چگونه Coronavirus و تظاهرات را شکست هوش مصنوعی و به همین دلیل آن را یک چیز خوب

یانگژو چین – مارس 28 سال 2020 – بازدید بازدید جینگدو اقتصاد دیجیتال مرکز نمایشگاه یانگژو استان جیانگ سو چین, مارس 28 سال 2020 است. 2020 چین یانگژو (جینگدو) اقتصاد دیجیتال کنفرانس توسعه باز می شود. Costfoto/برکرفت رسانه ها از طریق گتی ایماژ

تا ماه فوریه سال 2020 آمازون فکر می کردم که این الگوریتم است که کنترل همه چیز را از فضای قفسه خود را به ترویج محصولات شد و عملا شکست ناپذیر است. برای سال استفاده کرده بودند ساده و موثر در هوش مصنوعی (AI) برای پیش بینی الگوهای خرید و برنامه ریزی شده سهام خود را در سطوح بازاریابی و خیلی بیشتر بر اساس یک سوال ساده: که معمولا اقدام به خرید چه ؟

در عین حال به عنوان COVID-19 جاروب جهان آنها دریافتند که این فن آوری است که آنها متکی بود خیلی بیشتر shakable از آنها تا به حال فکر می کردم. به عنوان فروش ضد عفونی کننده دست و صورت و ماسک و کاغذ توالت افزایش یافت, سایت های مانند آمازون یافت می شود که سیستم های خودکار ارائه شد تقریبا بی فایده به عنوان AI مدل های پرتاب شد به بی نظمی مطلق.

در جاهای دیگر استفاده از هوش مصنوعی در همه چیز از روزنامه نگاری به پلیس شده است به سوال نامیده می شود. به عنوان طولانی سر رسیده اقدام در نابرابری نژادی در آمریکا شده است خواستار در هفته های اخیر شرکت کرده اند به چالش کشیده شده است برای استفاده از تکنولوژی است که به طور منظم نمایش گاهی اوقات فاجعه بار تعصبات قومی.

مایکروسافت اخیرا برگزار شد به حساب پس از الگوریتمهای هوش مصنوعی است که آن را در آن مورد استفاده قرار MSN اخبار سایت اشتباه مخلوط-مسابقه اعضای girlband Little Mix و بسیاری از شرکت ها در حال حاضر به حالت تعلیق در فروش صورت به رسمیت شناختن فن آوری به سازمان های اجرای قانون پس از آن آشکار شد که آنها به طور قابل توجهی کمتر موثر در شناسایی تصاویر از اقلیت افراد پیشرو به طور بالقوه نادرست منجر كودكان ونوجوانان توسط پلیس.

“ماه گذشته به ارمغان آورده است بسیاری از مسائل نژادی و بی عدالتی اقتصادی به تیز تسکین می گوید:” Rediet Abebe یک ورودی استادیار علوم کامپیوتر در دانشگاه کالیفرنیا در برکلی است. “هوش مصنوعی محققان در حال دست و پنجه نرم با ما چه نقشی باید در از بین بردن نژادپرستی نظاممند اقتصادی و ظلم و ستم و اشکال دیگر از بی عدالتی و تبعیض است. این شده است یک فرصت برای تأمل عمیق تر در تحقیقات ما شیوه که مشکلات ما خیال می شود مهم است, که هدف ما خدمت به آنها ما مرکز و چگونه ما انجام تحقیقات است.”

همچنین نگاه کنید به: هوش مصنوعی است که در این مورد در حرفه های حقوقی

از COVID-19 pandemic به زندگی ماده تظاهرات سال 2020 شده است از یک سال مشخص, جهانی غیر قابل پیش بینی و تحول اجتماعی. تکنولوژی بوده است بسیار مهم رسانه از آن تغییر و امن نگه داشتن مردم از آزمون و پیگیری برنامه ها برای استفاده گسترده از رسانه های اجتماعی به گسترش این کلمه در مورد تظاهرات و دادخواست. اما در میان این ماشین یادگیری هوش مصنوعی گاهی اوقات موفق به دیدار با آن حواله, عقب تغییرات سریع در رفتار اجتماعی و سقوط کوتاه در چیزی که بسیار است که از آن قرار است به انجام بهترین: اندازه گیری داده ها تغذیه به آن و انتخاب های هوشمند ساخت.

این مشکل اغلب نهفته است نه با فن آوری خود را, اما در فقدان داده های مورد استفاده برای ساخت الگوریتم های معنی است که آنها قادر به منعکس وسعت جامعه ما و طبیعت غیر قابل پیش بینی از حوادث و رفتار انسان.

“بسیاری از چالش های هوش مصنوعی است که شناسایی شده اند با این بیماری همه گیر مربوط به تغییرات قابل توجهی در رفتار مردم و در نتیجه در دقت AI مدل رفتار انسان می گوید:” داگلاس فیشر استادیار علوم کامپیوتر در دانشگاه. “در حال حاضر هوش مصنوعی و یادگیری ماشین سیستم stovepiped به طوری که اگر یک زمان یادگیری ماشین سیستم می توانید پیش بینی های دقیق در مورد رفتارهای تحت شرایط زیر که آن را به آنها آموخته سیستم بدون دانش گسترده تر.”

چند ماه گذشته را برجسته کرده اند نیاز به بیشتر نکات دقیق وظریف در هوش مصنوعی—ما نیاز به فن آوری است که می توان انسان بیشتر است. اما در یک جامعه به طور فزاینده ای با تجربه با استفاده از هوش مصنوعی برای انجام اين مهم نقش به شناسایی مظنون جنایی یا مدیریت عرضه مواد غذایی زنجیره ای ما چگونه می توانیم اطمینان حاصل شود که یادگیری ماشین مدل ها به اندازه کافی آگاه?

“ترین چالش های مربوط به یادگیری ماشین در طول ماه گذشته ناشی از تغییر در داده ها در حال تغذیه به الگوریتم” توضیح می دهد که Kasia Borowska مدیر عامل هوش مصنوعی مشاوره Brainpool.ai. “آنچه ما می بینیم بسیاری از این روزها شرکت های ساختمان و الگوریتم که فقط در مورد انجام این کار. آنها نه قوی و نه مقیاس پذیر و مستعد ابتلا به تعصب… این شده است که اغلب به دلیل سهل انگاری و یا تلاش برای کاهش هزینه—کسب و کار باید اهداف روشن و این اغلب به انجام این کار با صرفه جویی در پول و یا به سادگی با خودکار فرآیندهای دستی و اغلب از طرف اخلاقی—از بین بردن تعصبات و یا آماده بودن برای تغییر نیست دیده می شود به عنوان هدف اصلی.”

artificial intelligence data

هوش مصنوعی داده Pixabay/Gerd Altmann

Kasia معتقد است که هر دو تعصبات در هوش مصنوعی الگوریتم و ناتوانی در انطباق با تغییر و بحران ناشی از همین مشکل و ارائه یک فرصت برای ساخت تکنولوژی های بهتر در آینده. او استدلال می کند که با سرمایه گذاری در ساختمان بهتر الگوریتم مسائلی مانند تعصب و ناتوانی در پیش بینی رفتار کاربر در زمان بحران می تواند حذف شود.

اگر چه شرکت ها ممکن است قبلا میلی به سرمایه گذاری زمان و پول به ساختمان داده است که بسیار بیشتر از حداقل که آنها نیاز به کار او امیدوار است که ترکیبی از COVID و افزایش آگاهی از یادگیری ماشین تعصبات ممکن است فشار است که آنها نیاز دارند.

“من فکر می کنم که بسیاری از کسب و کار است که خود را دیده اند یادگیری ماشین مبارزه خواهد شد در حال حاضر فکر می کنم دو بار قبل از آنها سعی و استقرار یک راه حل این نیست که قوی نبوده است به اندازه کافی تست شده,” او می گوید. “امیدوارم این شکست برخی از هوش مصنوعی سیستم های ایجاد انگیزه به دانشمندان داده و همچنین شرکت های سرمایه گذاری زمان و منابع در پس زمینه کار می کنند پیش از پریدن به توسعه راه حل های هوش مصنوعی و… ما را به دیدن تلاش بیشتر بودن قرار داده و به تضمین این که هوش مصنوعی محصولات قوی هستند و تعصب است.”

شکست AI شده اند غیر قابل انکار مشکل اما شاید آنها در حال حاضر یک فرصت برای ساخت دقیق آینده. پس از همه, در ماه های اخیر ما نیز دیده می شود پتانسیل هوش مصنوعی با خطر شیوع جدید نرم افزار و آموزش مدل های است که برای کمک جامعه پزشکی به پیش بینی مواد مخدر و درمان و توسعه نمونه اولیه واکسن. این گام در حال پیشرفت نشان می دهد که قدرت ترکیب فن آوری هوشمند با دخالت انسان و نشان می دهد که با اطلاعات درست و AI قدرت به تصویب عظیم تغییر مثبت است.

در این سال نشان داد دامنه AI تخمگذار لخت چالش های است که توسعه دهندگان در صورت کنار بالقوه برای مزایای فوق العاده ای. ساختمان داده است که شامل گسترده ترین دامنه از تجربه انسانی ممکن است به چالش کشیدن اما آن را نیز یادگیری ماشین عادلانه تر مفید تر و بسیار قوی تر. این یک فرصت است که کسانی که در این زمینه باید مشتاق به گوشه ای.

tinyurlis.gdv.gdv.htclck.ruulvis.net

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>