Adrian Zidaritz, Författare till AIbluedot.com – Intervjuserie

Adrian Zidaritz är författare till AIbluedot.com, en blogg som ger en översikt av AI, med en blandning av matematik, etik, politik och “allt” däremellan. Även om artiklarna innehåller ett minimum av tekniskt material, är de inte riktade till specialister, utan snarare till allmänheten. AI är missförstådd av icke-specialister och det är antingen överdrivet eller talar ner om det i media; det är ändå den mest konsekventa tekniken i vår nuvarande tid.

Vad var det som initialt drog dig till AI?

AI-utveckling kräver en bred palett av expertis, till skillnad från någon annan modern teknik. Den försörjer sig på forskning från statistik, neurovetenskap, tillämpad matematik, datavetenskap, programvaruutveckling, psykologi, etc… Den utmaningen är vad som drog mig till det, kombinerat med faktum att jag hade turen att experimentera med många av dessa områden i min tidigare karriär: matematik, datavetenskap, programvaruutveckling, statistik.

Du har haft en omfattande karriär inom AI. Kan du diskutera några av dessa höjdpunkter?

Detta är på sätt och vis en fortsättning på fråga 1. Nästan varje medelålders person som arbetar inom AI idag kommer från någon annanstans. Fram till cirka 2005 fanns det ingen AI (för övrigt är AI:s framgång huvudsakligen beroende av neurala nätverk = djupinlärning, alla andra tekniker är bleka i jämförelse; så för alla praktiska ändamål när vi säger AI menar vi djupinlärning). Som ett resultat, många av oss som arbetar inom AI bringar unika perspektiv till fältet. Jag kommer från en matematisk bakgrund kombinerad med att leda praktiska AI-projekt, där BigData-utveckling spelar en mycket stor roll (ibland mer än 80% av den totala projekttiden). Min bakgrund lägger AI mellan en ifrågasättning av dess matematiska grunder (mycket teoretisk) och de mycket praktiska aspekterna av att leda team av dataforskare och maskinläringsingenjörer. Det finns andra forskare som känner till mer om AI-teknikerna i mitten av smörgåsen.

Du har uttalat att AI antingen har blåst upp eller tonat ner i media. Varför tror du att det finns en sådan diskrepans mellan media som rapporterar tillståndet för AI och den faktiska verkligheten för tekniken?

För att AI är missförstådd även av vissa personer som arbetar inom AI, för att inte tala om pressen. Det är en mycket ung disciplin, med mycket unga arbetare. De olika åsikterna från dessa unga arbetare gör sin väg in i media, vilket matar en missanpassning av mål. Tillräckligt för att nämna The Social Dilemma-dokumentären på Netflix, där dessa motsägelsefulla åsikter om AI, från ett Silicon Valley-perspektiv, är väl dokumenterade.

För närvarande har en stor del av framstegen vi har sett inom AI varit från djupinlärning. Vad är dina åsikter om den svarta lådan-problemet med djupinlärning?

Det är ett stort problem. I grund och botten har vi ingen teoretisk (=matematisk) förståelse för processen att lära. Vi vet inte hur djupinlärningsalgoritmer faktiskt lär sig. Vi ser bara att de gör det. Det har funnits försök att utveckla en teori, men ingen har vunnit bred acceptans. Så i avsaknad av den grundläggande förståelsen, allt vi kan göra är att säga “se, det fungerar”. Men att ge en vitlåda-förklaring är omöjlig just nu. Andra algoritmer (inte djupinlärning) är bättre förstådda och för dem är det möjligt att ge förklaringar av resultaten. Inte för djupinlärning.

Vad är dina åsikter om AI-fördomar och hur kan vi förhindra dem?

Just nu är AI allt om data, inte om algoritmer. Algoritmerna känner ingen fördom, fördomen är i data. Data reflekterar samhällets sammansättning och också samhällets stratifiering, eftersom datainsamlingen också har fördomar i den. Dessa är för övrigt naturligt förekommande, vad som måste hända är en gradvis inklusion av människor från alla möjliga bakgrunder i datainsamlingsprocessen, så att data reflekterar en korrekt representation av befolkningen.

Vilken typ av maskinlärning finner du mest intressant?

Som jag sa tidigare, maskinlärning är nu på väg att ge vika för sin mest framgångsrika inre gren, djupinlärning. Neuronnät, genom sin flexibilitet, dominerar.

Du har uttalat att Universal Basic Income (UBI) kommer att vara absolut nödvändigt för att hantera de jobbförluster som uppstår till följd av AI. Kan du utveckla dina åsikter om detta?

Samhället kommer att lida enorma konsekvenser av automation (tillämpad AI). Vi har sett de betydande förändringarna, även i den politiska omvälvningen sedan 2016. Det kommer helt enkelt inte att finnas något sätt att gå tillbaka. Många jobb kommer att försvinna. Det har ingen mening att utbilda sig till radiolog idag. AI kan läsa röntgenbilder och MRI och alla sorters andra utskrifter mycket bättre än en människa. Vad kommer att hända med människor när det inte finns något jobb som de kan göra? UBI garanterar att människor inte kommer att lida onödigt när automation blir allmän. Och det finns ingen anledning till det, eftersom AI kommer att leverera det nödvändiga arbetet för att samhället fortfarande ska fungera.

Tror du att vi någonsin kan uppnå Artificiell Allmän Intelligens (AGI)?

Ja, många människor hävdar att DeepMinds programvara redan gränsar till AGI. Jag håller inte med om den idén, men även för mig är svaret ja. AGI betyder inte känslor eller medvetande, I i AGI är helt enkelt kognitiv intelligens. Och för den nivån av intelligens verkar svaret vara ja.

Tror du att det finns en sannolikhet att vi lever i en simulering?

En möjlighet? Ja, vilket betyder att sannolikheten för att vi lever i en simulering är inte 0. Det är också intellektuellt tilltalande. Men är det troligt? Nej, för mig är det inte troligt, d.v.s. sannolikheten, även om den inte är 0, är mycket, mycket liten.

Tack för intervjun, läsare som vill lära sig mer om Adrians åsikter om olika aspekter av AI bör besöka AIbluedot.com.