ປັນຍາປະດິດບໍ່ໄດ້ປະຕິບັດຕາມເຫດຜົນຂອງຄວາມຄືບຫນ້າທາງວິທະຍາສາດ

ພວກເຮົາໄດ້ຂຽນຫຼາຍຄັ້ງໃນ MT ກ່ຽວກັບນັກຄົ້ນຄວ້າແລະຜູ້ຊ່ຽວຊານທີ່ປະກາດລະບົບການຮຽນຮູ້ເຄື່ອງຈັກເປັນ "ກ່ອງດໍາ" (1) ເຖິງແມ່ນວ່າສໍາລັບຜູ້ທີ່ສ້າງມັນ. ນີ້ເຮັດໃຫ້ມັນຍາກທີ່ຈະປະເມີນຜົນໄດ້ຮັບແລະນໍາໃຊ້ຄືນໃຫມ່ algorithms ທີ່ພົ້ນເດັ່ນຂື້ນ.

ເຄືອຂ່າຍ neural - ເຕັກນິກທີ່ເຮັດໃຫ້ພວກເຮົາແປງ bots ອັດສະລິຍະແລະເຄື່ອງພິມຂໍ້ຄວາມ ingenious ທີ່ແມ້ກະທັ້ງສາມາດສ້າງ poetry - ຍັງຄົງເປັນຄວາມລຶກລັບທີ່ບໍ່ສາມາດເຂົ້າໃຈໄດ້ກັບຜູ້ສັງເກດການພາຍນອກ.

ພວກມັນໃຫຍ່ຂຶ້ນ ແລະສັບຊ້ອນຫຼາຍຂຶ້ນ, ຈັດການຊຸດຂໍ້ມູນຂະໜາດໃຫຍ່, ແລະນຳໃຊ້ຄອມພີວເຕີອາເຣຂະໜາດໃຫຍ່. ນີ້ເຮັດໃຫ້ການຈໍາລອງແລະການວິເຄາະແບບຈໍາລອງທີ່ໄດ້ຮັບຄ່າໃຊ້ຈ່າຍແລະບາງຄັ້ງເປັນໄປບໍ່ໄດ້ສໍາລັບນັກຄົ້ນຄວ້າອື່ນໆ, ຍົກເວັ້ນສູນຂະຫນາດໃຫຍ່ທີ່ມີງົບປະມານອັນໃຫຍ່ຫຼວງ.

ນັກວິທະຍາສາດຫຼາຍຄົນຮູ້ດີກ່ຽວກັບບັນຫານີ້. ໃນບັນດາພວກເຂົາແມ່ນ Joel Pino (2), ປະທານຂອງ NeurIPS, ກອງປະຊຸມຊັ້ນນໍາກ່ຽວກັບການສືບພັນ. ຜູ້ຊ່ຽວຊານພາຍໃຕ້ການນໍາພາຂອງນາງຕ້ອງການສ້າງ "ລາຍການກວດສອບການສືບພັນ".

ແນວຄວາມຄິດ, Pino ກ່າວວ່າ, ແມ່ນເພື່ອຊຸກຍູ້ໃຫ້ນັກຄົ້ນຄວ້າສະເຫນີໃຫ້ຄົນອື່ນເປັນແຜນທີ່ຖະຫນົນເພື່ອໃຫ້ພວກເຂົາສາມາດສ້າງໃຫມ່ແລະນໍາໃຊ້ວຽກງານທີ່ເຮັດແລ້ວ. ເຈົ້າສາມາດປະຫລາດໃຈກັບຄວາມສຸພາບຂອງເຄື່ອງສ້າງຂໍ້ຄວາມໃຫມ່ຫຼືຄວາມຊໍານິຊໍານານຂອງຫຸ່ນຍົນວີດີໂອເກມ, ແຕ່ເຖິງແມ່ນວ່າຜູ້ຊ່ຽວຊານທີ່ດີທີ່ສຸດກໍ່ບໍ່ຮູ້ວ່າສິ່ງມະຫັດສະຈັນເຫຼົ່ານີ້ເຮັດວຽກແນວໃດ. ດັ່ງນັ້ນ, ການແຜ່ພັນຂອງແບບຈໍາລອງ AI ແມ່ນມີຄວາມສໍາຄັນບໍ່ພຽງແຕ່ສໍາລັບການກໍານົດເປົ້າຫມາຍແລະທິດທາງໃຫມ່ສໍາລັບການຄົ້ນຄວ້າ, ແຕ່ຍັງເປັນຄູ່ມືການປະຕິບັດຢ່າງດຽວໃນການນໍາໃຊ້.

ຄົນອື່ນກໍາລັງພະຍາຍາມແກ້ໄຂບັນຫານີ້. ນັກຄົ້ນຄວ້າ Google ໄດ້ສະເຫນີ "ບັດແບບຈໍາລອງ" ເພື່ອອະທິບາຍລາຍລະອຽດກ່ຽວກັບວິທີການທົດສອບລະບົບ, ລວມທັງຜົນໄດ້ຮັບທີ່ຊີ້ໃຫ້ເຫັນເຖິງແມງໄມ້ທີ່ອາດຈະເກີດຂື້ນ. ນັກຄົ້ນຄວ້າທີ່ສະຖາບັນ Allen ສໍາລັບປັນຍາປະດິດ (AI2) ໄດ້ພິມເຜີຍແຜ່ເອກະສານທີ່ມີຈຸດປະສົງເພື່ອຂະຫຍາຍລາຍການກວດສອບການແຜ່ພັນຂອງ Pinot ໄປສູ່ຂັ້ນຕອນອື່ນໆໃນຂະບວນການທົດລອງ. "ສະແດງວຽກງານຂອງເຈົ້າ," ເຂົາເຈົ້າຮຽກຮ້ອງໃຫ້.

ບາງຄັ້ງຂໍ້ມູນພື້ນຖານຂາດຫາຍໄປເພາະວ່າໂຄງການຄົ້ນຄ້ວາແມ່ນເປັນເຈົ້າຂອງ, ໂດຍສະເພາະໂດຍຫ້ອງທົດລອງທີ່ເຮັດວຽກຂອງບໍລິສັດ. ເລື້ອຍໆ, ແນວໃດກໍ່ຕາມ, ມັນເປັນສັນຍານຂອງຄວາມບໍ່ສາມາດທີ່ຈະອະທິບາຍວິທີການຄົ້ນຄ້ວາທີ່ມີການປ່ຽນແປງແລະສັບສົນຫຼາຍຂຶ້ນ. ເຄືອຂ່າຍ neural ເປັນພື້ນທີ່ສະລັບສັບຊ້ອນຫຼາຍ. ເພື່ອໃຫ້ໄດ້ຜົນທີ່ດີທີ່ສຸດ, ການປັບລະອຽດຂອງ "ລູກບິດແລະປຸ່ມ" ຫຼາຍພັນປຸ່ມມັກຈະຕ້ອງການ, ເຊິ່ງບາງຄົນເອີ້ນວ່າ " magic ສີດໍາ". ທາງເລືອກຂອງຮູບແບບທີ່ດີທີ່ສຸດແມ່ນມັກຈະກ່ຽວຂ້ອງກັບການທົດລອງຈໍານວນຫລາຍ. Magic ກາຍເປັນລາຄາແພງຫຼາຍ.

ຕົວຢ່າງເຊັ່ນ, ເມື່ອ Facebook ພະຍາຍາມເຮັດເລື້ມຄືນການເຮັດວຽກຂອງ AlphaGo, ລະບົບທີ່ພັດທະນາໂດຍ DeepMind Alphabet, ວຽກງານດັ່ງກ່າວໄດ້ພິສູດຄວາມຫຍຸ້ງຍາກທີ່ສຸດ. ຄວາມຕ້ອງການດ້ານການຄິດໄລ່ອັນໃຫຍ່ຫຼວງ, ການທົດລອງນັບລ້ານໃນອຸປະກອນນັບພັນໃນຫຼາຍມື້, ບວກກັບການຂາດລະຫັດ, ເຮັດໃຫ້ລະບົບ "ມີຄວາມຫຍຸ້ງຍາກຫຼາຍ, ຖ້າເປັນໄປບໍ່ໄດ້, ເພື່ອສ້າງໃຫມ່, ທົດສອບ, ປັບປຸງແລະຂະຫຍາຍ," ອີງຕາມພະນັກງານຂອງ Facebook.

ບັນຫາເບິ່ງຄືວ່າມີຄວາມຊ່ຽວຊານ. ຢ່າງໃດກໍຕາມ, ຖ້າພວກເຮົາຄິດຕື່ມອີກ, ປະກົດການຂອງບັນຫາທີ່ມີການຜະລິດຄືນໃຫມ່ຂອງຜົນໄດ້ຮັບແລະຫນ້າທີ່ລະຫວ່າງທີມງານຄົ້ນຄ້ວາຫນຶ່ງແລະອີກຄົນຫນຶ່ງທໍາລາຍເຫດຜົນທັງຫມົດຂອງການເຮັດວຽກຂອງວິທະຍາສາດແລະຂະບວນການຄົ້ນຄ້ວາທີ່ພວກເຮົາຮູ້ຈັກ. ຕາມກົດລະບຽບ, ຜົນໄດ້ຮັບຂອງການຄົ້ນຄວ້າທີ່ຜ່ານມາສາມາດນໍາໃຊ້ເປັນພື້ນຖານສໍາລັບການຄົ້ນຄວ້າຕື່ມອີກທີ່ກະຕຸ້ນການພັດທະນາຄວາມຮູ້, ເຕັກໂນໂລຢີແລະຄວາມກ້າວຫນ້າທົ່ວໄປ.