Eksperternes forudsigelser for AI’s udvikling i 2020

VentureBeat interviewede nylig fem af de mest intelligente og erfarne eksperter inden for AI-området og bad dem om at gøre deres forudsigelser for, hvor AI er på vej hen i løbet af det kommende år. De personer, der blev interviewet til deres forudsigelser, var:

• Soumith Chintala, skaberen af PyTorch.
• Celeste Kidd, AI-professor ved University of California.
• Jeff Dean, chef for Google AI.
• Anima Anandkumar, direktør for maskinlæringsforskning hos Nvidia.
• Dario Gil, direktør for IBM Research.

Soumith Chintala

Chintala, skaberen af PyTorch, som sandsynligvis er det mest populære maskinlæringsframework lige nu, forudsagde, at 2020 vil se en større behov for neurale netværks-hardware-acceleratorer og metoder til at øge modeltræningshastigheder. Chintala forventede, at de næste par år vil se en øget fokus på, hvordan man kan bruge GPU’er optimalt og hvordan kompilering kan gøres automatisk for nye hardware. Ud over dette forventede Chintala, at AI-samfundet vil begynde at forfølge andre metoder til at kvantificere AI-præstation mere aggressivt, og lægge mindre vægt på ren nøjagtighed. Faktorer, der skal tages i betragtning, omfatter ting som mængden af energi, der er nødvendig for at træne en model, hvordan AI kan bruges til at opbygge den slags samfund, vi ønsker, og hvordan outputtet af et netværk kan forklares intuitivt for menneskelige operatører.

Celeste Kidd

Celeste Kidd har brugt en stor del af sin seneste karriere på at forkæmpe for mere ansvar på designerne af algoritmer, tekniske platforme og indholdsanbefalingsystemer. Kidd har ofte argumenteret for, at systemer, der er designede til at maksimere engagement, kan ende med at have alvorlige konsekvenser for, hvordan mennesker danner deres meninger og overbevisninger. Der bliver mere og mere fokus på den etiske brug af AI-algoritmer og -systemer, og Kidd forudsagde, at der i 2020 vil være en øget bevidsthed om, hvordan tekniske værktøjer og platforme påvirker menneskers liv og beslutninger, samt en afvisning af idéen om, at tekniske værktøjer kan være ægte neutralt designede.

“Vi skal virkelig, som et samfund og især som de mennesker, der arbejder på disse værktøjer, direkte værdsætte det ansvar, der følger med,” sagde Kidd.

Jeff Dean

Jeff Dean, den nuværende chef for Google AI, forudsagde, at der i 2020 vil være fremskridt i multimodal læring og multitask-læring. Multimodel-læring er, når AI trænes med multiple typer medie på samme tid, mens multitask-læring søger at tillade AI at træne på multiple opgaver på samme tid. Dean forventede også, at der vil blive gjort yderligere fremskridt i forhold til naturlig sprogbehandling modeller baseret på Transformer, såsom Google’s BERT-algoritme og de andre modeller, der toppede GLUE-leaderboards. Dean nævnte også, at han gerne vil se mindre ønske om at skabe de mest avancerede state-of-the-art-præstationsmodeller og mere ønske om at skabe modeller, der er mere robuste og fleksible.

Anima Anandkumar

Anandkumar forventede, at AI-samfundet vil skulle kæmpe med mange udfordringer i 2020, især behovet for mere diverse datasæt og behovet for at sikre folks privatliv, når de træner på data. Anandkumar forklarede, at selv om ansigtsgenkendelse ofte får mest opmærksomhed, er der mange områder, hvor folks privatliv kan blive krænket, og at disse problemer kan komme til at dominere diskussionen i 2020.

Anandkumar forventede også, at der vil blive gjort yderligere fremskridt i forhold til Transformer-baseret naturlig sprogbehandling modeller.

“Vi er stadig ikke på det stadium, hvor dialoggenerering er interaktiv, der kan holde trit og have naturlige samtaler. Så jeg tror, der vil blive gjort mere seriøse forsøg i 2020 i den retning,” sagde hun.

Til sidst forventede Anandkumar, at det kommende år vil se mere udvikling af den iterative algoritme og selv-overvågning. Disse træningsmetoder tillader AI-systemer at selv-træne i visse henseender og kan potentielt hjælpe med at skabe modeller, der kan forbedre sig selv ved selv-træning på data, der ikke er mærket.

Dario Gil

Gil forudsagde, at der i 2020 vil være mere fremskridt mod at skabe AI på en mere beregningsmæssigt effektiv måde, da måden, hvorpå dybe neurale netværk trænes i øjeblikket, er ineffektiv på mange måder. På grund af dette forventede Gil, at dette år vil se fremskridt i forhold til at skabe reducerede-præcisioner-arkitekturer og generelt træne mere effektivt. Ligesom nogle af de andre eksperter, der blev interviewet, forudsagde Gil, at i 2020 vil forskerne begynde at fokusere mere på metrikker ud over nøjagtighed. Gil udtrykte interesse for neuralsymbolisk AI, da IBM undersøger måder at skabe probabilistiske programmeringsmodeller ved hjælp af neuralsymboliske tilgange. Til sidst understregede Gil vigtigheden af at gøre AI mere tilgængeligt for dem, der er interesseret i maskinlæring, og af at fjerne opfattelsen af, at kun genier kan arbejde med AI og lave datavidenskab.

“Hvis vi efterlader det som en mytisk verden, dette felt af AI, der kun er tilgængeligt for de udvalgte PhD’er, der arbejder på dette, bidrager det ikke til dets adoption,” sagde Gil.