا ، على الرغم من وجود ضجة كبيرة حاليًا حول الذكاء الاصطناعي التوليدي ، لا يزال هناك نمو هائل وراء تقنيات مثل التعلم الخاضع للإشراف ، خاصة وأن التصنيف الصحيح للبيانات يعد ذا قيمة كبيرة. يخبرني هذا النمو المتزايد أنه في العامين المقبلين ، سيخلق التعلم الخاضع للإشراف قيمة أكبر من الذكاء الاصطناعي التوليدي.

نظرًا لمعدل النمو السنوي التوليدي للذكاء الاصطناعي ، في غضون بضع سنوات ، ستصبح أداة أخرى تضاف إلى مجموعة الأدوات التي يمتلكها مطورو الذكاء الاصطناعي ، وهو أمر مثير للغاية.

VB: كيف يعرض Landing AI الفرص التي يمثلها الذكاء الاصطناعي التوليدي؟

Ng: يركز Landing AI حاليًا على مساعدة مستخدمينا على بناء أنظمة رؤية كمبيوتر مخصصة. لدينا نماذج أولية داخلية تستكشف حالات الاستخدام للذكاء الاصطناعي التوليدي ، لكن لا شيء نعلن عنه حتى الآن. تركز الكثير من إعلانات الأدوات الخاصة بنا من خلال Landing AI على مساعدة المستخدمين على غرس التعلم الخاضع للإشراف وإضفاء الطابع الديمقراطي على الوصول لإنشاء خوارزميات التعلم الخاضعة للإشراف. لدينا بعض الأفكار حول الذكاء الاصطناعي التوليدي ، لكن لا شيء نعلن عنه بعد.

تجارب الجيل التالي

VB: ما هي بعض تطبيقات الذكاء الاصطناعي التوليدية المستقبلية والحالية التي تثيرك ، إن وجدت؟ بعد الصور ومقاطع الفيديو والنصوص ، هل هناك أي شيء آخر يأتي بعد ذلك للذكاء الاصطناعي التوليدي؟

Ng: أتمنى أن أتمكن من وضع تنبؤ واثق للغاية ، لكنني أعتقد أن ظهور مثل هذه التقنيات قد تسبب في قيام الكثير من الأفراد والشركات وكذلك المستثمرين بصب الكثير من الموارد لتجربة تقنيات الجيل التالي لحالات الاستخدام المختلفة. إن الكم الهائل من التجارب مثير ، وهذا يعني أننا سنشهد قريبًا الكثير من حالات الاستخدام القيّمة. ولكن لا يزال من المبكر بعض الشيء التنبؤ بما ستكون عليه حالات الاستخدام الأكثر قيمة.

أرى الكثير من الشركات الناشئة التي تنفذ حالات استخدام حول النص ، وتقوم إما بتلخيص الأسئلة أو الإجابة عنها. أرى عددًا كبيرًا من شركات المحتوى ، بما في ذلك الناشرون ، قاموا بتسجيل الدخول إلى تجارب حيث يحاولون الإجابة عن أسئلة حول المحتوى الخاص بهم.

حتى المستثمرين لا يزالون يكتشفون المجال ، لذا فإن استكشاف المزيد حول التوحيد ، وتحديد أماكن الطرق ، سيكون عملية مثيرة للاهتمام حيث تكتشف الصناعة أين وما هي الأعمال الأكثر دفاعًا.

أنا مندهش من عدد الشركات الناشئة التي تختبر هذا الشيء الوحيد. لن تنجح كل شركة ناشئة ، لكن الدروس المستفادة من الكثير من الأشخاص الذين يكتشفونها ستكون ذات قيمة.

VB: كانت الاعتبارات الأخلاقية في طليعة محادثات الذكاء الاصطناعي التوليفية ، بالنظر إلى المشكلات التي نراها في ChatGPT. هل هناك أي مجموعة معيارية من الإرشادات يجب على الرؤساء التنفيذيين والمدراء التنفيذيين وضعها في الاعتبار عند بدء التفكير في تنفيذ مثل هذه التكنولوجيا؟

Ng: إن صناعة الذكاء الاصطناعي التوليدية حديثة جدًا لدرجة أن العديد من الشركات لا تزال تكتشف أفضل الممارسات لتطبيق هذه التكنولوجيا بطريقة مسؤولة. الأسئلة الأخلاقية والمخاوف بشأن التحيز وتوليد خطاب إشكالي ، يجب أن تؤخذ على محمل الجد. يجب أيضًا أن نكون واضحين بشأن الخير والابتكار الذي ينتج عن ذلك ، مع توضيح أعيننا في الوقت نفسه للضرر المحتمل.

تتم الآن مناقشة المحادثات الإشكالية التي أجراها الذكاء الاصطناعي في Bing بشكل كبير ، وعلى الرغم من عدم وجود عذر حتى لمحادثة إشكالية واحدة ، فإنني أشعر بالفضول حقًا بشأن النسبة المئوية لجميع المحادثات التي يمكن أن تخرج عن المسار. لذلك من المهم تسجيل الإحصائيات حول النسبة المئوية للاستجابات الجيدة والإشكالية التي نلاحظها ، لأنها تتيح لنا فهمًا أفضل للوضع الفعلي للتكنولوجيا وأين نأخذها من هنا.

معالجة العقبات والمخاوف المتعلقة بالذكاء الاصطناعي

VB: أحد أكبر المخاوف المتعلقة بالذكاء الاصطناعي هو إمكانية استبداله بالوظائف البشرية. كيف يمكننا التأكد من أننا نستخدم الذكاء الاصطناعي أخلاقياً لاستكمال العمل البشري بدلاً من استبداله؟

Ng: سيكون من الخطأ تجاهل أو عدم تبني التقنيات الناشئة. على سبيل المثال ، في المستقبل القريب ، سيحل الفنانون الذين يستخدمون الذكاء الاصطناعي محل الفنانين الذين لا يستخدمون الذكاء الاصطناعي. قد يزداد إجمالي سوق الأعمال الفنية بسبب الذكاء الاصطناعي التوليدي ، مما يقلل من تكاليف إنشاء الأعمال الفنية.

لكن الإنصاف هو مصدر قلق مهم ، وهو أكبر بكثير من الذكاء الاصطناعي التوليدي. الذكاء الاصطناعي التوليدي هو أتمتة على المنشطات ، وإذا تعطلت سبل العيش بشكل كبير ، على الرغم من أن التكنولوجيا تولد إيرادات ، فإن قادة الأعمال وكذلك الحكومة يلعبون دورًا مهمًا في تنظيم التقنيات.

VB: أحد أكبر الانتقادات لنماذج الذكاء الاصطناعي / التعلم هو أنها غالبًا ما يتم تدريبها على مجموعات بيانات ضخمة قد لا تمثل تنوع الخبرات البشرية ووجهات النظر. ما هي الخطوات التي يمكننا اتخاذها لضمان أن تكون نماذجنا شاملة وتمثيلية ، وكيف يمكننا التغلب على قيود بيانات التدريب الحالية؟

Ng: تتم الآن مناقشة مشكلة البيانات المتحيزة التي تؤدي إلى خوارزميات متحيزة وفهمها على نطاق واسع في مجتمع الذكاء الاصطناعي. لذلك كل ورقة بحثية تقرأها الآن أو تلك المنشورة سابقًا ، من الواضح أن المجموعات المختلفة التي تبني هذه الأنظمة تأخذ تمثيل البيانات ونظافتها على محمل الجد ، وتعلم أن النماذج بعيدة عن الكمال.

أصبح مهندسو التعلم الآلي الذين يعملون على تطوير أنظمة الجيل التالي هذه أكثر وعيًا بالمشكلات ويبذلون جهدًا هائلًا في جمع بيانات أكثر تمثيلاً وأقل تحيزًا. لذلك يجب أن نستمر في دعم هذا العمل وألا نرتاح أبدًا حتى نتخلص من هذه المشاكل. يشجعني كثيرًا التقدم الذي يستمر حتى لو كانت الأنظمة بعيدة عن الكمال.

حتى الأشخاص متحيزون ، لذلك إذا تمكنا من إنشاء نظام ذكاء اصطناعي أقل تحيزًا بكثير من الشخص العادي ، حتى لو لم نتمكن بعد من الحد من كل التحيز ، يمكن لهذا النظام أن يفعل الكثير من الخير في العالم .

الحصول على حقيقة

VB: هل توجد أي طرق للتأكد من أننا نلتقط ما هو حقيقي أثناء قيامنا بجمع البيانات؟

Ng: ليس هناك حل سحري. بالنظر إلى تاريخ الجهود التي تبذلها العديد من المنظمات لبناء أنظمة النماذج اللغوية الكبيرة هذه ، لاحظت أن تقنيات تنظيف البيانات كانت معقدة ومتعددة الأوجه. في الواقع ، عندما أتحدث عن الذكاء الاصطناعي المرتكز على البيانات ، يعتقد الكثير من الناس أن هذه التقنية تعمل فقط مع مشاكل مجموعات البيانات الصغيرة. لكن مثل هذه التقنيات لها نفس القدر من الأهمية لتطبيقات وتدريب نماذج اللغة الكبيرة أو النماذج الأساسية.

على مر السنين ، كنا نتحسن في تنظيف مجموعات البيانات التي تنطوي على مشاكل ، على الرغم من أننا ما زلنا بعيدين عن الكمال وليس الوقت للراحة على أمجادنا ، ولكن التقدم جارى.

VB: بصفتك شخصًا شارك بشدة في تطوير بنيات الذكاء الاصطناعي والتعلم الآلي ، ما هي النصيحة التي تقدمها لشركة لا تركز على الذكاء الاصطناعي وتتطلع إلى دمج الذكاء الاصطناعي؟ ما هي الخطوات التالية التي يجب أن تبدأ بها ، سواء في فهم كيفية تطبيق الذكاء الاصطناعي أو من أين يبدأ تطبيقه؟ ما هي بعض الاعتبارات الرئيسية لتطوير خارطة طريق ملموسة للذكاء الاصطناعي؟

Ng: نصيحتي الأولى هي أن تبدأ صغيرة. لذا فبدلاً من القلق بشأن خارطة طريق الذكاء الاصطناعي ، من الأهمية بمكان القفز ومحاولة تشغيل الأشياء ، لأن التعلم من بناء أول حالة أو مجموعة قليلة من حالات الاستخدام ستنشئ أساسًا لإنشاء خارطة طريق للذكاء الاصطناعي في النهاية.

في الواقع ، كان جزءًا من هذا الإدراك هو الذي جعلنا نصمم Landing Lens ، لتسهيل البدء على الأشخاص. لأنه إذا كان شخص ما يفكر في إنشاء تطبيق رؤية كمبيوتر ، فربما لا يكون متأكدًا حتى من مقدار الميزانية التي يجب تخصيصها. نحن نشجع الناس على البدء مجانًا ومحاولة الحصول على شيء يعمل سواء كانت المحاولة الأولية تعمل بشكل جيد أم لا. ستكون هذه الدروس المستفادة من محاولة الدخول إلى العمل قيّمة للغاية وستعطي الأساس لتقرير الخطوات القليلة التالية للذكاء الاصطناعي في الشركة.

أرى أن العديد من الشركات تستغرق شهورًا لتقرير ما إذا كانت ستقوم باستثمار متواضع في الذكاء الاصطناعي أم لا ، وهذا خطأ أيضًا. لذلك من المهم أن تبدأ وتكتشف الأمر بالمحاولة بدلاً من مجرد التفكير فيه [it]مع البيانات الفعلية ومراقبة ما إذا كان يعمل من أجلك.

VB: يجادل بعض الخبراء بأن التعلم العميق قد يصل إلى حدوده وأن الأساليب الجديدة مثل الحوسبة العصبية أو الحوسبة الكمومية قد تكون مطلوبة لمواصلة تطوير الذكاء الاصطناعي. ما هو رأيك في هذه القضية؟

Ng: أنا موافق. التعلم العميق بعيد كل البعد عن بلوغ حدوده. أنا متأكد من أنه سيصل إلى حدوده يومًا ما ، لكننا الآن بعيدون عن ذلك.

إن المقدار الهائل من التطوير المبتكر لحالات الاستخدام في التعلم العميق هائل. أنا على ثقة تامة من أن التعلم العميق سيواصل زخمه الهائل في السنوات القليلة المقبلة.
كي لا نقول إن الأساليب الأخرى لن تكون ذات قيمة أيضًا ، ولكن بين التعلم العميق والحوسبة الكمومية ، أتوقع المزيد من التقدم في التعلم العميق للحفنة القادمة من السنوات.