Experternas förutsägelser för AI:s bana 2020

VentureBeat nyligen intervjuade fem av de mest intelligenta och experterna inom AI-området och bad dem att göra sina förutsägelser för vart AI är på väg under det kommande året. De personer som intervjuades för sina förutsägelser var:

• Soumith Chintala, skapare av PyTorch.
• Celeste Kidd, AI-professor vid University of California.
• Jeff Dean, chef för Google AI.
• Anima Anandkumar, maskinlärningsforskningsdirektör på Nvidia.
• Dario Gil, IBM Research-direktör.

Soumith Chintala

Chintala, skaparen av PyTorch, som är den mest populära maskinlärningsramen just nu, förutspådde att 2020 kommer att se ett större behov av neurala nätverksacceleratorer och metoder för att förbättra modellträningshastigheter. Chintala förväntade sig att de närmaste åren kommer att se en ökad fokus på hur man använder GPU:er på bästa sätt och hur kompilering kan göras automatiskt för ny hårdvara. Utöver detta förväntade sig Chintala att AI-samhället kommer att börja förfölja andra metoder för att kvantifiera AI-prestanda mer aggressivt, och lägga mindre vikt vid ren exakthet. Faktorer som ska beaktas inkluderar saker som den mängd energi som behövs för att träna en modell, hur AI kan användas för att bygga det slags samhälle vi vill ha, och hur utmatningen av ett nätverk kan förklaras intuitivt för mänskliga operatörer.

Celeste Kidd

Celeste Kidd har tillbringat mycket av sin senaste karriär med att förespråka mer ansvar från algoritm-designers, tech-plattformar och innehållsrekommendationssystem. Kidd har ofta hävdat att system som är utformade för att maximera engagemang kan ha allvarliga konsekvenser när det gäller hur människor skapar sina åsikter och övertygelser. Allt mer uppmärksamhet ägnas åt det etiska användandet av AI-algoritmer och system, och Kidd förutspådde att 2020 kommer att se en ökad medvetenhet om hur tech-verktyg och plattformar påverkar människors liv och beslut, samt en avvisning av idén att tech-verktyg kan vara genuint neutrala i designen.

“Vi behöver verkligen, som ett samhälle och särskilt som de som arbetar med dessa verktyg, direkt uppskatta ansvaret som följer med,” sa Kidd.

Jeff Dean

Jeff Dean, den nuvarande chefen för Google AI, förutspådde att 2020 kommer att se framsteg inom multimodalt lärande och multuppgiftslärande. Multimodalt lärande är när AI tränas med flera typer av media samtidigt, medan multuppgiftslärande syftar till att tillåta AI att träna på flera uppgifter samtidigt. Dean förväntade sig också ytterligare framsteg när det gäller naturligt språkbehandlingsmodeller baserade på Transformer, som Googles BERT-algoritm och de andra modellerna som toppade GLUE-ledarskapslistorna. Dean nämnde också att han ville se mindre önskan att skapa de mest avancerade state-of-the-art-prestandamodellerna och mer önskan att skapa modeller som är mer robusta och flexibla.

Anima Anandkumar

Anandkumar förväntade sig att AI-samhället kommer att behöva hantera många utmaningar 2020, särskilt behovet av mer diversifierade datamängder och behovet av att säkerställa människors privatliv när de tränar på data. Anandkumar förklarade att medan ansiktsigenkänning ofta får mest uppmärksamhet, finns det många områden där människors privatliv kan kränkas och att dessa frågor kan komma att diskuteras under 2020.

Anandkumar förväntade sig också att ytterligare framsteg kommer att göras när det gäller Transformer-baserade naturliga språkbehandlingsmodeller.

“Vi är fortfarande inte på den nivån av dialoggenerering som är interaktiv, som kan hålla koll och ha naturliga samtal. Så jag tror att det kommer att finnas fler allvarliga försök att göra det under 2020 i den riktningen,” sa hon.

Slutligen förväntade sig Anandkumar att det kommande året kommer att se mer utveckling av iterativa algoritmer och självövervakning. Dessa träningsmetoder tillåter AI-system att självträna i vissa avseenden och kan potentiellt hjälpa till att skapa modeller som kan förbättras genom självträning på omarkerad data.

Dario Gil

Gil förutspådde att 2020 kommer att se mer framsteg mot att skapa AI på ett mer beräknings-effektivt sätt, eftersom sättet djupa neurala nätverk tränas just nu är ineffektivt på många sätt. På grund av detta förväntade sig Gil att detta år kommer att se framsteg i termer av att skapa reducerade precisionsarkitekturer och generellt träna mer effektivt. Liksom några av de andra experterna som intervjuades, förutspådde Gil att 2020 kommer att se forskare som börjar fokusera mer på mått utöver exakthet. Gil uttryckte ett intresse för neuralsymbolisk AI, eftersom IBM undersöker sätt att skapa probabilistiska programmeringsmodeller med hjälp av neuralsymboliska metoder. Slutligen betonade Gil vikten av att göra AI mer tillgängligt för dem som är intresserade av maskinlärning och att bli av med uppfattningen att endast genier kan arbeta med AI och göra data-vetenskap.

“Om vi lämnar det som en mytisk sfär, detta område av AI, som bara är tillgängligt för de utvalda doktorer som arbetar med detta, bidrar det inte till dess antagande,” sa Gil.