Süni intellekt elmi tərəqqinin məntiqinə uyğun gəlmir
Biz MT-də dəfələrlə maşın öyrənmə sistemlərini “qara qutular” (1) kimi elan edən tədqiqatçılar və mütəxəssislər haqqında yazmışıq, hətta onları quranlar üçün. Bu, nəticələrin qiymətləndirilməsini və yaranan alqoritmlərin təkrar istifadəsini çətinləşdirir.
Neyron şəbəkələr - bizə ağıllı çevirmə botları və hətta şeir yarada bilən dahiyanə mətn generatorları verən texnika - kənar müşahidəçilər üçün anlaşılmaz bir sirr olaraq qalır.
Onlar getdikcə böyüyür və mürəkkəbləşir, nəhəng verilənlər toplusunu idarə edir və kütləvi hesablama massivlərindən istifadə edir. Bu, böyük büdcələri olan böyük mərkəzlər istisna olmaqla, əldə edilmiş modellərin təkrarlanması və təhlili digər tədqiqatçılar üçün baha başa gəlir və bəzən qeyri-mümkün edir.
Bir çox alimlər bu problemi yaxşı bilirlər. Onların arasında Joel Pino da var (2), reproduktivliyə dair ilk konfrans olan NeurIPS-in sədri. Onun rəhbərliyi altında olan ekspertlər "təkrarlanma qabiliyyətinə nəzarət siyahısı" yaratmaq istəyirlər.
Pino dedi ki, ideya tədqiqatçıları başqalarına yol xəritəsi təklif etməyə təşviq etməkdir ki, onlar artıq görülən işləri yenidən yarada və istifadə edə bilsinlər. Siz yeni mətn generatorunun bəlağətinə və ya video oyun robotunun fövqəlbəşəri çevikliyinə heyran ola bilərsiniz, lakin hətta ən yaxşı mütəxəssislər də bu möcüzələrin necə işlədiyini bilmirlər. Buna görə də, süni intellekt modellərinin reproduksiyası təkcə tədqiqat üçün yeni məqsəd və istiqamətlərin müəyyən edilməsi üçün deyil, həm də istifadə üçün sırf praktiki bələdçi kimi vacibdir.
Digərləri bu problemi həll etməyə çalışırlar. Google tədqiqatçıları potensial səhvlərə işarə edən nəticələr də daxil olmaqla, sistemlərin necə sınaqdan keçirildiyini ətraflı təsvir etmək üçün “model kartları” təklif ediblər. Allen Süni İntellekt İnstitutunun (AI2) tədqiqatçıları Pinotun təkrar istehsalına nəzarət siyahısını eksperimental prosesin digər addımlarına genişləndirməyi hədəfləyən bir məqalə dərc etdilər. “İşinizi göstərin” deyə çağırırlar.
Tədqiqat layihəsi, xüsusən də şirkət üçün işləyən laboratoriyalara məxsus olduğu üçün bəzən əsas məlumatlar çatışmır. Ancaq daha tez-tez bu, dəyişən və getdikcə mürəkkəbləşən tədqiqat metodlarını təsvir edə bilməməyin əlamətidir. Neyron şəbəkələri çox mürəkkəb bir sahədir. Ən yaxşı nəticələr əldə etmək üçün tez-tez minlərlə "düymələr və düymələrin" incə tənzimlənməsi tələb olunur, bəziləri bunu "qara sehr" adlandırır. Optimal modelin seçimi çox vaxt çoxlu təcrübələrlə əlaqələndirilir. Sehr çox bahalaşır.
Məsələn, Facebook DeepMind Alphabet tərəfindən hazırlanmış bir sistem olan AlphaGo-nun işini təkrarlamağa çalışdıqda, tapşırığın olduqca çətin olduğu ortaya çıxdı. Facebook əməkdaşlarının sözlərinə görə, böyük hesablama tələbləri, bir neçə gün ərzində minlərlə cihazda milyonlarla təcrübələr, kod çatışmazlığı ilə birlikdə sistemi “yenidən yaratmaq, sınaqdan keçirmək, təkmilləşdirmək və genişləndirmək çox çətin, hətta qeyri-mümkündür”.
Problemin ixtisaslaşmış olduğu görünür. Bununla belə, daha çox düşünsək, bir tədqiqat qrupu ilə digəri arasında nəticələrin və funksiyaların təkrarlanabilirliyi ilə bağlı problemlər fenomeni bizə məlum olan elmin və tədqiqat proseslərinin fəaliyyət göstərməsinin bütün məntiqini sarsıdır. Bir qayda olaraq, əvvəlki tədqiqatların nəticələri biliyin, texnologiyanın və ümumi tərəqqinin inkişafına təkan verən sonrakı tədqiqatlar üçün əsas kimi istifadə edilə bilər.
