Nie chodzi o to, co AI może zrobić dla nas, ale o to, co my możemy zrobić dla AI

Większość ludzi postrzega sztuczną inteligencję (AI) przez pryzmat jednego kierunku. Ta technologia istnieje tylko po to, by służyć ludziom i osiągać nowe poziomy wydajności, dokładności i produktywności. Ale co, jeśli marnujemy połowę równania? I co, jeśli, robiąc to, zwiększamy tylko wady techniki?

AI jest jeszcze w powijakach i nadal boryka się z znaczącymi ograniczeniami w zakresie rozumowania, jakości danych i zrozumienia pojęć takich jak zaufanie, wartość i zachęty. Przepaść między bieżącymi możliwościami a prawdziwą “inteligencją” jest znaczna. Dobra wiadomość? Możemy to zmienić, stając się aktywnymi współpracownikami, a nie biernymi konsumentami AI.

Ludzie posiadają klucz do ewolucji inteligentnej, dostarczając lepsze ramy rozumowania, wysokiej jakości dane i pomosty zaufania. W efekcie, człowiek i maszyna mogą pracować ręka w rękę, aby osiągnąć korzyści – dzięki lepszej współpracy powstają lepsze dane i lepsze wyniki.

Zastanówmy się, jak mogłaby wyglądać bardziej symbiotyczna relacja i jak, jako partnerzy, możemy współpracować w sposób, który przynosi korzyści obu stronom równania AI.

Wymagany związek między człowiekiem a maszyną

AI jest niewątpliwie doskonałe w analizowaniu ogromnych zbiorów danych i automatyzowaniu złożonych zadań. Jednak technologia ta pozostaje podstawowo ograniczona w myśleniu jak my. Po pierwsze, te modele i platformy mają trudności z rozumowaniem poza danymi szkoleniowymi. Rozpoznawanie wzorców i statystyczne przewidywanie nie stanowią problemu, ale kontekstowa ocena i ramy logiczne, których przyjmujemy za pewnik, są trudniejsze do odtworzenia. Ta luka w rozumowaniu oznacza, że AI często zawodzi, gdy spotyka się z subtelnymi sytuacjami lub sądami etycznymi.

Po drugie, jest “śmieci do śmieci” jakość danych. Bieżące modele są szkolone na ogromnych zbiorach informacji, zgodnie z zezwoleniem lub bez niego. Nieweryfikowane lub tendencyjne informacje są wykorzystywane niezależnie od właściwej atrybucji lub autoryzacji, co skutkuje nieweryfikowanymi lub tendencyjnymi AI. “Dieta danych” modeli jest zatem wątpliwa co najmniej i chaotyczna w najgorszym przypadku. Można to porównać do wpływu odżywiania na ludzi. Jeśli ludzie jedzą tylko fast food, są leniwi i ospali. Jeśli agenci jedzą tylko materiały chronione prawem autorskim i wtórne, ich wyniki są podobnie osłabione, a ich dane wyjściowe są niedokładne, niewiarygodne i ogólne, a nie szczegółowe. To jest jeszcze daleko od autonomicznego i proaktywnego podejmowania decyzji, które obiecuje nadchodząca fala agentów.

Krytycznie, AI jest nadal ślepa na to, z kim i czym wchodzi w interakcje. Nie może odróżnić użytkowników zgodnych i niezgodnych, z trudnością weryfikuje relacje i nie rozumie pojęć takich jak zaufanie, wymiana wartości i zachęty stakeholderów – podstawowych elementów, które rządzą interakcjami ludzkimi.

Problemy AI z rozwiązaniami ludzkimi

Musimy myśleć o platformach AI, narzędziach i agentach mniej jako sługi, a bardziej jako asystenci, którym możemy pomóc w szkoleniu. Po pierwsze, spójrzmy na rozumowanie. Możemy wprowadzić nowe ramy logiczne, wytyczne etyczne i strategiczne myślenie, których systemy AI nie mogą rozwinąć same. Przez staranne prowokowanie i nadzorowanie, możemy uzupełnić statystyczne siły AI mądrością ludzką – ucząc je rozpoznawać wzorce i zrozumieć konteksty, które sprawiają, że te wzorce są znaczące.

Podobnie, zamiast pozwalać AI szkolić się na dowolnych informacjach, które może ściągnąć z internetu, ludzie mogą wybrać lepsze zestawy danych, które są weryfikowane, różnorodne i etycznie pozyskane.

To oznacza rozwijanie lepszych systemów atrybucji, w których twórcy treści są rozpoznawani i wynagradzani za swoje wkłady w szkolenie.

Powstające ramy sprawiają, że jest to możliwe. Poprzez zjednoczenie tożsamości online pod jednym banerem i decyzję, czy i co są skłonni udostępnić, użytkownicy mogą wyposażyć modele w zero-party informacje, które szanują prywatność, zgodę i regulacje. Lepsze jeszcze, śledząc te informacje na blockchainie, użytkownicy i twórcy modeli mogą zobaczyć, skąd pochodzą informacje i odpowiednio wynagrodzić twórców za dostarczanie tego “nowego ropy”. To jest sposób, w jaki uznajemy użytkowników za ich dane i włączamy ich w rewolucję informacyjną.

Wreszcie, mostowanie luki zaufania oznacza wyposażenie modeli w ludzkie wartości i postawy. To oznacza projektowanie mechanizmów, które rozpoznają stakeholderów, weryfikują relacje i różnicują między użytkownikami zgodnymi i niezgodnymi. W efekcie, pomagamy AI zrozumieć swój kontekst operacyjny – kto korzysta z jego działań, co przyczynia się do jego rozwoju i jak wartość przepływa przez systemy, w których uczestniczy.

Na przykład, agenci wspierani przez infrastrukturę blockchain są dość dobrzy w tym. Mogą rozpoznać i nadać priorytet użytkownikom z udowodnionym zaangażowaniem w ekosystemie poprzez reputację, wpływ społeczny lub posiadanie tokenów. To pozwala AI na wyrównanie zachęt, dając większy ciężar stakeholderom z udziałem w grze, tworząc systemy zarządzania, w których zweryfikowani zwolennicy uczestniczą w podejmowaniu decyzji na podstawie ich poziomu zaangażowania. W efekcie, AI głębiej rozumie swój ekosystem i może podejmować decyzje poinformowane przez prawdziwe relacje stakeholderów.

Nie trać z oczu ludzkiego elementu w AI

Powiedziano wiele o wzroście tej technologii i o tym, jak zagraża przebudowie branż i likwidacji miejsc pracy. Jednak wbudowanie barier ochronnych może zapewnić, że AI uzupełnia raczej doświadczenie ludzkie, niż je zastępuje. Na przykład, najbardziej udane wdrożenia AI nie zastępują ludzi, ale rozszerzają to, co możemy osiągnąć razem. Gdy AI zajmuje się rutynową analizą, a ludzie zapewniają kreatywny kierunek i nadzór etyczny, obie strony przyczyniają się do swoich unikalnych sił.

Gdy wszystko jest wykonane prawidłowo, AI obiecuje poprawić jakość i wydajność licznych procesów ludzkich. Ale gdy wszystko jest wykonane źle, jest ograniczone przez wątpliwe źródła danych i naśladuje inteligencję, zamiast ją naprawdę wykazywać. To od nas, ludzkiej strony równania, zależy, aby te modele były mądrzejsze i aby nasze wartości, osądy i etyka pozostały w ich sercu.

Zaufanie jest niezbędne, aby ta technologia stała się powszechna. Gdy użytkownicy mogą zweryfikować, dokąd ich dane trafiają, zobaczyć, jak są wykorzystywane, i uczestniczyć w tworzeniu wartości, stają się chętnymi partnerami, a nie niechętnymi podmiotami. Podobnie, gdy systemy AI mogą wykorzystywać zgodnych stakeholderów i przejrzyste potoki danych, stają się bardziej godne zaufania. W efekcie, mają większe szanse na uzyskanie dostępu do naszych najważniejszych prywatnych i zawodowych przestrzeni, tworząc błędne koło lepszego dostępu do danych i lepszych wyników.

W związku z tym, wkraczając w następną fazę AI, skupmy się na łączeniu człowieka i maszyny z weryfikowalnymi relacjami, źródłami danych i precyzyjnymi systemami. Powinniśmy pytać nie o to, co AI może zrobić dla nas, ale o to, co my możemy zrobić dla AI.