Chris Herbert, Pluralsight, Inc 首席内容官 Chris Herbert Pluralsight, Inc 首席内容官

无经验？以下是如何转变为道德人工智能开发者的方法

人工智能（AI）和机器学习（ML）正在以惊人的速度重塑行业和解锁新的机会。成为人工智能专家的途径有很多，每个人的旅程都将受到独特的经历、挫折和成长的影响。对于那些没有任何先验经验但渴望投入这一令人着迷的技术的人来说，了解到只要拥有正确的心态和方法，成功是可能的至关重要。在通往人工智能熟练程度的旅程中，开发和利用人工智能以确保技术能够造福组织和社会同时尽量减少伤害至关重要。道德人工智能优先考虑公平、透明和问责制，这建立了用户和利益相关者之间的信任。通过遵循道德准则，学习者和开发人员可以防止人工智能的滥用，降低潜在风险，并使技术进步与社会价值观保持一致。尽管使用人工智能以道德方式至关重要，但在成千上万学习如何使用人工智能的人中，研究表明，不足2%的人积极寻找如何负责任地采用它的方法。这一差距是巨大的，不仅仅是在那些学习如何实施人工智能和那些对开发人工智能感兴趣的人之间。在我们的研究之外，Pluralsight也在我们的公共教育材料中看到了类似的趋势，人们对人工智能采用的培训材料表现出极大的兴趣，而类似的关于道德和负责任的人工智能的资源基本上被忽视了。如何开始您的道德人工智能从业者之旅负责任的人工智能从业者应该关注三个主要方面：偏见、道德和法律因素。人工智能的法律考虑是理所当然的。使用人工智能发起网络攻击、犯罪或其他违法行为是违法的，只有恶意行为者才会这样做。在偏见方面，个人或团队应该确定他们开发的模型或解决方案是否尽可能地摆脱偏见。每个人都或多或少地存在偏见，人工智能解决方案是由人类创造的，因此这些人类偏见不可避免地会在人工智能中反映出来。人工智能开发人员应该专注于有意识地减少这些偏见。解决道德问题可能比解决偏见问题更复杂，因为道德往往与意见密切相关，意见是个人信仰，受到个人经历和价值观的影响。道德是旨在指导行为的道德原则，用于定义什么是对的，什么是错的。现实世界中的道德例子可能包括是否道德地让一个陪伴机器人照顾老人，一个网站机器人提供恋爱建议，或者自动机器消除人类的工作。深入技术在考虑了道德和负责任的开发之后，渴望成为人工智能开发人员的人已经准备好深入技术。人们常常最初认为，学习开发人工智能技术需要高级学位或在研究实验室工作的背景。然而，驱动力、好奇心和愿意接受挑战的意愿是开始所需的全部。许多人工智能从业者所学到的第一课是，机器学习比想象中更容易接触到。有了合适的资源和学习的愿望，来自不同背景的人都可以掌握和应用甚至复杂的人工智能概念。有志成为人工智能专家的个人可能会发现，通过实践学习是最有效的方法。首先选择一个既有趣又在机器学习范围内可管理的项目是有帮助的。例如，一个人可能会建立一个模型来预测未来事件的可能性。这样的项目将介绍包括数据分析、特征工程和模型评估在内的概念，同时也将提供对机器学习生命周期的深入理解——这是系统地解决问题的关键框架。当一个人深入人工智能时，尝试不同的工具和技术对于掌握学习曲线至关重要。虽然无代码和低代码平台（如AWS的平台）可以简化对技术专长较少的人的模型构建，但具有编程背景的人可能更喜欢亲自动手。在这种情况下，学习Python基础并使用Jupyter Notebooks等工具可以在开发更复杂的模型方面起到至关重要的作用。沉浸在人工智能社区中也可以极大地增强学习过程，并确保以负责任的方式应用人工智能的方法可以与新人共享。参加聚会，加入在线论坛，与其他人工智能爱好者建立联系，可以提供持续学习和动力的机会。分享见解和经验也可以帮助他人澄清技术并加强自己的理解。选择激发您兴趣的项目没有一条固定的路线可以成为一名负责任的人工智能专家，因此，从任何地方开始并逐步建立技能是非常重要的。不论您是否拥有技术背景，还是从头开始，关键是迈出第一步并保持承诺。第一个项目应该是激发兴趣并由动力驱动的。无论是预测股票价格、分析在线评论还是开发产品推荐系统，处理一个与个人兴趣相关的项目都可以使学习过程更加愉快和有意义。理解机器学习生命周期对于开发解决问题的步骤至关重要，包括数据收集、预处理、模型训练、评估和部署等阶段。遵循这一结构化框架可以高效地开发机器学习项目。另外，数据是任何人工智能计划的基石，因此找到与项目相关的免费公共数据集至关重要，这些数据集应该足够丰富以提供有价值的见解。随着数据的处理和清理，它应该被格式化以使机器能够从中学习，为模型训练奠定基础。像人工智能沙盒这样的沉浸式、实践工具允许学习者练习人工智能技能，尝试人工智能解决方案，并找出和消除可能发生的偏见和错误。这些工具为用户提供了机会，让他们可以安全地尝试预配置的人工智能云服务、生成人工智能笔记本和各种大型语言模型（LLM），这可以帮助组织节省时间、降低成本和最小化风险，方法是消除自己配置沙盒的需要。在处理LLM时，负责任的从业者必须意识到这些庞大的数据集合中可能存在的偏见。LLM就像浩瀚的水体，包含从文学和科学到常识的所有内容。LLM在生成上下文相关的文本方面非常出色，但就像河流流经多样化的景观一样，LLM也可能吸收污染物——这些污染物以训练数据中嵌入的偏见和刻板印象的形式存在。确保LLM尽可能无偏见的一种方法是使用来自人类反馈的强化学习（RLHF）。RLHF是一种高级的强化学习，其中反馈循环包括人类输入。简而言之，RLHF就像一个成年人帮助孩子解决拼图一样，积极地参与到这个过程中，找出为什么某些拼图不能拼接在一起，并建议应该把它们放在哪里。通过RLHF，人类反馈引导人工智能，确保其学习过程符合人类的价值观和道德标准。这在处理语言的LLM中尤为重要，因为语言往往细致入微、依赖于上下文，并且文化上多样化。RLHF作为一种关键工具，确保LLM生成的响应不仅上下文相关，而且符合道德标准和文化敏感性。这在人工智能中灌输了道德判断力，教会它如何在人际交流的灰色地带中导航，在那里，正确和错误之间的界限并不总是明确的。非技术新手也可以将想法变为现实许多没有IT背景的人工智能专业人士已经成功地从各个领域转型过来，为该领域带来了新的视角和技能。无代码和低代码人工智能工具使得没有广泛编码经验就可以创建模型变得更加容易。这些平台允许新手在没有技术背景的情况下尝试和将想法变为现实。具有IT经验但缺乏编码专业知识的个人处于一个有利的位置，可以转入人工智能领域。通常，第一步是学习编程基础，特别是Python，这在人工智能中被广泛使用。像AWS这样的平台提供的高级服务可以为以负责任的方式构建模型提供有价值的工具，而无需深入的编码知识。处理数据或部署机器学习模型时，像理解数据库或管理基础设施这样的IT技能也很有价值。对于那些已经熟悉编码，尤其是Python语言的人来说，转入人工智能和机器学习相对直接。学习使用Jupyter Notebooks并熟悉Pandas、SciPi和TensorFlow等库，可以帮助建立构建机器学习模型的坚实基础。进一步深入人工智能/机器学习概念，包括神经网络和深度学习，将增强专业知识，并为更高级的话题打开大门。根据个人目标量身定制人工智能之旅虽然从零开始成为人工智能专家似乎令人望而生畏，但这完全是可能的。拥有坚实的基础、对持续学习的承诺、实践经验和对人工智能道德应用的关注，任何人都可以在该领域找到自己的位置。人工智能没有一刀切的方法，因此根据个人目标和情况量身定制旅程至关重要。最重要的是，人工智能领域的成功关键在于坚持不懈和致力于成长和道德。