Στηβ Νέμζερ, Sr. Διευθυντής, AI Growth & Innovation, TELUS Digital – Σειρά Συνεντεύξεων

Στηβ Νέμζερ, Sr. Διευθυντής, AI Growth & Innovation, TELUS Digital, ηγείται πρωτοβουλιών που επικεντρώνονται στην προώθηση των δεδομένων εκπαίδευσης AI και της υποδομής για τα επόμενα συστήματα τεχνητής νοημοσύνης. Το έργο του περιλαμβάνει την ανάπτυξη συνόλων δεδομένων για μοντέλα ερευνών, περιβάλλοντα ενίσχυσης μάθησης, δεδομένα μοντέλου κόσμου, πρωτοβουλίες κυριαρχίας AI και πλαισιαία μείωσης κινδύνων AI, με έμφαση στις υπεύθυνες πρακτικές AI, όπως η αντιμετώπιση της προκατάληψης του συνόλου δεδομένων και η υποστήριξη δίκαιων συνθηκών εργασίας για τους εκπαιδευτές AI. Νωρίτερα στην καριέρα του, ο Νέμζερ ίδρυσε τα VeriTest Labs, βοηθώντας τους πρώτους ηγέτες της τεχνολογίας, συμπεριλαμβανομένων των Microsoft (MSFT ), Intel (INTC ), Oracle (ORCL ) και Sun Microsystems, να κατασκευάσουν ευημερούντα οικοσυστήματα λογισμικού τρίτων πριν από την απόκτηση της εταιρείας από την Lionbridge.

TELUS Digital είναι μια παγκόσμια εταιρεία τεχνολογικών υπηρεσιών που βοηθά τις οργανώσεις να σχεδιάζουν, να κατασκευάζουν και να λειτουργούν ψηφιακές πλατφόρμες και λύσεις που βασίζονται στην τεχνητή νοημοσύνη. Λειτουργώντας σε δεκάδες χώρες, η εταιρεία παρέχει υπηρεσίες όπως δεδομένα εκπαίδευσης AI και σήμανση, μηχανική ψηφιακών προϊόντων και διαχείριση εμπειρίας πελατών. Οι πλατφόρμες και οι υπηρεσίες της υποστηρίζουν επιχειρήσεις σε διάφορους κλάδους, συμπεριλαμβανομένων της τεχνολογίας, των χρηματοοικονομών, της υγείας, των τηλεπικοινωνιών και του gaming, καθώς οι επιχειρήσεις αυτές αναβαθμίζουν τις λειτουργίες τους και αναπτύσσουν προηγμένα ικανότητες AI.

Δεδομένης της προηγούμενης εμπειρίας σας σε δοκιμές AI, επικύρωση δεδομένων και υπεύθυνη ανάπτυξη, πώς βλέπετε τη μετατόπιση από τη γλώσσα-κίνητη γενετική AI προς τα μοντέλα κόσμου που στοχεύουν να συλλογισθούν για πραγματικές καταστάσεις και αποτελέσματα, ιδιαίτερα στη σημερινή σας θέση στο TELUS Digital;

Τα μεγάλα μοντέλα γλώσσας (LLM) είναι ουσιαστικά συστήματα πρόβλεψης προτύπων. Παραγάγουν απαντήσεις προβλέποντας το επόμενο token με βάση τα πρότυπα που έχουν μάθει από μεγάλα, στατικά corpora. Αν και αυτό μπορεί να φαίνεται σαν συλλογισμό, το μοντέλο δεν μοντελοποιεί στην πραγματικότητα πώς οι ενέργειες αλλάζουν την κατάσταση του κόσμου.

Τα μοντέλα κόσμου ακολουθούν μια διαφορετική προσέγγιση. Αντί να προβλέπουν το επόμενο λόγο ή token, στοχεύουν να προβλέψουν την επόμενη κατάσταση ενός συστήματος μοντελοποιώντας μεταβάσεις καταστάσεων. Αυτό επιτρέπει στα συστήματα να προσομοιώσουν πώς τα περιβάλλοντα εξελίσσονται ως απάντηση σε ενέργειες. Στην πράξη, αυτό ανοίγει την πόρτα σε υποθετικές συλλογιστικές, όπου ένα μοντέλο μπορεί να αξιολογήσει διαφορετικά πιθανά αποτελέσματα πριν λάβει μια απόφαση. Για τα διαδραστικά συστήματα, αυτό μπορεί να υποστηρίξει πιο αξιόπιστες αποφάσεις και σχεδιασμό.

Αυτή η μετατόπιση αλλάζει επίσης τον τρόπο με τον οποίο σκεφτόμαστε την υπεύθυνη ανάπτυξη. Με τα παραδοσιακά συστήματα γενετικής AI, μεγάλο μέρος της προσοχής έχει επικεντρωθεί σε ζητήματα όπως η προκατάληψη και οι ψευδείς εντυπώσεις. Όταν τα μοντέλα κινούνται προς τη συλλογιστική για περιβάλλοντα και ενέργειες, άλλα рисks γίνονται πιο εξέχοντα.

Για παράδειγμα, οι οργανώσεις πρέπει να λάβουν υπόψη το “sim-to-real” χάσμα, όπου οι συμπεριφορές που έχουν μάθει σε προσομοιωμένα περιβάλλοντα μπορεί να μην μεταφραστούν καθαρά σε πραγματικές συνθήκες. Η μεταβολή κατανομής γίνεται επίσης ένα κλειδί ανησυχία, καθώς τα περιβάλλοντα που συναντούν τα μοντέλα κατά την ανάπτυξη μπορεί να διαφέρουν από τα δεδομένα στα οποία εκπαιδεύτηκαν.

Αυτό είναι το σημείο όπου οι δοκιμές και η επικύρωση γίνονται κρίσιμες, το οποίο είναι ένα μεγάλο焦点 στη σημερινή μου θέση στο TELUS Digital. Όταν τα συστήματα AI κινούνται πέρα από τη γενετική γλώσσα σε συστήματα που αλληλεπιδρούν με περιβάλλοντα και λαμβάνουν αποφάσεις, οι οργανώσεις χρειάζονται αυστηρά πλαισιαία αξιολόγησης για να διασφαλίσουν ότι τα μοντέλα συμπεριφέρονται αξιόπιστα υπό πραγματικές συνθήκες.

Πολλοί άνθρωποι είναι εξοικειωμένοι με τα μεγάλα μοντέλα γλώσσας, αλλά λίγοι κατανοούν τα μοντέλα κόσμου. Σε απλά λόγια, ποιο πρόβλημα προσπαθούν τα μοντέλα κόσμου να λύσουν που τα LLMs βασικά αγωνίζονται;

Ένα μοντέλο κόσμου είναι ένα σύστημα που μπορεί να προβλέψει “τι συμβαίνει επόμενο” δεδομένης της τρέχουσας κατάστασης και μιας ενέργειας. Η формуλα είναι: Κατάσταση + Ένέργεια → Επόμενη Κατάσταση

Αν κρατάω ένα μήλο και το αφήνω, ένα μοντέλο κόσμου προβλέπει ότι το μήλο πέφτει. Δεν ξέρει μόνο πώς φαίνονται τα μήλα ή τι λένε οι άνθρωποι για το να αφήνουν τα μήλα – προβλέπει την συνέπεια με βάση μια κατανόηση της φυσικής. Ένα εξελιγμένο μοντέλο κόσμου θα προβλέψει τι θα συνέβαινε αν έκανα το ίδιο πράγμα ενώ βρίσκομαι στο Διεθνές Διαστημικό Σταθμό αντί να βρίσκομαι στην επιφάνεια της γης.

Αυτό διαφέρει από ένα LLM. Ένα LLM προβλέπει: “Δεδομένου αυτής της ακολουθίας token, ποιο token έρχεται επόμενο;” Είναι εκπαιδευμένο σε κείμενο – τι έχουν γράψει οι άνθρωποι για τον κόσμο, όχι τον κόσμο τον ίδιο. Μπορεί να σας πει ότι τα μήλα που έχουν πέσει πέφτουν因为 έχει διαβάσει γι’ αυτό. Αλλά δεν έχει ένα εσωτερικό μηχανισμό φυσικής που προσομοιώνει την πτώση.

Βάζοντας το αλλιώς, τα LLMs είναι καλά στο να προβλέπουν στατιστικά το επόμενο λόγο σε μια απάντηση σε μια ερώτηση, αλλά η κατανόηση του πραγματικού κόσμου υπερβαίνει την περιγραφική και συνεκτική γλώσσα. Τα μοντέλα κόσμου στοχεύουν να κατανοήσουν πώς οι καταστάσεις εξελίσσονται βήμα προς βήμα, τι είναι η επόμενη κατάσταση δεδομένης της τρέχουσας κατάστασης και της ενέργειας που πρόκειται να συμβεί, ποιες есть οι περιορισμοί.

Τα μοντέλα κόσμου περιγράφονται συχνά ως ενεργοί που επιτρέπουν στα συστήματα AI να προσομοιώσουν αποτελέσματα πριν λάβουν μια ενέργεια. Τι μοιάζει αυτό στην πράξη, και πόσο κοντά είμαστε στο να δούμε αυτή τη λειτουργία να λειτουργεί αξιόπιστα εκτός ερευνητικών περιβαλλόντων;

Μια πρόκληση στην απάντηση σε αυτή την ερώτηση είναι ότι ο όρος “μοντέλο κόσμου” χρησιμοποιείται αρκετά χαλαρά, και η σημασία της τάσης να αλλάζει ανάλογα με το контекст. Μια απλή ορισμός μοντέλου κόσμου είναι ότι επιτρέπουν σε ένα πράγμα να προσομοιώσει την τρέχουσα κατάσταση του περιβάλλοντος και να προβλέψει μελλοντικές καταστάσεις, και να συλλογιστεί για τις επιπτώσεις. Οι ερευνητές έχουν ταξινομήσει τα μοντέλα κόσμου πιο λεπτομερώς, με βάση τις μεθόδους αναπαράστασης και επεξεργασίας τους. Υπάρχουν.latent μοντέλα κόσμου, τα οποία αποστάζουν την “ουσιαστική” του περιβάλλοντος σε ένα συμπαγές εστιασμένο χώρο. Υπάρχουν γενετικά μοντέλα κόσμου που “κατανοούν” τη φυσική για να δημιουργήσουν πλαισιωμένες οπτικές αναπαραστάσεις, και υπάρχουν Joint-Embedding Predictive Architecture (JEPA) μοντέλα που προβλέπουν αποτελέσματα από προηγούμενες ενέργειες.

Τα.latent μοντέλα κόσμου είναι ήδη έξω από το ερευνητικό εργαστήριο και βοηθούν σε εφαρμογές όπως η αυτόνομη οδήγηση, οι εργασίες αποθήκης, οι βιομηχανικές εργασίες και η γεωργία. Τα γενετικά μοντέλα κόσμου εμφανίζονται σε εφαρμογές όπως η δημιουργία συνθετικών δεδομένων για ανάπτυξη κινηματογραφικών μηχανών, για περιπτώσεις αυτόνομης οδήγησης, για περιπτώσεις ενσωματωμένης AI για προσομοίωση ανθρώπινών κινήσεων και για να δημιουργήσουν αρχιτεκτονικές αναπαραστάσεις,

Η JEPA προσέγγιση, που προτιμάται από βιομηχανικούς luminary όπως ο Yan LeCun, προβλέπει αποτελέσματα σε ένα αφηρημένο χώρο αναπαράστασης αντί να γεννά pixel. Τα ρομπότ έχουν κυρίως περιοριστεί σε ελεγχόμενα περιβάλλοντα, αλλά η JEPA αλλάζει αυτό, επιτρέποντας στα ρομπότ να μετατοπιστούν προς ανοιχτές, πραγματικές ρυθμίσεις. Τα αυτόνομα οχήματα είναι ένα καλό παράδειγμα – κάποια από αυτά χρησιμοποιούν το Genie 3 για να δημιουργήσουν υπερ-πραγματικά, διαδραστικά προσομοιώματα για εκπαίδευση και για να χειριστούν καλύτερα σπάνιες εκδηλώσεις όπως οι ζώνες κατασκευής.

Προφανώς, υπάρχει πολύ περισσότερη ασφάλεια και αξιοπιστία που απαιτούνται για να κλιμακωθούν αυτά τα μοντέλα έξω από τα περιβάλλοντα αμμοδοχείου και στον πραγματικό κόσμο.

Από την πλευρά της επιχείρησης, όπου περιμένετε τα μοντέλα κόσμου να παραδώσουν σημαντική αξία πρώτα, είτε σε ρομπότ, αυτόνομους αποφασιστικούς συστήματα, ψηφιακούς δίδυμους ή πιο αφηρημένα επιχειρηματικά περιβάλλοντα;

Η γαστρική μου αίσθηση είναι ότι οι ψηφιακοί δίδυμοι είναι πιθανό να παραδώσουν πρακτική αξία πρώτα. Αναπαράγοντας την κατάσταση ενός πραγματικού συστήματος, ώστε να μπορούμε να δοκιμάσουμε σενάρια πριν ενεργήσουμε. Για παράδειγμα, σε ένα σύστημα εφοδιασμού, ένας κατασκευαστής μπορεί να δημιουργήσει ένα δίδυμο του δικτύου συνεργατών του. Η προσομοίωση μπορεί να τροφοδοτηθεί από δεδομένα αισθητήρων, καταγραφές, δεδομένα τηλεμετρίας και μπορεί να απαντήσει σε ερωτήσεις όπως “Τι θα συνέβαινε αν ο Πορθμός του Ορμούζ έκλεινε;” Έτσι μπορούμε να δοκιμάσουμε την ανακατεύθυνση των αποστολών πριν αλλάξουμε τις πραγματικές λογιστικές. Αυτό μας βοηθά να μετατοπίσουμε από το να παρακολουθούμε ένα ζωντανό σύστημα σε προσομοίωση ενός ζωντανού συστήματος.

Η σημαντική αξία από τα μοντέλα κόσμου για τα ρομπότ κινείται παράλληλα. Έχοντας ρομπότ που κατανοούν τις θεμελιώδεις ιδιότητες της φυσικής, όπως η τριβή σε μια επιφάνεια όταν πιάνουν ένα αντικείμενο, θα δώσει ώθηση στην ανάπτυξη της ενσωματωμένης AI.

Πολλά από τα χρόνια της καριέρας σας έχουν επικεντρωθεί στη συλλογή δεδομένων, την σήμανση και την επικύρωση. Πώς αλλάζουν οι προκλήσεις δεδομένων όταν μετατοπίζεστε από στατικά κείμενα εκπαίδευσης σε διδασκαλία συστημάτων για το πώς ο κόσμος συμπεριφέρεται με την πάροδο του χρόνου;

Η κατάσταση συλλογής δεδομένων για την ενεργοποίηση των μοντέλων κόσμου απαιτεί μια μεγάλη στροφή από τις μεθόδους εκπαίδευσης LLM της χθες. Πρώτον, δεν έχουμε ένα τεράστιο corpora προ-εκπαίδευσης δεδομένων διαθέσιμο, petabytes από Common Crawl και δισεκατομμύρια σελίδες web. Κάποιοι ερευνητές ρομποτικής έχουν υποθέσει ότι έχουμε μόνο 1/1000th την ποσότητα δεδομένων που χρειάζονται για να εκπαιδεύσουν τη φυσική νοημοσύνη και τα μοντέλα κόσμου, για να φτάσουμε σε ένα ισοδύναμο σημείο απόδοση του GPT2.

Έτσι, θα χρειαστεί κάποιο χρόνο για να xây dựng αυτά τα συνόλα δεδομένων. Σε περίπτωση ενσωματωμένης AI, θα χρειαστούμε εκατομμύρια ώρες με σήμανση εγκοσμικών multi-αισθητήρων συνόλων δεδομένων. Κάποια από αυτά θα είναι τηλε-ελεγχόμενα, κάποια από συνθετικά περιβάλλοντα όπως το Isaac Sim. Στο TELUS Digital, έχουμε κάνει τη στροφή από το κείμενο στα πολυμεσικά και στα πολυ-αισθητήρια συνόλα δεδομένων και στα συνόλα δεδομένων προσομοίωσης. Φυσικά, μας βοηθά η ισχυρή μας πίσωγεια στη συλλογή και σήμανση δεδομένων στην υπολογιστική όραση. Έχουμε υπάρξει στην πρώτη γραμμή εκεί για πολλά χρόνια.

Πέρα από τη σπανιότητα των προ-εκπαιδευτικών δεδομένων και των δεδομένων σήμανσης, θα υπάρξουν πολλές άλλες προκλήσεις εκπαίδευσης στο να κλιμακωθούν τα μοντέλα κόσμου. Θα χρειαστούν νέες μετασχηματιστικές (χωρίς πλάγια) παραδείγματα όπως GPT και RL εννοιες για να επιταχύνουν τις επαναστατικές βελτιώσεις στις μεθόδους εκπαίδευσης μοντέλων κόσμου.

Τα μοντέλα κόσμου επηρεάζουν τις αποφάσεις αντί να παράγουν μόνο εξόδους. Ποια νέα ρίσκα ασφαλείας ή διακυβέρνησης εισάγουν αυτά σε σύγκριση με τα συστήματα γενετικής AI;

Υπάρχουν πολλά ρίσκα ασφαλείας και διακυβέρνησης, καθώς τα μοντέλα κόσμου είναι εγγενώς σχεδιασμένα να υποστηρίξουν τις एजεντικές λειτουργίες. Όλες οι ανησυχίες που έχουμε για τα σημερινά συστήματα AI εξακολουθούν να ισχύουν στην περίπτωση των μοντέλων κόσμου. Χρειαζόμαστε ανθρώπινη εποπτεία για όλες τις σημαντικές αποφάσεις, είτε σχετίζονται με την ασφάλεια των μεταφορών, την ασφάλεια της εργασίας, την υγεία, τις χρηματοοικονομικές ή τις καθημερινές δραστηριότητες.

Ένα παράδειγμα που είναι συγκεκριμένο για τα μοντέλα κόσμου είναι το χάσμα μεταξύ προσομοίωσης και πραγματικού κόσμου. Μια μικροσκοπική μεταβολή της επιφάνειας μπορεί να κάνει τον πραγματικό κόσμο ακατάλληλο για ρομπότ που έχουν εκπαιδευτεί καλά σε προσομοίωση.

Ένα άλλο ρίσκο σχετίζεται με την ανθρώπινη συμπεριφορά. Όσο τα συστήματα γίνονται πιο αυτόνομα, οι άνθρωποι θα αρχίσουν να βασίζονται σ’ αυτά πολύ, και η εποπτεία μπορεί να γίνει χαλαρή, και τελικά το σύστημα δεν θα λάβει τις απαραίτητες ανακατασκευές.

Η προκατάληψη και η εμπιστοσύνη παραμένουν σημαντικά εμπόδια για την υιοθέτηση AI. Πώς εξελίσσονται αυτές οι ανησυχίες όταν τα συστήματα AI αρχίζουν να μοντελοποιούν και να ενεργούν σε σύνθετα πραγματικά ή κοινωνικά περιβάλλοντα;

Από το γενικό κοινό μέχρι την κορυφή, η εμπιστοσύνη και η πίστη στα μοντέλα AI είναι ήδη πολύ χαμηλή και δεν την βλέπω να αλλάζει πολύ στο σύντομο χρονικό διάστημα.

Ανησυχίες για την ισχύ της AI που είναι συγκεντρωμένη σε λίγα χέρια, για την AI που παίρνει τις δουλειές, για την προκατάληψη της AI που ставει τις υποεκπροσωπημένες ομάδες σε μειονεκτική θέση, για τα μοντέλα που λαμβάνουν αποφάσεις που επηρεάζουν την υγεία, την καριέρα και τις χρηματοοικονομικές, για τα μοντέλα που χρησιμοποιούν πνευματική ιδιοκτησία χωρίς συναίνεση, καθώς και ανησυχίες για τις ψευδείς AI, είναι ήδη πολύ υψηλές. Οι εκτελεστές ανησυχούν για την αντιμετώπιση των μετατοπίσεων της εργατικής δύναμης, την προστασία των δεδομένων και τη συμμόρφωση με τους κανονισμούς, και για το να χάσουν έδαφος από τους ανταγωνιστές σε einen AI “πόλεμο”.

Πρόσφατες εξελίξεις στις ειδήσεις για την πίεση της κυβέρνησης στα θεμέλια μοντέλα AI να χαλαρώσουν τους όρους χρήσης σχετικά με πράγματα όπως τα αυτόνομα όπλα ή την μαζική επιτήρηση, ενισχύουν αυτές τις ανησυχίες. Η ευρύτερη ανάπτυξη των πιο έξυπνων και αυτόνομων ρομποτικών μοντέλων κόσμου θα κάνει το ίδιο.

Από την άλλη πλευρά, βλέπουμε θύλακες ευρείας υιοθέτησης AI και εμπιστοσύνης. Ένα παράδειγμα είναι ο τρόπος με τον οποίο οι πράκτορες κωδικοποίησης έχουν αναπτυχθεί τα τελευταία δύο μήνες. Οι διαχειριστές ανάπτυξης λογισμικού έχουν υψηλή εμπιστοσύνη στους πράκτορες κωδικοποίησης, και υπάρχει μια θεμελιώδης αλλαγή στον τρόπο που γίνεται η ανάπτυξη λογισμικού, από την ανάπτυξη PRD μέχρι την ανάπτυξη μετά την κυκλοφορία. Ο κόσμος της ανάπτυξης λογισμικού εξελίσσεται με ταχύτητα, και ένα μεγάλο μέρος αυτού οφείλεται στην εμπιστοσύνη στους υψηλής απόδοσης πράκτορες κωδικοποίησης. Όταν η εμπιστοσύνη των χρηστών αυξάνεται σε άλλες περιπτώσεις, περιμένω την υιοθέτηση να αναπτυχθεί με παρόμοιο τρόπο.

Λύσεις για την κατασκευή εμπιστοσύνης περιλαμβάνουν διαφορετικά συνόλα δεδομένων και περιβάλλοντα στις φάσεις εκπαίδευσης, και εκτεταμένη εποπτεία και δοκιμές ως φραγμός ασφαλείας πριν από την ανάπτυξη. Η προληπτική ρυθμιστική εποπτεία είναι απαραίτητη επίσης. Κάποιοι έχουν προτείνει ότι οι κατασκευαστές θεμελιωδών μοντέλων πρέπει να παρέχουν “Εκθέσεις Κοινωνικής Επιρροής”, παρόμοιες με τις Περιβαλλοντικές Εκθέσεις (EIRs), πριν από την κυκλοφορία νέων μοντέλων.

Στο TELUS Digital, μεγάλο μέρος του έργου σας αφορά την ανάπτυξη AI σε κλίμακα για πραγματικές επιχειρήσεις και πραγματικούς χρήστες. Πώς οι ιδέες όπως τα μοντέλα κόσμου διασταυρώνονται με πρακτικές ανησυχίες όπως η διαφάνεια, η επίδραση στην εργατική δύναμη και η διατήρηση της εμπιστοσύνης των πελατών;

Για να διευκρινίσουμε, το TELUS Digital εργάζεται τόσο άμεσα με τους κατασκευαστές θεμελιωδών μοντέλων όσο και με τις επιχειρήσεις που αναπτύσσουν μοντέλα AI. Το πεδίο μας είναι το σύνολο:

Η ερώτηση για τις πρακτικές ανησυχίες σχετίζεται με την προηγούμενη ερώτηση για την εμπιστοσύνη. Ας δούμε την εμπιστοσύνη της εργατικής δύναμης. Όσο τα μοντέλα κόσμου που υποστηρίζουν την AI γίνονται πιο διαδεδομένα, οι εκτελεστές πρέπει να είναι διαφανείς με τους εργαζόμενους, τους συμβασιούχους και τους πελάτες. Απαιτούνται σαφείς επικοινωνίες για το τι είναι καλά τα μοντέλα, πώς έχουν εκπαιδευτεί, ποια δεδομένα έχουν χρησιμοποιηθεί για την εκπαίδευσή τους, ποιοι φραγμοί έχουν τοποθετηθεί και πού είναι η ανθρώπινη εποπτεία. Οι ηγέτες των επιχειρήσεων πρέπει να δείξουν στην τρέχουσα εργατική δύναμη την αξία των νέων μοντέλων, για παράδειγμα κάνουν όλη την εργασία σε μια δουλειά. Και πρέπει να δείξουν μονοπάτια μετάβασης για τους εργαζόμενους που επηρεάζονται, που μπορεί να μετατοπίζονται σε νέες αναδυόμενες δουλειές καθώς οι προηγούμενες γίνονται όλο και περισσότερο από τα μοντέλα κόσμου AI. Οι εργαζόμενοι του γραφείου αντιμετωπίζουν αυτό σε πραγματικό χρόνο, και πολλές χειρωνακτικές δουλειές θα επηρεαστούν τα επόμενα χρόνια καθώς η αυτοματοποίηση που υποστηρίζεται από τα μοντέλα κόσμου AI επεκτείνεται.

Υπάρχει μια αυξανόμενη διαφορά μεταξύ того που κατανοούν οι ερευνητές AI και того που αντιλαμβάνονται οι άνθρωποι. Πώς μπορούν οι οργανώσεις να επικοινωνήσουν τις προόδους όπως τα μοντέλα κόσμου με τρόπο που να χτίζει εμπιστοσύνη χωρίς να υπερβαίνουν τις ικανότητές τους;

Πάλι, αυτό έρχεται xuống στην διαφάνεια για τους περιορισμούς των μοντέλων και για το τι είναι καλά τα μοντέλα. Επικοινωνώντας πώς τα μοντέλα έχουν εκπαιδευτεί για να μετριάσουν τις πιθανές προκαταλήψεις. Ποια ανθρώπινη εποπτεία είναι στη θέση. Κάποιες πραγματικές επίδειξεις των ικανοτήτων του μοντέλου και των περιπτώσεων χρήσης, σε συνδυασμό με μακροχρόνιες μελέτες, μπορούν να αυξήσουν την εμπιστοσύνη του κοινού και της εργατικής δύναμης.

Τέλος, ποια είναι μια κοινή λανθασμένη αντίληψη για τα μοντέλα κόσμου AI, είτε υπερβεβλημένη είτε υπερπροστατευμένη, που πρέπει να διορθωθεί τώρα;

Στο περιορισμένο βαθμό που το γενικό κοινό είναι ενημερωμένο για τα μοντέλα κόσμου, μια λανθασμένη αντίληψη είναι ότι τα μοντέλα κόσμου χρειάζονται να κατανοήσουν όλη τη φυσική και την επιστήμη για να είναι αποτελεσματικά. Τα μοντέλα κόσμου θα κυκλοφορήσουν νωρίτερα από ό,τι θα περίμενε κανείς, γιατί οι μεμονωμένες περιπτώσεις χρήσης μπορούν να μειωθούν. Ένα αυτόνομο όχημα χρειάζεται μόνο να κατανοήσει τη δυναμική της κυκλοφορίας και τη φυσική που σχετίζεται με το δρόμο, και πώς οι τρέχουσες συνθήκες (π.χ. να βρίσκεται κοντά σε ένα δημοτικό σχολείο, ή μια συχνότητα κοντινών SUV με ψηλές σιλουέτες) θα επηρεάσουν την όρασή του και τη λήψη αποφάσεων. Ένα αυτόνομο όχημα δεν χρειάζεται τη φυσική που υποστηρίζει το πώς η μαγείρεψη μιας σουφλέ λειτουργεί για να λειτουργήσει.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν το TELUS Digital.