วิธีการที่ข้อมูลสังเคราะห์กระทบต่อการเห็นภาพของ AI

แม้ว่าข้อมูลสังเคราะห์จะเป็นเครื่องมือที่ทรงพลัง แต่ก็สามารถลดการเห็นภาพของ AI ได้เฉพาะในสถานการณ์ที่เฉพาะเจาะจงเท่านั้น ในกรณีอื่นๆ ส่วนใหญ่จะทำให้การเห็นภาพเพิ่มขึ้น ทำไมจึงเป็นเช่นนี้ และสิ่งนี้มีความหมายอย่างไรสำหรับผู้ที่ลงทุนในมัน

ข้อมูลสังเคราะห์ต่างจากข้อมูลจริงอย่างไร

ข้อมูลสังเคราะห์เป็นข้อมูลที่สร้างขึ้นโดย AI ไม่ได้รวบรวมจากเหตุการณ์หรือการสังเกตการณ์ในโลกแห่งความเป็นจริง แต่สร้างขึ้นโดยใช้กระบวนการสร้างข้อมูลเทียมแทน ซึ่งดูเหมือนกับข้อมูลดั้งเดิมเพียงพอเพื่อให้ผลลัพธ์ที่ถูกต้องและเกี่ยวข้อง นั่นคือความคิดที่อยู่เบื้องหลัง

ในการสร้างชุดข้อมูลเทียม วิศวกร AI จะฝึกให้แบบจำลองสร้างข้อมูลบนฐานข้อมูลที่มีความสัมพันธ์จริง เมื่อได้รับคำสั่ง จะสร้างชุดข้อมูลที่สองที่สะท้อนชุดแรก แต่ไม่มีข้อมูลที่แท้จริง แม้ว่าแนวโน้มและคุณสมบัติทางคณิตศาสตร์จะยังคงอยู่ แต่ก็มีเสียงรบกวนที่เพียงพอในการปกปิดความสัมพันธ์ระหว่างข้อมูล

ชุดข้อมูลที่สร้างขึ้นโดย AI ไปไกลกว่าการทำให้ไม่สามารถระบุถึงตัวตนได้ โดยการจำลองตรรกะของความสัมพันธ์ระหว่างฟิลด์แทนที่จะแทนที่ฟิลด์ด้วยตัวเลือกที่เทียบเท่ากัน เนื่องจากไม่มีข้อมูลที่สามารถระบุถึงตัวตนได้ บริษัทจึงสามารถใช้มันเพื่อหลีกเลี่ยงข้อจำกัดด้านความเป็นส่วนตัวและลิขสิทธิ์ นอกจากนี้ยังสามารถแบ่งปันหรือเผยแพร่มันโดยไม่ต้องกลัวการละเมิด

อย่างไรก็ตาม ข้อมูลเทียมมักใช้เพื่อเพิ่มเติมข้อมูลที่มีอยู่แล้ว บริษัทสามารถใช้มันเพื่อเพิ่มหรือขยายขนาดตัวอย่างที่เล็กเกินไป ทำให้ใหญ่พอที่จะฝึก AI ได้อย่างมีประสิทธิภาพ

ข้อมูลสังเคราะห์ลดการเห็นภาพของ AI หรือไม่

บางครั้ง อัลกอริทึมจะอ้างอิงเหตุการณ์ที่ไม่มีอยู่จริงหรือให้คำแนะนำที่ไม่สมเหตุสมผล การเห็นภาพเหล่านี้มักไม่สมเหตุสมผลหรือไม่ถูกต้อง ตัวอย่างเช่น โมเดลภาษาที่มีขนาดใหญ่อาจเขียนบทความวิธีการเลี้ยงสิงโตหรือเป็นแพทย์ที่อายุ 6 ปี แต่ไม่ใช่ทั้งหมดที่รุนแรงขนาดนี้ ซึ่งสามารถทำให้การรู้จำมันลำบาก

หากข้อมูลเทียมได้รับการดูแลอย่างเหมาะสม มันสามารถลดการเห็นภาพเหล่านี้ได้ ฐานข้อมูลที่มีความถูกต้องและเกี่ยวข้องเป็นรากฐานของโมเดลใดๆ ดังนั้นจึงสมเหตุสมผลที่จะคิดว่าหากมีข้อมูลมากขึ้น ผลลัพธ์ของโมเดลก็จะถูกต้องมากขึ้น ชุดข้อมูลเสริมช่วยให้สามารถขยายขนาดได้ แม้สำหรับการใช้งานเฉพาะที่มีข้อมูลสาธารณะที่จำกัด

การลดความเอนเอียงเป็นอีกวิธีหนึ่งที่ชุดข้อมูลเทียมสามารถลดการเห็นภาพของ AI ได้ ตามที่ MIT Sloan School of Management ระบุว่า มันสามารถช่วยแก้ไขปัญหาความเอนเอียง เนื่องจากไม่ได้จำกัดอยู่ที่ขนาดตัวอย่างเดิมเท่านั้น ผู้เชี่ยวชาญสามารถใช้ข้อมูลที่สมจริงเพื่อเติมช่องว่างที่กลุ่มย่อยที่เลือกมีการแสดงออกไม่เพียงพอ

ข้อมูลเทียมทำให้การเห็นภาพของ AI แย่ลง

เนื่องจากอัลกอริทึมไม่สามารถให้เหตุผลหรือเข้าใจบริบทของข้อมูล จึงมีแนวโน้มที่จะเกิดการเห็นภาพ การสร้างแบบจำลองที่ใช้การเรียนรู้เชิงลึกโดยเฉพาะโมเดลภาษาที่มีขนาดใหญ่ มีความเสี่ยงต่อการเห็นภาพเป็นพิเศษ ในบางด้าน ข้อมูลเทียมสามารถทำให้ปัญหานี้รุนแรงขึ้น

การเพิ่มความเอนเอียง

เช่นเดียวกับมนุษย์ AI สามารถเรียนรู้และทำซ้ำความเอนเอียงได้ หากชุดข้อมูลเทียมให้ความสำคัญกับบางกลุ่มมากเกินไปในขณะที่มีการแสดงออกไม่เพียงพอของกลุ่มอื่นๆ ซึ่งสามารถเกิดขึ้นได้ง่ายๆ การตัดสินใจของมันจะบิดเบือนไป ซึ่งจะส่งผลเสียต่อความถูกต้องของผลลัพธ์

ปัญหาเดียวกันอาจเกิดขึ้นเมื่อบริษัทใช้ข้อมูลเทียมเพื่อกำจัดความเอนเอียงในโลกแห่งความเป็นจริง เนื่องจากอาจไม่ได้สะท้อนความเป็นจริงอีกต่อไป ตัวอย่างเช่น เนื่องจาก มะเร็งเต้านมเกิดขึ้นในผู้หญิงมากกว่า 99% การใช้ข้อมูลเสริมเพื่อสร้างความสมดุลในการแสดงออกอาจทำให้การวินิจฉัยผิดพลาด

การเห็นภาพแบบตัดขวาง

ความตัดขวางเป็นกรอบทางสังคมวิทยาที่อธิบายว่ากลุ่มประชากรต่างๆ เช่น อายุ เพศ อาชีพ และชั้นเรียน ส่งผลต่อการแบ่งแยกและความเป็นส่วนตัวอย่างไร เมื่อแบบจำลองสร้างข้อมูลเทียมตามที่ได้รับการฝึก มันอาจสร้างการผสมผสานที่ไม่มีอยู่ในต้นฉบับหรือไม่สมเหตุสมผล

เอริก้า จอห์นสัน ศาสตราจารย์ด้านเพศและสังคมที่มหาวิทยาลัยลิงคอปิง ร่วมงานกับนักวิทยาศาสตร์เครื่องจักรเพื่อแสดงปรากฏการณ์นี้ พวกเขาใช้ เครือข่ายที่เป็นปฏิปักษ์ เพื่อสร้างข้อมูลเทียมของตัวเลขสำมะโนประชากรของสหรัฐอเมริกาปี 1990

พวกเขาได้สังเกตปัญหาใหญ่ในทันที ข้อมูลเทียมมีหมวดหมู่ที่มีชื่อว่า “ภรรยาและโสด” และ “สามีที่ไม่เคยแต่งงาน” ซึ่งเป็นการเห็นภาพแบบตัดขวาง

หากไม่มีการดูแลที่เหมาะสม ชุดข้อมูลเทียมจะทำให้กลุ่มประชากรที่มีอำนาจเหนือกว่าในฐานข้อมูลมีการแสดงออกมากเกินไป ในขณะที่กลุ่มที่มีการแสดงออกไม่เพียงพอหรือไม่มีการแสดงออกเลย อาจถูกเพิกเฉยโดยสิ้นเชิง

การล่มสลายของโมเดล

การอาศัยรูปแบบและแนวโน้มเทียมมากเกินไปทำให้เกิดการล่มสลายของโมเดล ซึ่งการทำงานของอัลกอริทึมลดลงอย่างมากเมื่อมันไม่สามารถปรับตัวให้เข้ากับการสังเกตการณ์และเหตุการณ์จริงได้

ปรากฏการณ์นี้เห็นได้ชัดเจนใน AI ที่สร้างขึ้นรุ่นต่อๆ ไป การใช้ชุดข้อมูลเทียมซ้ำๆ ในการฝึกอบรมส่งผลให้เกิดวงจรที่กินตัวเอง หนึ่งการศึกษาพบว่าคุณภาพและความจำของมัน ลดลงอย่างต่อเนื่อง โดยไม่มีตัวเลขที่แท้จริงที่เพียงพอในแต่ละรุ่น

การปรับให้เหมาะสมมากเกินไป

การปรับให้เหมาะสมมากเกินไป คือการอาศัยข้อมูลฝึกอบรมมากเกินไป อัลกอริทึมทำงานได้ดีในตอนแรก แต่จะเห็นภาพเมื่อมีข้อมูลใหม่ๆ ที่นำเข้ามา ข้อมูลเทียมสามารถทำให้ปัญหานี้รุนแรงขึ้นหากไม่ได้สะท้อนความเป็นจริง

ผลกระทบของการใช้ข้อมูลสังเคราะห์ต่อเนื่อง

ตลาดข้อมูลสังเคราะห์กำลังเติบโต บริษัทในอุตสาหกรรมนี้ ระดมทุนได้ประมาณ 328 ล้านดอลลาร์ ในปี 2022 ซึ่งเพิ่มขึ้นจาก 53 ล้านดอลลาร์ในปี 2020 หรือเพิ่มขึ้น 518% ในเพียง 18 เดือน ซึ่งหมายความว่าบริษัทเหล่านี้มีความมุ่งมั่นอย่างมากต่อวิธีแก้ปัญหานี้

หากบริษัทต่างๆ ยังคงใช้ข้อมูลเทียมโดยไม่มีการดูแลและลดความเอนเอียง การทำงานของโมเดลจะลดลงอย่างต่อเนื่อง ซึ่งอาจส่งผลเสียต่อการลงทุนใน AI ของพวกเขา ผลลัพธ์อาจรุนแรงขึ้นขึ้นอยู่กับการใช้งาน ตัวอย่างเช่น ในด้านการดูแลสุขภาพ การเพิ่มขึ้นของการเห็นภาพอาจส่งผลให้เกิดการวินิจฉัยผิดพลาดหรือแผนการรักษาที่ไม่เหมาะสม ซึ่งนำไปสู่ผลลัพธ์ของผู้ป่วยที่ไม่ดี

วิธีแก้ปัญหาไม่ได้หมายถึงการกลับไปใช้ข้อมูลจริง

ระบบ AI ต้องการภาพ วิดีโอ และข้อความหลายล้านหรือหลายพันล้านรายการในการฝึกอบรม ซึ่งส่วนใหญ่ถูกเก็บจากเว็บไซต์สาธารณะและรวบรวมไว้ในฐานข้อมูลที่มีขนาดใหญ่และเปิดกว้าง ไม่น่าเชื่อว่าอัลกอริทึมจะกินข้อมูลเหล่านี้เร็วเกินกว่าที่มนุษย์สามารถสร้างขึ้นได้ สิ่งที่เกิดขึ้นเมื่อมันเรียนรู้ทุกอย่างแล้ว

ผู้นำธุรกิจกังวลเกี่ยวกับการถึง “กำแพงข้อมูล” ซึ่งเป็นจุดที่ข้อมูลสาธารณะทั้งหมดบนอินเทอร์เน็ตถูกใช้หมดแล้ว อาจใกล้กว่าที่พวกเขาคิด

แม้ว่าปริมาณข้อความธรรมดาในเว็บเพจทั่วไปและจำนวนผู้ใช้อินเทอร์เน็ต เพิ่มขึ้น 2% ถึง 4% ต่อปี แต่อัลกอริทึมก็ใช้ข้อมูลที่มีคุณภาพสูงจนหมดแล้ว เพียง 10% ถึง 40% เท่านั้นที่สามารถใช้ในการฝึกอบรมได้โดยไม่กระทบต่อประสิทธิภาพ หากแนวโน้มนี้ดำเนินต่อไป สต๊อกข้อมูลที่สร้างโดยมนุษย์อาจหมดลงในปี 2026

ในความเป็นจริง อุตสาหกรรม AI อาจถึงกำแพงข้อมูลเร็วๆ นี้ การบูมของ AI ที่ใช้การเรียนรู้เชิงลึกในช่วงไม่กี่ปีที่ผ่านมาได้เพิ่มความตึงเครียดเกี่ยวกับการเป็นเจ้าของข้อมูลและลิขสิทธิ์ มีเจ้าของเว็บไซต์มากขึ้นที่ใช้โพรโทคอลการกีดกันโรบอท — มาตรฐานที่ใช้ไฟล์ robots.txt เพื่อขัดขวางเว็บครอว์เลอร์ — หรือทำให้ชัดเจนว่าเว็บไซต์ของตนไม่สามารถเข้าถึงได้

การศึกษาในปี 2024 ที่เผยแพร่โดยกลุ่มวิจัยที่นำโดย MIT พบว่าข้อจำกัดในการเข้าถึง Colossal Cleaned Common Crawl (C4) ซึ่งเป็นองค์กรค้นหาทางเว็บขนาดใหญ่กำลังเพิ่มขึ้น มากกว่า 28% ของแหล่งข้อมูลที่มีการใช้งานมากที่สุดใน C4 ถูกจำกัดอย่างสมบูรณ์ นอกจากนี้ 45% ของ C4 ถูกกำหนดให้ไม่สามารถเข้าถึงได้ตามเงื่อนไขการให้บริการ

หากบริษัทต่างๆ ให้ความเคารพต่อข้อจำกัดเหล่านี้ ความสดใหม่ ความเกี่ยวข้อง และความถูกต้องของข้อมูลสาธารณะจะลดลง ซึ่งจะบังคับให้พวกเขาต้องอาศัยข้อมูลเทียม พวกเขาอาจไม่มีทางเลือกอื่นหากศาลตัดสินว่าวิธีแก้ปัญหาใดๆ ที่ไม่ใช่ข้อมูลเทียมเป็นการละเมิดลิขสิทธิ์

อนาคตของข้อมูลสังเคราะห์และการเห็นภาพของ AI

เมื่อกฎหมายลิขสิทธิ์ทันสมัยและเจ้าของเว็บไซต์มากขึ้นซ่อนข้อมูลของตนจากเว็บครอว์เลอร์ การสร้างข้อมูลเทียมจะกลายเป็นที่นิยมมากขึ้น องค์กรต่างๆ ต้องเตรียมพร้อมที่จะเผชิญกับภัยคุกคามของการเห็นภาพ