Eksperters forutsigelser for AI-spor i 2020

VentureBeat intervjuet nylig fem av de mest intelligente og erfarne hjernene i AI-feltet og ba dem om å gjøre sine forutsigelser for hvor AI er på vei over det kommende året. Personene som ble intervjuet for sine forutsigelser var:

• Soumith Chintala, skaperen av PyTorch.
• Celeste Kidd, AI-professor ved University of California.
• Jeff Dean, sjef for Google AI.
• Anima Anandkumar, direktør for maskinlæring ved Nvidia.
• Dario Gil, direktør for IBM Research.

Soumith Chintala

Chintala, skaperen av Pytorch, som er det mest populære maskinlæringsrammeverket for øyeblikket, forutså at 2020 vil se en større behov for neuralnetverks-hardware-acceleratorer og metoder for å øke modelltreningshastigheter. Chintala forventet at de neste par årene vil se en økt fokus på hvordan man kan bruke GPU-er optimalt og hvordan kompilering kan gjøres automatisk for nytt hårdtware. Forbi dette, forventet Chintala at AI-samfunnet vil begynne å forfølge andre metoder for å kvantifisere AI-ytelse mer aggressivt, og legge mindre vekt på ren nøyaktighet. Faktorer som må tas i betraktning, inkluderer ting som mengden energi som trengs for å trene en modell, hvordan AI kan brukes til å bygge den type samfunn vi ønsker, og hvordan utgangen av et nettverk kan forklares intuitivt for menneskelige operatører.

Celeste Kidd

Celeste Kidd har brukt mye av sin karriere på å forkynne for mer ansvar på designerne av algoritmer, teknologi-plattformer og innholdsanbefalings-systemer. Kidd har ofte argumentert for at systemer som er designet for å maksimere engasjement kan ende opp med å ha alvorlige konsekvenser når det gjelder hvordan mennesker skaper sine meninger og overbevisninger. Mer og mer oppmerksomhet blir gitt til den etiske bruken av AI-algoritmer og -systemer, og Kidd forutså at i 2020 vil det være en økt bevissthet om hvordan teknologi-verktøy og -plattformer påvirker menneskers liv og beslutninger, samt en avvisning av ideen om at teknologi-verktøy kan være genuint nøytrale i design.

“Vi må virkelig, som et samfunn og spesielt som de som arbeider med disse verktøyene, direkte verdsette ansvaret som følger med,” sa Kidd.

Jeff Dean

Jeff Dean, sjefen for Google AI, forutså at i 2020 vil det være fremgang i multimodal læring og multitask-læring. Multimodal læring er når AI blir trent med multiple typer media samtidig, mens multitask-læring forsøker å tillate AI å trene på multiple oppgaver samtidig. Dean forventet også videre fremgang i naturlig språkbehandling-modeller basert på Transformer, som Google’s BERT-algoritme og andre modeller som toppet GLUE-leaderboards. Dean nevnte også at han ville se mindre ønske om å skape de mest avanserte, state-of-the-art-ytelsesmodellene og mer ønske om å skape modeller som er mer robuste og fleksible.

Anima Anandkumar

Anandkumar forventet at AI-samfunnet vil måtte håndtere mange utfordringer i 2020, spesielt behovet for mer diverse datasett og behovet for å sikre menneskers personvern når de blir trent på data. Anandkumar forklarte at mens ansiktsgjenkjenning ofte får mest oppmerksomhet, er det mange områder hvor menneskers personvern kan bli krenket, og at disse problemene kan komme til å bli diskutert i 2020.

Anandkumar forventet også at det vil bli gjort videre fremgang i Transformer-basert naturlig språkbehandling-modeller.

“Vi er fortsatt ikke på det stadiumet av dialoggenerering som er interaktivt, som kan holde spor og ha naturlige samtaler. Så jeg tror det vil bli gjort alvorlige forsøk i 2020 i den retningen,” sa hun.

Til slutt forventet Anandkumar at det kommende året vil se mer utvikling av iterative algoritmer og selv-overvåking. Disse treningmetodene tillater AI-systemer å selv-trene i noen henseender, og kan potensielt hjelpe med å skape modeller som kan forbedre seg selv ved å trene på ubesmarked data.

Dario Gil

Gil forutså at i 2020 vil det være mer fremgang mot å skape AI på en mer komputasjonelt effektiv måte, ettersom måten dypt læringsnettverk blir trent for øyeblikket er ineffektiv på mange måter. På grunn av dette, forventet Gil at dette året vil se fremgang i å skape reduksjon av presisjons-arkitektur og generelt å trene mer effektivt. Liksom noen av de andre ekspertene som ble intervjuet, forventet Gil at i 2020 vil forskerne begynne å fokusere mer på målinger utover nøyaktighet. Gil uttrykte interesse for neuralsymbolisk AI, ettersom IBM undersøker måter å skape probabilistiske programmeringsmodeller ved å bruke neuralsymboliske tilnærminger. Til slutt betonet Gil viktigheten av å gjøre AI mer tilgjengelig for de som er interessert i maskinlæring og å fjerne oppfatningen av at bare genier kan arbeide med AI og gjøre data-vitenskap.

“Hvis vi lar det bli en mytisk sfære, dette feltet av AI, som bare er tilgjengelig for de utvalgte PhD-er som arbeider med dette, bidrar det ikke til dets adopsjon,” sa Gil.