큐:
기업들은 인공 지능 작업에 "속도계"를 어떻게 추가하려고합니까?
ㅏ:인공 지능의 최신 발전을 위해 노력하는 일부 회사는 자신이 달성 한 진전을 수량화하고 인공 지능이 시간이 지남에 따라 어떻게 진화했는지에 대한 벤치마킹에 집중하고 있습니다. 기업이 이러한 유형의 분석을 추구하는 데는 여러 가지 이유가 있습니다. 일반적으로 그들은 인공 지능이 얼마나 멀리 왔는지, 그것이 우리의 삶에 어떻게 적용되는지, 그것이 어떻게 시장에 영향을 미치는지 파악하려고 노력하고 있습니다.
일부 회사는 새로운 기술이 어떻게 시민의 자유에 영향을 미치거나 새로운 경제 현실을 창출 할 수 있는지 파악하기 위해 인공 지능 진행 상황을 브레인 스토밍하고 모니터링하고 있습니다. 회사의 접근 방식에 따라 이러한 유형의 분석은 사용자 데이터가 시스템을 통과하는 방식을 파악하거나, 인터페이스가 작동하는 방식을 이해하거나, 인공 지능 기관이 보유한 기능과 해당 기능을 사용하는 방법을 파악하려는 형태로 나타날 수 있습니다.
인공 지능을 벤치마킹하려는 회사는 방법에있어 추상 정보를 분류하는 데 집중할 수 있습니다. 예를 들어, Wired 기사는 AI 비영리 프로젝트를 인용합니다. 비영리 연구소 SRI International에서 일하는 Ray Perrault와 같은 연구원들이 인공 지능 분야에서 무슨 일이 일어나고 있는지에 대한 자세한 스냅 샷.
Perrault는 기사에서 이러한 유형의 프로젝트를 수행하려는 동기에 대해 언급하면서“이는 AI가 어디로 가고 있는지에 대한 많은 열풍이 있기 때문에 수행해야 할 일입니다.
인공 지능 벤치마킹의 작동 방식을 설명함에있어, 일부 전문가들은 엔지니어 또는 다른 당사자들이 인공 지능 시스템을 "속임수"또는 "파괴"하려는 인공 지능 프로젝트를위한 "하드 테스팅"을 시도하고 있다고 설명합니다. 이러한 종류의 설명은 실제로 기업이 인공 지능을 실제로 모니터링하고 평가할 수있는 방법의 핵심입니다. 이것을 생각하는 한 가지 방법은 프로그래머가 과거에 선형 코드 시스템을 디버깅하는 데 사용했던 것과 같은 종류의 아이디어를 적용하는 것입니다.
선형 코드 시스템을 디버깅하는 것은 시스템이 잘 작동하는 지점, 즉 프로그램이 충돌하는 위치, 중단되는 위치, 느리게 실행되는 위치 등을 찾는 것이 었습니다. 논리적 오류가 프로젝트를 중단 시키거나 혼란시키는 위치를 찾는 것입니다. 함수가 제대로 작동하지 않거나 의도하지 않은 사용자 이벤트가있을 수 있습니다.
인공 지능에 대한 현대의 테스트는 매우 다른 평면에서 비슷한 노력을 기울일 수 있습니다. 인공 지능 기술이 선형보다 인지력이 높기 때문에 테스트는 훨씬 다른 형태를 취하지 만 인간은 여전히“버그를 찾고 있습니다. ”– 이러한 프로그램이 의도하지 않은 결과를 초래할 수있는 방법, 인간 기관에 영향을 미칠 수있는 방법 등.이를 염두에두고 속도계를 만들거나 인공 지능 진보를위한 벤치 마크를 만드는 다양한 방법이 있지만 위에서 설명한 어려운 테스트는 일반적으로 인공 지능이 얼마나 멀리 왔으며 더 많은 부정적인 것을 개발하지 않고 더 긍정적 인 결과를 제공하기 위해 수행해야 할 작업에 대해 인간에게 고유 한 통찰력을 제공합니다.
