سپردن هوش مصنوعی به دست افراد دارای مشکلات برای حل | اخبار MIT

به عنوان دانشجویان آزمایشگاه رسانه در سال 2010، Karthik Dinakar SM ’12، PhD ’17 و Birago Jones SM ’12 برای یک پروژه کلاسی برای ساختن ابزاری که به تیم‌های تعدیل محتوا در شرکت‌هایی مانند توییتر (اکنون X) و یوتیوب کمک می‌کند، همکاری کردند. این پروژه هیجان زیادی ایجاد کرد، و از محققان دعوت شد تا در یک نشست سایبری در کاخ سفید نمایشی ارائه کنند – آنها فقط باید کار را به کار می گرفتند.

یک روز قبل از رویداد کاخ سفید، دیناکار ساعت‌ها تلاش کرد تا یک نسخه نمایشی کار کند که بتواند پست‌های مربوط به توییتر را شناسایی کند. حوالی ساعت 11 شب، او با جونز تماس گرفت و گفت که تسلیم می شود.

سپس جونز تصمیم گرفت به داده ها نگاه کند. معلوم شد که مدل دیناکار انواع پست‌های مناسب را علامت‌گذاری می‌کند، اما پوسترها از اصطلاحات عامیانه نوجوانانه و سایر زبان‌های غیرمستقیم استفاده می‌کردند که دیناکار از آن استفاده نکرد. مشکل مدل نبود. این قطع ارتباط بین دیناکار و نوجوانانی بود که او سعی داشت به آنها کمک کند.

دیناکار می‌گوید: «ما در آن زمان، درست قبل از رسیدن به کاخ سفید، متوجه شدیم که افرادی که این مدل‌ها را می‌سازند، نباید افرادی باشند که فقط مهندسین یادگیری ماشین باشند. “آنها باید افرادی باشند که داده های خود را به بهترین شکل درک کنند.”

این بینش محققان را به توسعه ابزارهای اشاره و کلیک سوق داد که به افراد غیرمتخصص اجازه می‌دهد مدل‌های یادگیری ماشینی بسازند. این ابزارها پایه و اساس Pienso شدند، که امروزه به مردم کمک می‌کند تا بدون نوشتن هیچ کدی، مدل‌های زبان بزرگی را برای شناسایی اطلاعات نادرست، قاچاق انسان، فروش سلاح و موارد دیگر بسازند.

جونز می‌گوید: «این نوع برنامه‌ها برای ما مهم هستند، زیرا ریشه‌های ما در آزار و اذیت سایبری و درک نحوه استفاده از هوش مصنوعی برای چیزهایی است که واقعاً به بشریت کمک می‌کند.

در مورد نسخه اولیه سیستم نشان داده شده در کاخ سفید، بنیانگذاران در نهایت با دانش آموزان مدارس مجاور در کمبریج، ماساچوست همکاری کردند تا به آنها اجازه آموزش مدل ها را بدهند.

دیناکار می‌گوید: «مدل‌هایی که آن بچه‌ها آموزش می‌دادند بسیار بهتر و ظریف‌تر از هر چیزی بود که من می‌توانستم ارائه دهم. من و بیراگو این “آها” بزرگ را داشتیم! لحظه ای که متوجه شدیم توانمندسازی متخصصان حوزه – که با دموکراسی سازی هوش مصنوعی متفاوت است – بهترین راه رو به جلو بود.

پروژه ای با هدف

جونز و دیناکار به عنوان دانشجویان فارغ التحصیل در گروه تحقیقاتی نرم افزار Agents آزمایشگاه رسانه MIT ملاقات کردند. کار آنها بر روی چیزی که به Pienso تبدیل شد در دوره 6.864 (پردازش زبان طبیعی) آغاز شد و تا زمانی که در سال 2012 مدرک کارشناسی ارشد خود را دریافت کردند ادامه یافت.

مشخص شد که سال 2010 آخرین باری نبود که بنیانگذاران برای نمایش پروژه خود به کاخ سفید دعوت شدند. این کار شور و شوق زیادی ایجاد کرد، اما بنیانگذاران تا سال 2016 روی Pienso پاره وقت کار کردند، زمانی که دیناکار دکترای خود را در MIT به پایان رساند و محبوبیت یادگیری عمیق شروع به انفجار کرد.

دیناکار می گوید: «ما هنوز با افراد زیادی در اطراف پردیس در ارتباط هستیم. قرار گرفتن در معرض ما در MIT، ادغام رابط انسان و کامپیوتر، درک ما را گسترش داد. فلسفه ما در Pienso بدون شور و نشاط پردیس MIT ممکن نیست.

بنیانگذاران همچنین به برنامه ارتباط صنعتی MIT (ILP) و شتاب دهنده راه اندازی (STEX) به دلیل اتصال آنها به شرکای اولیه اعتبار می دهند.

یکی از شرکای اولیه SkyUK بود. تیم موفقیت مشتریان این شرکت از Pienso برای ساخت مدل هایی برای درک رایج ترین مشکلات مشتری خود استفاده کرد. امروزه این مدل‌ها به پردازش نیم میلیون تماس مشتری در روز کمک می‌کنند و بنیانگذاران می‌گویند که با کوتاه کردن طول تماس‌ها با مرکز تماس شرکت، تا به امروز بیش از ۷ میلیون پوند صرفه‌جویی کرده‌اند.

“تفاوت بین دموکراتیک کردن هوش مصنوعی و توانمندسازی افراد با هوش مصنوعی به این بستگی دارد که چه کسی داده ها را بهتر درک می کند – شما یا پزشک یا روزنامه نگار یا کسی که هر روز با مشتریان کار می کند؟ جونز می گوید. «اینها کسانی هستند که باید الگوها را خلق کنند. اینگونه است که شما از داده های خود بینش دریافت می کنید.»

در سال 2020، درست زمانی که شیوع کووید-19 در ایالات متحده آغاز شد، مقامات دولتی با بنیانگذاران تماس گرفتند تا از ابزار آنها برای درک بهتر بیماری در حال ظهور استفاده کنند. پینسو به متخصصان ویروس‌شناسی و بیماری‌های عفونی کمک کرد تا مدل‌های یادگیری ماشینی را برای استخراج هزاران مقاله تحقیقاتی درباره کروناویروس‌ها تنظیم کنند. دیناکار می‌گوید که بعداً دریافتند که این کار به دولت کمک کرد زنجیره‌های تامین حیاتی داروها، از جمله رمدسیویر ضد ویروسی محبوب را شناسایی و تقویت کند.

دیناکار می‌گوید: «این ترکیبات توسط تیمی که یادگیری عمیق نمی‌دانستند اما قادر به استفاده از پلتفرم ما بودند، ظاهر شدند.

ساختن آینده ای بهتر از هوش مصنوعی

از آنجایی که Pienso می‌تواند روی سرورهای داخلی و زیرساخت‌های ابری اجرا شود، بنیانگذاران می‌گویند که جایگزینی برای کسب‌وکارهایی است که مجبور به اهدای داده‌های خود با استفاده از خدمات ارائه‌شده توسط سایر شرکت‌های هوش مصنوعی هستند.

دیناکار توضیح می دهد: “رابط Pienso مجموعه ای از برنامه های وب است که به هم متصل شده اند.” شما می توانید آن را مانند یک Adobe Photoshop برای مدل های زبان بزرگ، اما در وب، در نظر بگیرید. شما می توانید بدون نوشتن یک خط کد، داده ها را مشخص کرده و وارد کنید. می‌توانید داده‌ها را اصلاح کنید، آن‌ها را برای یادگیری عمیق آماده کنید، آن‌ها را تجزیه و تحلیل کنید، اگر برچسب‌گذاری یا حاشیه‌نویسی نشده است، ساختاری به آن بدهید، و می‌توانید با یک مدل زبانی دقیق و بزرگ در عرض ۲۵ دقیقه کنار بروید.»

در اوایل سال جاری، Pienso از همکاری با GraphCore خبر داد که پلتفرم محاسباتی سریع‌تر و کارآمدتری برای یادگیری ماشین فراهم می‌کند. بنیانگذاران می گویند که این مشارکت با کاهش چشمگیر تأخیر، موانع را برای استفاده از هوش مصنوعی کاهش می دهد.

دیناکار می‌گوید: «اگر در حال ساختن یک پلتفرم هوش مصنوعی تعاملی هستید، کاربران هر بار که روی دکمه‌ای کلیک می‌کنند، یک فنجان قهوه نمی‌نوشند. “این باید سریع و پاسخگو باشد.”

بنیانگذاران بر این باورند که راه حل آنها آینده ای را فراهم می کند که در آن مدل های هوش مصنوعی موثرتر برای موارد استفاده خاص توسط افرادی که بیشتر با مشکلاتی که آنها در تلاش برای حل آنها هستند آشنا هستند، توسعه می یابد.

دیناکار می گوید: «هیچ مدلی نمی تواند همه کارها را انجام دهد. “کاربرد هرکس متفاوت است، نیازهای آنها متفاوت است، داده های آنها متفاوت است. خیلی بعید است که یک مدل همه چیز را برای شما انجام دهد. این در مورد گردآوری باغی از مدل ها و اجازه دادن به آنها برای همکاری با یکدیگر و هماهنگ کردن آنها به روشی است که منطقی باشد – و افرادی که این ارکستراسیون را انجام می دهند باید افرادی باشند که داده ها را به بهترین شکل درک می کنند.