Πώς Επηρεάζει τα Οπτικά Σφάλματα της Τεχνητής Νοημοσύνης τα Συνθετικά Δεδομένα;

Αν και τα συνθετικά δεδομένα είναι ένα ισχυρό εργαλείο, μπορούν να μειώσουν τα οπτικά σφάλματα της τεχνητής νοημοσύνης μόνο υπό συγκεκριμένες συνθήκες. Σχεδόν σε όλες τις άλλες περιπτώσεις, θα τα ενισχύσουν. Γιατί συμβαίνει αυτό; Τι σημαίνει αυτό το φαινόμενο για εκείνους που έχουν επενδύσει σε αυτό;

Πώς Διαφέρουν τα Συνθετικά Δεδομένα από τα Πραγματικά Δεδομένα;

Τα συνθετικά δεδομένα είναι πληροφορίες που παράγονται από την τεχνητή νοημοσύνη. Αντί να συλλέγονται από πραγματικά γεγονότα ή παρατηρήσεις, παράγονται τεχνητά. Ωστόσο, μοιάζουν με τα πρωτότυπα αρκετά για να παράγουν ακριβή και σχετικά αποτελέσματα. Αυτή είναι η ιδέα, τουλάχιστον.

Για να δημιουργηθεί ένα τεχνητό σύνολο δεδομένων, οι μηχανικοί της τεχνητής νοημοσύνης εκπαιδεύουν einen γεννήτρια αλγόριθμο σε ένα πραγματικό σχεσιακό βάση δεδομένων. Όταν ζητηθεί, παράγει ένα δεύτερο σύνολο που αντανακλά στενά το πρώτο, αλλά δεν περιέχει πραγματικές πληροφορίες. Ενώ οι γενικοί προσανατολισμοί και οι μαθηματικές ιδιότητες παραμένουν ανέπαφες, υπάρχει αρκετός θόρυβος για να μασκαρεύσει τις πρωτότυπες σχέσεις.

Ένα σύνολο δεδομένων που παράγεται από την τεχνητή νοημοσύνη υπερβαίνει την ανωνυμοποίηση, αναπαράγοντας την υποκείμενη λογική των σχέσεων μεταξύ πεδίων, αντί να αντικαθιστά απλώς πεδία με ισοδύναμες εναλλακτικές.既然 δεν περιέχει ταυτοποιητικές λεπτομέρειες, οι εταιρείες μπορούν να τα χρησιμοποιήσουν για να παρακάμψουν τους κανονισμούς περί προστασίας δεδομένων και πνευματικών δικαιωμάτων. Πιο σημαντικά, μπορούν να τα μοιράσουν ή να τα διανείμουν ελεύθερα χωρίς φόβο παραβίασης.

Ωστόσο, τα ψευδή δεδομένα χρησιμοποιούνται πιο συχνά για συμπλήρωση. Οι εταιρείες μπορούν να τα χρησιμοποιήσουν για να εμπλουτίσουν ή να επεκτείνουν δείγματα που είναι πολύ μικρά, τα κάνουν αρκετά μεγάλα για να εκπαιδεύσουν αποτελεσματικά τα συστήματα της τεχνητής νοημοσύνης.

Μειώνουν τα Συνθετικά Δεδομένα τα Οπτικά Σφάλματα της Τεχνητής Νοημοσύνης;

Κάποιες φορές, οι αλγόριθμοι αναφέρουν μη υπαρκτά γεγονότα ή κάνουν λογικά αδιανόητες προτάσεις. Αυτά τα οπτικά σφάλματα είναι συχνά ανοησιά, παραπλανητικά ή λανθασμένα. Για παράδειγμα, ένα μεγάλο μοντέλο γλώσσας μπορεί να γράψει ένα άρθρο για το πώς να εξημερώσετε λιοντάρια ή να γίνετε γιατρός σε ηλικία 6 ετών. Ωστόσο, δεν είναι όλα τόσο ακραία, γεγονός που μπορεί να κάνει τη αναγνώριση τους δύσκολη.

Εάν τα συνθετικά δεδομένα είναι κατάλληλα επιμελημένα, μπορούν να μειώσουν αυτές τις περιπτώσεις. Ένα σχετικό, αυθεντικό σύνολο δεδομένων εκπαίδευσης είναι η βάση για κάθε μοντέλο, οπότε είναι λογικό να υποθέσουμε ότι όσο περισσότερες λεπτομέρειες έχει κάποιος, τόσο πιο ακριβή θα είναι η έξοδος του μοντέλου. Ένα συμπληρωματικό σύνολο δεδομένων επιτρέπει την κλιμάκωση, ακόμη και για ιδιαίτερες εφαρμογές με περιορισμένες δημόσιες πληροφορίες.

Η αποβιομηχάνιση είναι ένας άλλος τρόπος με τον οποίο ένα συνθετικό σύνολο δεδομένων μπορεί να μειώσει τα οπτικά σφάλματα της τεχνητής νοημοσύνης. Σύμφωνα με το MIT Sloan School of Management, μπορεί να βοηθήσει στην αντιμετώπιση των προκαταλήψεων γιατί δεν είναι περιορισμένο στο αρχικό μέγεθος του δείγματος. Οι επαγγελματίες μπορούν να χρησιμοποιήσουν πραγματικές λεπτομέρειες για να γεμίσουν τα κενά όπου οι υποπопуляции είναι υποαντιπροσωπεύονται ή υπεραντιπροσωπεύονται.

Πώς τα Τεχνητά Δεδομένα Κάνουν τα Οπτικά Σφάλματα Χειρότερα

既然 τα έξυπνα αλγόριθμοι δεν μπορούν να συλλογισθούν ή να δώσουν контекστοποίηση στις πληροφορίες, είναι ευάλωτοι στα οπτικά σφάλματα. Τα γεννητικά μοντέλα —特别 τα μοντέλα μεγάλης κλίμακας γλώσσας — είναι ιδιαίτερα ευάλωτα. Σε κάποιους τρόπους, τα τεχνητά δεδομένα ενισχύουν το πρόβλημα.

Ενίσχυση Προκαταλήψεων

Όπως οι άνθρωποι, η τεχνητή νοημοσύνη μπορεί να μάθει και να αναπαράγει προκαταλήψεις. Εάν ένα τεχνητό σύνολο δεδομένων υπερτιμάει ορισμένες ομάδες ενώ υποτιμά άλλες — το οποίο είναι εύκολο να γίνει ακούσια — η λογική της λήψης αποφάσεων θα στρεβλώσει, επηρεάζοντας αρνητικά την ακρίβεια της έξοδου.

Ένα παρόμοιο πρόβλημα μπορεί να προκύψει όταν οι εταιρείες χρησιμοποιούν ψευδή δεδομένα για να εξαφανίσουν τις πραγματικές προκαταλήψεις, γιατί μπορεί να μην αντανακλούν πλέον την πραγματικότητα. Για παράδειγμα,既然 πάνω από το 99% των καρκίνων του μαστού συμβαίνουν σε γυναίκες, η χρήση συμπληρωματικών πληροφοριών για να ισορροπήσει την αναπαράσταση θα μπορούσε να στρεβλώσει τις διαγνώσεις.

Διατομικές Οπτικές Σφάλματα

Η διατομικότητα είναι ένα κοινωνιολογικό πλαίσιο που περιγράφει πώς οι δημογραφικές παράμετροι όπως η ηλικία, το φύλο, η φυλή, η εργασία και η κοινωνική τάξη διασταυρώνονται. Αναλύει πώς οι ομάδες με υπερβαίνοντας κοινωνικές ταυτότητες οδηγούν σε μοναδικές συνδυασίες διακρίσεων και προνομίων.

Όταν ένα γεννητικό μοντέλο ζητηθεί να παράγει τεχνητές λεπτομέρειες με βάση αυτά που έχει εκπαιδευτεί, μπορεί να παράγει συνδυασμούς που δεν υπήρχαν στο πρωτότυπο ή είναι λογικά αδιανόητοι.

Η Ericka Johnson, καθηγήτρια φύλου και κοινωνίας στο Πανεπιστήμιο Linköping, δούλεψε με έναν επιστήμονα της μηχανικής μάθησης για να δείξει αυτό το φαινόμενο. Χρησιμοποίησαν ένα γεννητικό ανταγωνιστικό δίκτυο για να δημιουργήσουν συνθετικές εκδόσεις των στοιχείων της απογραφής των Ηνωμένων Πολιτειών του 1990.

Αμέσως, παρατήρησαν ένα σαφές πρόβλημα. Η τεχνητή έκδοση είχε κατηγορίες με τίτλο “σύζυγος και μονό” και “ποτέ-παντρεμένοι σύζυγοι”, και οι δύο ήταν διατομικές οπτικές σφάλματα.

Χωρίς την κατάλληλη επιμέλεια, το αντίγραφο του συνόλου δεδομένων θα υπερεκπροσωπήσει πάντα τις κυρίαρχες υποπопуляции στα σύνολα δεδομένων, ενώ θα υποεκπροσωπήσει — ή ακόμη και θα εξαιρέσει — τις υποεκπροσωπημένες ομάδες. Οι περιπτώσεις άκρων και οι αποκλίσεις μπορεί να αγνοηθούν εντελώς προς όφελος των κυρίαρχων τάσεων.

Κрах Μοντέλου

Μια υπερβολική εξάρτηση από τεχνητές τάσεις και προσανατολισμούς οδηγεί σε κрах μοντέλου — όπου η απόδοση ενός αλγορίθμου χειροτερεύει δραματικά καθώς γίνεται λιγότερο προσαρμόσιμος στις πραγματικές παρατηρήσεις και γεγονότα.

Αυτό το φαινόμενο είναι ιδιαίτερα εμφανές στην επόμενη γενιά γεννητικών μοντέλων της τεχνητής νοημοσύνης. Η επαναλαμβανόμενη χρήση ενός τεχνητού αντίγραφου για την εκπαίδευση τους οδηγεί σε einen αυτοκαταναλωτικό κύκλο. Μια μελέτη βρήκε ότι η ποιότητα και η ανακληση τους υποβαθμίζονται σταδιακά χωρίς αρκετές πρόσφατες, πραγματικές πληροφορίες σε κάθε γενιά.

Υπερπροσαρμογή

Η υπερπροσαρμογή είναι μια υπερβολική εξάρτηση από τα δεδομένα εκπαίδευσης. Ο αλγόριθμος εκτελείται καλά αρχικά, αλλά θα οδηγήσει σε οπτικά σφάλματα όταν παρουσιαστούν νέα σημεία δεδομένων. Τα συνθετικά δεδομένα μπορούν να ενισχύσουν αυτό το πρόβλημα εάν δεν αντανακλούν ακριβώς την πραγματικότητα.

Οι Επιπτώσεις της Συνεχιζόμενης Χρήσης Συνθετικών Δεδομένων

Η αγορά των συνθετικών δεδομένων είναι σε άνθηση. Οι εταιρείες σε αυτόν τον κλάδο συγκέντρωσαν περίπου 328 εκατομμύρια δολάρια το 2022, σε σύγκριση με 53 εκατομμύρια δολάρια το 2020 — μια αύξηση 518% σε μόλις 18 μήνες. Αξίζει να σημειωθεί ότι αυτό είναι μόνο η δημόσια γνωστή χρηματοδότηση, γεγονός που σημαίνει ότι ο πραγματικός αριθμός μπορεί να είναι ακόμη υψηλότερος. Είναι ασφαλές να πούμε ότι οι εταιρείες είναι εξαιρετικά επενδυμένες σε αυτή τη λύση.

Εάν οι εταιρείες συνεχίσουν να χρησιμοποιούν ένα τεχνητό σύνολο δεδομένων χωρίς την κατάλληλη επιμέλεια και αποβιομηχάνιση, η απόδοση του μοντέλου τους θα υποβαθμιστεί σταδιακά, χαλώντας τις επενδύσεις τους στην τεχνητή νοημοσύνη. Τα αποτελέσματα μπορεί να είναι πιο σοβαρά, ανάλογα με την εφαρμογή. Για παράδειγμα, στην υγεία, μια αύξηση των οπτικών σφαλμάτων θα μπορούσε να οδηγήσει σε λανθασμένες διαγνώσεις ή ακατάλληλους σχεδιασμούς θεραπείας, οδηγώντας σε χειρότερες αποτελέσματα για τους ασθενείς.

Η Λύση Δεν Θα Περιλαμβάνει την Επιστροφή στα Πραγματικά Δεδομένα

Τα συστήματα της τεχνητής νοημοσύνης χρειάζονται εκατομμύρια, αν όχι δισεκατομμύρια, εικόνων, κειμένων και βίντεο για την εκπαίδευση, πολλά από τα οποία συλλέγονται από δημόσιους ιστότοπους και συλλέγονται σε τεράστια, ανοιχτά σύνολα δεδομένων. Δυστυχώς, οι αλγόριθμοι καταναλώνουν αυτές τις πληροφορίες πιο γρήγορα από ό,τι οι άνθρωποι μπορούν να τις παράγουν. Τι συμβαίνει όταν μάθουν όλα;

Οι ηγέτες των επιχειρήσεων ανησυχούν ότι θα χτυπήσουν τον τοίχο των δεδομένων — το σημείο στο οποίο όλα τα δημόσια δεδομένα στο διαδίκτυο θα έχουν εξαντληθεί. Μπορεί να προσεγγίζει πιο γρήγορα από ό,τι νομίζουν.

Αν και η ποσότητα των κειμένων σε μια τυπική ιστοσελίδα και ο αριθμός των χρηστών του διαδικτύου αυξάνονται κατά 2% έως 4% ετησίως, οι αλγόριθμοι εξαντλούν τα υψηλής ποιότητας δεδομένα. Μόνο το 10% έως 40% μπορεί να χρησιμοποιηθεί για την εκπαίδευση χωρίς να επηρεάσει την απόδοση. Εάν οι τάσεις συνεχιστούν, η αποθήκη δημόσιων πληροφοριών που παράγονται από ανθρώπους θα μπορούσε να εξαντληθεί μέχρι το 2026.

Σε όλες τις πιθανότητες, ο κλάδος της τεχνητής νοημοσύνης θα χτυπήσει τον τοίχο των δεδομένων ακόμη πιο γρήγορα. Η εκρηκτική αύξηση της γεννητικής τεχνητής νοημοσύνης τα τελευταία χρόνια έχει αυξήσει τις εντάσεις σχετικά με την ιδιοκτησία και την παραβίαση πνευματικών δικαιωμάτων. Περισσότεροι ιδιοκτήτες ιστοσελίδων χρησιμοποιούν το Πρωτόκολλο Αποκλεισμού Ρομπότ — ένα πρότυπο που χρησιμοποιεί ένα αρχείο robots.txt για να αποκλείσει τους web crawlers — ή κάνουν σαφές ότι η ιστοσελίδα τους είναι εκτός ορίων.

Μια μελέτη του 2024 που δημοσιεύθηκε από μια ομάδα ερευνών του MIT αποκάλυψε ότι οι περιορισμοί στο Colossal Cleaned Common Crawl (C4) — ένα μεγάλο σύνολο δεδομένων web crawl — αυξάνονται. Περισσότερο από 28% των πιο ενεργών, κρίσιμων πηγών στο C4 ήταν πλήρως περιορισμένα. Επιπλέον, το 45% του C4 έχει οριστεί ως εκτός ορίων από τους όρους υπηρεσίας.

Εάν οι εταιρείες σεβαστούν αυτούς τους περιορισμούς, η φρεσκάδα, η σχετικότητα και η ακρίβεια των πραγματικών δημόσιων δεδομένων θα μειωθούν, αναγκάζοντάς τις να βασιστούν σε τεχνητά σύνολα δεδομένων. Μπορεί να μην έχουν πολλές επιλογές εάν τα δικαστήρια αποφανθούν ότι οποιαδήποτε εναλλακτική λύση είναι παραβίαση πνευματικών δικαιωμάτων.

Το Μέλλον των Συνθετικών Δεδομένων και των Οπτικών Σφαλμάτων της Τεχνητής Νοημοσύνης

Όσο οι νόμοι περί πνευματικών δικαιωμάτων εξελίσσονται και περισσότεροι ιδιοκτήτες ιστοσελίδων κρύβουν το περιεχόμενό τους από τους web crawlers, η γεννήτρια των συνθετικών δεδομένων θα γίνει ολοένα και πιο δημοφιλής. Οι οργανισμοί πρέπει να προετοιμαστούν για να αντιμετωπίσουν την απειλή των οπτικών σφαλμάτων.