Τα 5 παραπλανητικά δεδομένα για την τεχνητή νοημοσύνη

Οι άνθρωποι έχουν συνηθίσει να βλέπουν δεδομένα για αυτό που είναι σε πολλές περιπτώσεις: μια γνώμη. Στην πραγματικότητα, σε ορισμένες περιπτώσεις, οι άνθρωποι παραμορφώνουν τα δεδομένα σε σημείο που γίνονται άχρηστα, μια παρεξήγηση. Ένας υπολογιστής ή μια εφαρμογή τεχνητής νοημοσύνης δεν μπορεί να διακρίνει τη διαφορά μεταξύ αληθών και αναληθών δεδομένων - το μόνο που βλέπει είναι δεδομένα. Ένα από τα ζητήματα που καθιστούν δύσκολη, αν όχι αδύνατη, τη δημιουργία μιας τεχνητής νοημοσύνης που στην πραγματικότητα σκέφτεται σαν άνθρωπος είναι ότι οι άνθρωποι μπορούν να δουλέψουν με παραπλανήσεις και οι υπολογιστές όχι. Το καλύτερο που μπορείτε να ελπίζετε ότι θα επιτύχετε είναι να δείτε τα λανθασμένα δεδομένα ως ακραία σημεία και στη συνέχεια να τα φιλτράρετε, αλλά αυτή η τεχνική δεν λύνει απαραίτητα το πρόβλημα, επειδή ένας άνθρωπος θα εξακολουθούσε να χρησιμοποιεί τα δεδομένα και να προσπαθεί να προσδιορίσει μια αλήθεια με βάση τις ανακρίβειες που είναι εκεί.

Μια κοινή σκέψη για τη δημιουργία λιγότερο μολυσμένων συνόλων δεδομένων είναι ότι αντί να επιτρέπεται στους ανθρώπους να εισάγουν τα δεδομένα, θα πρέπει να είναι δυνατή η συλλογή των δεδομένων μέσω αισθητήρων ή άλλων μέσων. Δυστυχώς, οι αισθητήρες και άλλες μεθοδολογίες μηχανικής εισαγωγής αντικατοπτρίζουν τους στόχους των ανθρώπων των εφευρετών τους και τα όρια αυτού που μπορεί να ανιχνεύσει η συγκεκριμένη τεχνολογία. Κατά συνέπεια, ακόμη και δεδομένα που προέρχονται από μηχανή ή δεδομένα αισθητήρων υπόκεινται επίσης σε δημιουργία αναληθειών που είναι αρκετά δύσκολο για μια τεχνητή νοημοσύνη να ανιχνεύσει και να ξεπεράσει.

Η ακόλουθη συζήτηση χρησιμοποιεί ένα αυτοκινητιστικό ατύχημα ως κύριο παράδειγμα για να επεξηγήσει πέντε τύπους παραπλανήσεων που μπορεί να εμφανιστούν στα δεδομένα. Οι έννοιες που προσπαθεί να απεικονίσει το ατύχημα μπορεί να μην εμφανίζονται πάντα στα δεδομένα και μπορεί να εμφανίζονται με διαφορετικούς τρόπους από αυτούς που συζητήθηκαν. Το γεγονός παραμένει ότι κανονικά πρέπει να αντιμετωπίζετε τέτοια πράγματα κατά την προβολή δεδομένων.

Παραπλανήσεις της Επιτροπής

Λανθασμένες ανακρίβειες είναι αυτές που αντικατοπτρίζουν μια ξεκάθαρη προσπάθεια αντικατάστασης αληθών πληροφοριών με αναληθείς πληροφορίες. Για παράδειγμα, όταν συμπληρώνουν μια αναφορά ατυχήματος, κάποιος θα μπορούσε να δηλώσει ότι ο ήλιος τον τύφλωσε στιγμιαία, καθιστώντας αδύνατο να δουν κάποιον που χτύπησε. Στην πραγματικότητα, ίσως το άτομο αποσπάστηκε από κάτι άλλο ή δεν σκεφτόταν πραγματικά να οδηγήσει (ενδεχομένως να σκεφτεί ένα ωραίο δείπνο). Εάν κανείς δεν μπορεί να διαψεύσει αυτή τη θεωρία, το άτομο μπορεί να τα βγάλει πέρα ​​με μικρότερη χρέωση. Ωστόσο, το θέμα είναι ότι τα δεδομένα θα ήταν επίσης μολυσμένα. Το αποτέλεσμα είναι ότι τώρα μια ασφαλιστική εταιρεία θα βασίζει τα ασφάλιστρα σε λανθασμένα δεδομένα.

Αν και φαίνεται ότι οι ανακρίβειες σχετικά με την προμήθεια μπορούν να αποφευχθούν εντελώς, συχνά δεν είναι. Οι άνθρωποι λένε «μικρά λευκά ψέματα» για να σώσουν τους άλλους από την αμηχανία ή για να αντιμετωπίσουν ένα θέμα με τη λιγότερη προσωπική προσπάθεια. Μερικές φορές μια ανακρίβεια της προμήθειας βασίζεται σε εσφαλμένες πληροφορίες ή φήμες. Στην πραγματικότητα, οι πηγές για τα λάθη της προμήθειας είναι τόσες πολλές που είναι πραγματικά δύσκολο να βρούμε ένα σενάριο όπου κάποιος θα μπορούσε να τις αποφύγει εντελώς. Με όλα αυτά, οι λανθασμένες ανακρίβειες είναι ένας τύπος ανακρίβειας που κάποιος μπορεί να αποφύγει τις περισσότερες φορές.

Λανθασμένες παραλείψεις

Λανθασμένες παραλείψεις είναι εκείνες όπου ένα άτομο λέει την αλήθεια σε κάθε δηλωμένο γεγονός αλλά αφήνει έξω ένα σημαντικό γεγονός που θα άλλαζε την αντίληψη ενός περιστατικού στο σύνολό του. Σκεφτόμενοι ξανά την αναφορά ατυχήματος, πείτε ότι κάποιος χτυπά ένα ελάφι, προκαλώντας σημαντική ζημιά στο αυτοκίνητό του. Ειλικρινά λέει ότι ο δρόμος ήταν βρεγμένος. Ήταν κοντά στο λυκόφως, οπότε το φως δεν ήταν τόσο καλό όσο θα μπορούσε. άργησε λίγο να πατήσει το φρένο? και το ελάφι απλά έτρεξε έξω από ένα αλσύλλιο στην άκρη του δρόμου. Το συμπέρασμα θα ήταν ότι το περιστατικό είναι απλώς ένα ατύχημα.

Ωστόσο, το άτομο έχει παραλείψει ένα σημαντικό γεγονός. Εκείνη την ώρα έστελνε μηνύματα. Εάν οι αρχές επιβολής του νόμου γνώριζαν για τα μηνύματα, θα άλλαζαν την αιτία του ατυχήματος σε απρόσεκτη οδήγηση. Ο οδηγός μπορεί να επιβληθεί πρόστιμο και ο ρυθμιστής ασφάλισης θα χρησιμοποιούσε διαφορετικό λόγο κατά την εισαγωγή του περιστατικού στη βάση δεδομένων. Όπως και με την ανακρίβεια της προμήθειας, τα προκύπτοντα λανθασμένα δεδομένα θα άλλαζαν τον τρόπο με τον οποίο η ασφαλιστική εταιρεία προσαρμόζει τα ασφάλιστρα.

Είναι σχεδόν αδύνατο να αποφευχθούν οι λανθασμένες παραλείψεις. Ναι, κάποιος θα μπορούσε σκόπιμα να αφήσει γεγονότα εκτός μιας αναφοράς, αλλά είναι εξίσου πιθανό κάποιος απλά να ξεχάσει να συμπεριλάβει όλα τα γεγονότα. Εξάλλου, οι περισσότεροι άνθρωποι τρανταχτούν μετά από ένα ατύχημα, επομένως είναι εύκολο να χάσετε την εστίαση και να αναφέρετε μόνο εκείνες τις αλήθειες που άφησαν την πιο σημαντική εντύπωση. Ακόμα κι αν ένα άτομο αργότερα θυμηθεί πρόσθετες λεπτομέρειες και τις αναφέρει, η βάση δεδομένων είναι απίθανο να περιέχει ποτέ ένα πλήρες σύνολο αληθειών.

Λανθασμένες προοπτικές

Οι λανθασμένες προοπτικές συμβαίνουν όταν πολλά μέρη βλέπουν ένα περιστατικό από πολλαπλά πλεονεκτήματα. Για παράδειγμα, όταν σκεφτόμαστε ένα ατύχημα στο οποίο εμπλέκεται ένας χτυπημένος πεζός, το άτομο που οδηγεί το αυτοκίνητο, το άτομο που χτυπιέται από το αυτοκίνητο και ένας περαστικός που είδε το συμβάν θα έχουν όλοι διαφορετικές οπτικές γωνίες. Ένας αξιωματικός που λαμβάνει αναφορές από κάθε άτομο θα λάμβανε κατανοητά διαφορετικά στοιχεία από το καθένα, ακόμη και αν υποτεθεί ότι κάθε άτομο λέει την αλήθεια όπως το γνωρίζει ο καθένας. Στην πραγματικότητα, η εμπειρία δείχνει ότι αυτό συμβαίνει σχεδόν πάντα και αυτό που ο αξιωματικός υποβάλλει ως αναφορά είναι η μέση λύση για όσα δηλώνει ο καθένας από τους εμπλεκόμενους, επαυξημένη από την προσωπική εμπειρία. Με άλλα λόγια, η έκθεση θα είναι κοντά στην αλήθεια, αλλά όχι αρκετά κοντά για ένα AI.

Όταν ασχολείστε με την προοπτική, είναι σημαντικό να λάβετε υπόψη το πλεονέκτημα. Ο οδηγός του αυτοκινήτου μπορεί να δει το ταμπλό και γνωρίζει την κατάσταση του αυτοκινήτου τη στιγμή του ατυχήματος. Πρόκειται για πληροφορίες που λείπουν από τα άλλα δύο κόμματα. Ομοίως, το άτομο που χτυπιέται από το αυτοκίνητο έχει την καλύτερη πλεονεκτική θέση για να δει την έκφραση του προσώπου του οδηγού (πρόθεση). Ο παρευρισκόμενος μπορεί να είναι στην καλύτερη θέση για να δει εάν ο οδηγός προσπάθησε να σταματήσει και να αξιολογήσει ζητήματα όπως εάν ο οδηγός προσπάθησε να παρεκτραπεί. Κάθε συμβαλλόμενο μέρος θα πρέπει να κάνει μια αναφορά με βάση τα δεδομένα που έχουν δει χωρίς το πλεονέκτημα των κρυφών δεδομένων.

Το Perspective είναι ίσως το πιο επικίνδυνο από τα λανθασμένα, επειδή όποιος προσπαθεί να αντλήσει την αλήθεια σε αυτό το σενάριο, στην καλύτερη περίπτωση, θα καταλήξει με έναν μέσο όρο από τις διάφορες ιστορίες, που ποτέ δεν θα είναι πλήρως σωστές. Ένας άνθρωπος που βλέπει τις πληροφορίες μπορεί να βασιστεί στη διαίσθηση και το ένστικτο για να αποκτήσει δυνητικά καλύτερη προσέγγιση της αλήθειας, αλλά ένα AI θα χρησιμοποιεί πάντα μόνο τον μέσο όρο, πράγμα που σημαίνει ότι το AI βρίσκεται πάντα σε σημαντικό μειονέκτημα. Δυστυχώς, η αποφυγή λανθασμένων προοπτικών είναι αδύνατη, διότι ανεξάρτητα από το πόσους μάρτυρες έχετε στο γεγονός, το καλύτερο που μπορείτε να ελπίζετε να επιτύχετε είναι η προσέγγιση της αλήθειας, όχι της πραγματικής αλήθειας.

Υπάρχει επίσης ένα άλλο είδος ανακρίβειας που πρέπει να λάβετε υπόψη, και είναι μια προοπτική. Σκεφτείτε αυτό το σενάριο: Είστε ένα κωφό άτομο το 1927. Κάθε εβδομάδα, πηγαίνετε στο θέατρο για να δείτε μια βωβή ταινία και για μια ώρα ή περισσότερο, αισθάνεστε όπως όλοι οι άλλοι. Μπορείτε να ζήσετε την ταινία με τον ίδιο τρόπο που βιώνουν όλοι οι άλλοι. δεν υπάρχουν διαφορές. Τον Οκτώβριο εκείνου του έτους, βλέπετε μια πινακίδα που λέει ότι το θέατρο αναβαθμίζεται ώστε να υποστηρίζει ένα σύστημα ήχου ώστε να μπορεί να εμφανίζει ομιλητές— ταινίες με ηχητικό κομμάτι. Η πινακίδα λέει ότι είναι ό,τι καλύτερο έχει γίνει ποτέ, και σχεδόν όλοι φαίνεται να συμφωνούν, εκτός από εσένα, τον κωφό, που τώρα έχεις κάνει να νιώθεις πολίτης δεύτερης κατηγορίας, διαφορετικός από όλους και ακόμη και λίγο πολύ αποκλεισμένος από το θέατρο . Στα μάτια του κωφού, αυτό το σημάδι είναι μια παρεξήγηση. Η προσθήκη ενός συστήματος ήχου είναι το χειρότερο δυνατό πράγμα, όχι το καλύτερο δυνατό πράγμα. Το θέμα είναι ότι αυτό που φαίνεται να είναι γενικά αληθινό δεν ισχύει στην πραγματικότητα για όλους. Η ιδέα μιας γενικής αλήθειας - μιας αλήθειας που ισχύει για όλους - είναι μύθος. Δεν υπάρχει.

Παραπλανήσεις της προκατάληψης

Οι λανθασμένες προκαταλήψεις συμβαίνουν όταν κάποιος είναι σε θέση να δει την αλήθεια, αλλά λόγω προσωπικών ανησυχιών ή πεποιθήσεων δεν μπορεί να τη δει πραγματικά. Για παράδειγμα, όταν σκέφτεται ένα ατύχημα, ένας οδηγός μπορεί να εστιάσει την προσοχή του τόσο εντελώς στη μέση του δρόμου ώστε το ελάφι στην άκρη του δρόμου να γίνει αόρατο. Κατά συνέπεια, ο οδηγός δεν έχει χρόνο να αντιδράσει όταν το ελάφι αποφασίζει ξαφνικά να βγει στη μέση του δρόμου σε μια προσπάθεια να περάσει.

Ένα πρόβλημα με την προκατάληψη είναι ότι μπορεί να είναι απίστευτα δύσκολο να κατηγοριοποιηθεί. Για παράδειγμα, ένας οδηγός που αποτυγχάνει να δει το ελάφι μπορεί να έχει ένα πραγματικό ατύχημα, που σημαίνει ότι το ελάφι ήταν κρυμμένο από τα μάτια από θάμνους. Ωστόσο, ο οδηγός μπορεί επίσης να είναι ένοχος για απρόσεκτη οδήγηση λόγω λανθασμένης εστίασης. Ο οδηγός μπορεί επίσης να βιώσει μια στιγμιαία απόσπαση της προσοχής. Εν ολίγοις, το γεγονός ότι ο οδηγός δεν είδε το ελάφι δεν είναι το ζητούμενο. Αντίθετα, είναι θέμα γιατί ο οδηγός δεν είδε το ελάφι. Σε πολλές περιπτώσεις, η επιβεβαίωση της πηγής μεροληψίας καθίσταται σημαντική κατά τη δημιουργία ενός αλγόριθμου σχεδιασμένου για την αποφυγή μιας πηγής μεροληψίας.

Θεωρητικά, είναι πάντα δυνατή η αποφυγή παραπλανητικών προκαταλήψεων. Στην πραγματικότητα, ωστόσο, όλοι οι άνθρωποι έχουν προκαταλήψεις διαφόρων τύπων και αυτές οι προκαταλήψεις θα οδηγούν πάντα σε ανακρίβειες που παραμορφώνουν τα σύνολα δεδομένων. Απλώς το να κάνεις κάποιον να κοιτάξει πραγματικά και μετά να δει κάτι —να το καταγράψει στον εγκέφαλο του ατόμου— είναι ένα δύσκολο έργο. Οι άνθρωποι βασίζονται στα φίλτρα για να αποφύγουν την υπερφόρτωση πληροφοριών και αυτά τα φίλτρα αποτελούν επίσης πηγή προκατάληψης επειδή εμποδίζουν τους ανθρώπους να δουν πραγματικά πράγματα.

Πλαίσιο αναφοράς

Από τις πέντε ανακρίβειες, το πλαίσιο αναφοράς δεν χρειάζεται να είναι στην πραγματικότητα το αποτέλεσμα κάποιου είδους λάθους, αλλά ένα αποτέλεσμα κατανόησης. Μια ανακρίβεια του πλαισίου αναφοράς εμφανίζεται όταν ένα μέρος περιγράφει κάτι, όπως ένα γεγονός όπως ένα ατύχημα, και επειδή ένα δεύτερο μέρος δεν έχει εμπειρία με το γεγονός, οι λεπτομέρειες γίνονται μπερδεμένες ή εντελώς παρεξηγημένες. Οι ρουτίνες κωμωδίας αφθονούν που βασίζονται σε λάθη του πλαισίου αναφοράς. Ένα διάσημο παράδειγμα είναι από τους Abbott and Costello, Who's On First; . Το να καταλάβετε ένα άτομο τι λέει ένα δεύτερο άτομο μπορεί να είναι αδύνατο όταν το πρώτο άτομο στερείται βιωματικών γνώσεων - το πλαίσιο αναφοράς.

Ένα άλλο παράδειγμα ανακρίβειας πλαισίου αναφοράς εμφανίζεται όταν το ένα μέρος δεν μπορεί να καταλάβει το άλλο. Για παράδειγμα, ένας ναύτης βιώνει μια καταιγίδα στη θάλασσα. Ίσως είναι μουσώνας, αλλά υποθέστε για μια στιγμή ότι η καταιγίδα είναι σημαντική — ίσως απειλητική για τη ζωή. Ακόμη και με τη χρήση βίντεο, συνεντεύξεων και προσομοιωτή, η εμπειρία του να βρίσκεσαι στη θάλασσα σε μια απειλητική για τη ζωή καταιγίδα θα ήταν αδύνατο να μεταφερθεί σε κάποιον που δεν έχει βιώσει μια τέτοια καταιγίδα από πρώτο χέρι. αυτό το άτομο δεν έχει πλαίσιο αναφοράς.

Ο καλύτερος τρόπος για να αποφευχθούν οι ανακρίβειες του πλαισίου αναφοράς είναι να διασφαλιστεί ότι όλα τα εμπλεκόμενα μέρη μπορούν να αναπτύξουν παρόμοια πλαίσια αναφοράς. Για να επιτευχθεί αυτό το έργο, τα διάφορα μέρη απαιτούν παρόμοιες εμπειρικές γνώσεις για να διασφαλίσουν την ακριβή μεταφορά δεδομένων από το ένα άτομο στο άλλο. Ωστόσο, όταν εργάζεστε με ένα σύνολο δεδομένων, το οποίο είναι απαραίτητα καταγεγραμμένο, στατικά δεδομένα, σφάλματα πλαισίου αναφοράς θα εξακολουθούν να εμφανίζονται όταν ο υποψήφιος θεατής δεν έχει την απαιτούμενη βιωματική γνώση.

Μια τεχνητή νοημοσύνη θα αντιμετωπίζει πάντα ζητήματα πλαισίου αναφοράς, επειδή μια τεχνητή νοημοσύνη κατ' ανάγκη δεν έχει την ικανότητα να δημιουργήσει μια εμπειρία. Μια τράπεζα δεδομένων της αποκτηθείσας γνώσης δεν είναι ακριβώς το ίδιο πράγμα. Η τράπεζα δεδομένων θα περιέχει γεγονότα, αλλά η εμπειρία βασίζεται όχι μόνο σε γεγονότα αλλά και σε συμπεράσματα που η τρέχουσα τεχνολογία δεν μπορεί να αντιγράψει.