AIren etika kezkatuta dago konfiantzazko adituek AI makina-ikaskuntzaren zukuak edo dopajearen gorakadarekin, norberak gidatzen dituzten auto autonomoak barne.

Zukuak eta dopajea.

Dopina eta zukua egitea.

Denok dakigu hainbat kiroletan zoritxarrez fidatzen diren errendimendua hobetzeko drogen erabilera etengabea eta ezkutuan. Hori kirol profesionaletan eta kirol afizionatuetan ere gertatzen da. Olinpiar Jokoetan gertatzen da, teorian mundu mailan errespetatua den lehiaketa bat da, gizakiaren errendimenduaren mugen eta gizadi osoko mutur gorenen eredu garbia omen da.

Zukuaren eta dopatzearen ekintzan hedadura moduko bat dago. Kirol zifrak izugarrizko presioa jasaten dute lehen postua lortzeko eta horretara iristeko ahal duten bitarteko guztiak erabiltzeko tentazio erakargarria dute. Zukua edo dopatzeko probabilitatearen ondorioz, ikusi dugu kirol gehienek ez bada, prozedurak eta urratsak ezarri dituztela horrelako ahaleginetan gaizki betetzen dituztenak galarazteko eta harrapatzeko. Norbait zukua hartzen edo dopatzen harrapatzen badute, kirol-domina kentzeko arriskua du. Gainera, litekeena da haien aldekoek eta babesleek alde batera utziko dituztela. Ospe-arriskuaren sentsazio izugarria zukua ateratzeko edo dopatzeko ekintza arriskutsuarekin batera doa.

Kirol jakin batean "onenak" izan nahi duten pertsonak urratuta daude ez errendimendua hobetzeko drogak erabiltzea eta substantzia ilegalak edo, gutxienez, etikarik gabekoak erabiltzea aukeratzea. Drogak erabiltzea gorenera ia segurua izan daiteke. Maltzurki eta arreta handiz administratzen bada, aukera dago inork ez jakitea eta probak ez detektatzeko. Alde egin dezakezu, itxuraz scot-free. Jakina, zure gorputza kaltetzen ari zaren eta azkenean prezio fisikoa ordaintzeko aukera ere badago, baina irabazteko unean uneko aukeraren desioaren intentsitateak etorkizuneko ondorioak gutxiesten ditu.

Beraz, alde batetik errendimendua hobetzeko drogak erabiliz ospe handia eta agian aberastasuna lortzeko potentzial itzela dugu, bestetik, harrapatzeko eta bestela gogor irabazitako irabaziak kentzeko aukera lotsagabea dugu. eta mundu osoko pertsonaia publiko izugarri mespretxatua bilakatzea (osasunarekin lotutako ondorio kaltegarriekin batera).

Hori egin behar den kostu-onuraren analisia da.

Batzuek ROI mentala (inbertsioaren itzulera) kalkulua egiten dute eta errendimendua hobetzeko drogarik ez ukitzea erabakitzen dute. Erabat garbi eta garbi geratzea erabakitzen dute. Baliteke beste batzuk horrela hasi eta gero apur bat aldendu. Baliteke irristatzea errendimendua hobetzeko uretara behatz txiki bat bezala justifikatzea eta zeure buruari solemneki zin egingo diozula ez duzula berriro egingo. Horrek malda labainkorra sor dezake. Elur-bola elurtsutik irristatu eta irristatu eta biribiltzen den elur-bola klasiko eta aurreikusgarria, gero eta bola handiago batean bilduz.

Aurretik aurrera egin eta errendimendua hobetzeko drogak erabiliko dituztela erabakitzen dutenak ere badituzu. Pentsamendu modu tipiko bat suarekin suarekin borrokatzeko modu bakarra dela da. Egiten ari den suposizioa da lehiatzen ari zaren beste guztiek ere berdin egiten dutela. Hori dela eta, ez du zentzurik zu purua izateak eta, hala ere, jakina ezpuruak direnen aurka joatea (beraz suposatzen duzu).

Uste dut ikusten duzula zergatik probaren eta detekzioen izaera bereziki garrantzitsua den gai hauetan. Parte-hartzaile batzuek errendimendua hobetzeko botiken erabilerarekin ihes egiten badute, upel osoa hondatzen dute. Hazbetez hazbete, gainerako parte-hartzaile guztiak bide beretik joango dira ia ziur. Aukera izugarria egin behar dute. Horrek drogarik gabe lehiatzea dakar, baina ziurrenik desabantaila fisiko batean, edo drogak hartu eta lehiakorrak izaten jarraitu behar dute, agian bihotz-bihotzez nahi izan arren eta baliteke errendimenduaren sustatzaileetara jo beharrik ez izatea.

Zalantza bat, ziur.

Egoera hauek nahasten dituen ingurune gehiago dago. Esate baterako, etengabe sortzen den galdera bat errendimendua hobetzeko droga bat da. Baliteke agintariek debekatutako drogen zerrenda bat egitea. Bien bitartean, katuaren eta saguaren joko batean, errendimendu hobekuntzak emango dituzten eta debekatutako produktu kimikoen zerrendan ez dauden beste droga batzuk asmatu edo identifikatzen dira. Saia zaitezke zerrendaren aurretik pauso bat mantentzen, beste droga batzuetara aldatuz eta joko-arauen barruan arin mantenduz.

Mamia da zukua eta dopina ez direla nahitaez gai zuzena. Bai, denok ados egongo ginateke zukua edo dopatzea izugarria dela eta ez dela egin behar. Bai, denok ados egon gaitezke zukurik ez ateratzeari eta dopajeari buruzko arau zorrotzak egon behar direla, alde egiten dutenak harrapatzeko ahalegin zorrotzekin batera. Zoritxarrez, trikimailu asko dago helburu handi horiek ahuldu ditzaketenak.

Zergatik konpartitu ditut zuekin eta dopinaren probak eta tribulations?

Hori egiten dut harrigarria, nazkagarria, atsekabea eta guztiz hunkigarria irudituko zaizun arrazoi batengatik.

Ikusten duzu, gero eta aldarrikapen gehiago daude AI batzuetan "errendimendua hobetzen" ari dela zukuaren edo dopinaren (nolabaitekoa) erabiliz. Ideia da AI sistema bat asmatzean, garatzaileek trebetasun apur bat egin dezaketela AI benetan dena baino hobeto ager dadin. Horrek, aldi berean, beste batzuk engainatu ditzake AIak benetan ez dituen gaitasunak dituela suposatzeko. Ondorioak arinak edo arriskutsu larriak izan daitezke.

Imajinatu AI sistema bat (esango dugu) "errendimendu hobetua" zen dama jokatzen duen sistema bat, zuzentzaile baten jokoa inoiz galduko ez balu bezala agertzeko. Inbertitzaile batzuek ore asko pilatzen dituzte jokoan, AI beti irabaziko duela uste faltsuarekin. Erabilera publikoan jarri ondoren, AIak irabazi eta irabazten du. Noizbait, agian partida bat galtzen du. Ea, zer gertatu da? Nolanahi ere, erabilera kasu honetan ez da litekeena hil ala biziko kontua izatea.

Imajinatu horren ordez auto gidatzen duen auto bat gidatzen duen AI sistema bat. AI "errendimendua hobetu" da, seguru eta gorabeherarik gabe gidatzen duela dirudi. Pixka batean, auto gidatzen duen autoa bide publikoetan erabiltzen da eta dena ondo dirudi. Zoritxarrez, noizbait, AI okertu egiten da eta auto istripu bat gertatzen da argi eta garbi AI sistemaren errua izan zena. Gizakiak zauritu eta hildakoak sor daitezke. Egoera hau da, AIaren zukuak edo dopatzeak bizitzako edo heriotzako ondorio larriak eta larriak dituena.

Konturatzen naiz zukua eta dopina aipatzean bihotzerrea izango duzula AIari dagokionez. Hau diot gaur egungo IA ez delako sentikorra eta zuhur ibili beharko ginateke AI antropomorfizatzean, hemen laster gehiago sakonduko dudana. Laburbilduz, AI ez da gizaki bat eta ez da gizaki izatetik hurbil dagoen ezer, oraindik. Biak alderatu eta zukuaren edo dopinaren ohiko kontzeptualizazioarekin bat egiten saiatzea zirriborratua da eta begiak zabal-zabalik egin behar dira.

AIaren zukua eta dopajearen antzeko ideiarekin jarraituko dut, nahiz eta eskatzen dizut kontuan izan dezazula hori urrutira eraman behar ez den zerbait dela. Zertxobait zentzuz makurtu gaitezke formulazioan azaltzeko behar diren alderdiak azaltzeko baliabide gisa. Oinarri bideragarria da esaldien erabilerarako. Baina ez dugu hau beheko eremuetara zabaldu behar eta hori ez den zerbait bihurtu behar. Une honetan gehiago esango dut.

AIarekin erlazionatutako zukuaren eta dopinaren inguruan arreta gehien jasotzen ari den AIren alderdi batek garatzaile batzuek AI-n oinarritutako Machine Learning (ML) eta Deep Learning (DL) sistemak lantzen dituzten zenbait modu dakartza. ML/DL sistemen garapenean zehar ekintza gaizto hauei dagozkien AI Etika eta AI etikoa adar asko daude. AI Etikari eta AI etikoari buruz dudan etengabeko estaldura zabala ikusteko, ikus esteka hemen esteka hemen, batzuk besterik ez aipatzearren.

Utz dezagun burua uretatik kanpo eta azpimarratu alderdi hauek eztabaida honetan aurrera egiten duzun bitartean:

• AI ML/DL diseinatzen ari diren guztiek ez dute ML/DL-ren zukua edo dopaketa egiten ari
• Batzuk hala egiten dute, baina ez dira bereziki konturatzen zerbait gaizki egiteaz
• Batzuek hala egiten dute eta zehatz-mehatz dakite zer egiten ari diren ML/DLa zukua ateratzeari edo dopatzeari dagokionez
• Kirol eremuan ez bezala, oso gutxi dago gai mota hauen "proba edo detekzioa" estandarizatu eta formalizatua gaur egungo ML/DLrako.
• Hori egitearen ondorio kaltegarriak nabarmen alda daitezke ML/DL-ren izaeraren arabera (adibidez, AI dama jokatzen, AI auto gidatzen duen autoa gidatzen).
• Batzuek diote ez dagoela berez desegokirik egintza horiek
• ML/DL-ren zukua edo dopatzea zer den edo ez denaren definizioak mapa osoan daude
• AI Ethics itxuraz sortzen ari den joerari nola aurre egin behar zaion aztertzen ari da

Gai honi buruzko beste bira bat argitu nahiko nuke. Horretan nirekin jasan dezazula eskatzen dizut. Nolabait, batzuek gaia guztiz gaizki ulertzen dute eta pentsatzeko modu bitxi batean erortzen dira AI garatzaileek beraiek errendimendua hobetzeko drogak hartzen ari direla, eta, beraz, zukua eta dopina egiten ari diren gizakiei buruzko eztabaida da.

Horrek AI garatzaile batzuengandik barre pixka bat jasotzen du normalean.

Argi eta garbi esateko, ez da hori aipatzen ari naizena. Argi eta garbi nago hemen AIaren beraren zuku eta dopina deritzonean, eta ez IA diseinatzen duten gizakietan. Hori esanda, ez dut esaten ezinezkoa denik errendimendua hobetzeko drogak hartzea erabakitzen duten arrazoiengatik nolabait AI garatzailerik egotea. Zalantzazkoa dirudi kirol-analogia guztiz egoki bat dagoela, agian errendimendua hobetzeko legez kanpoko drogak hartzea erabakitzen duten AI garatzaileen ekintzaren parekoa, baina hori eremu hori esploratu nahi duten beste ikertzaile batzuen esku uzten dut. Besterik gabe, esango nuke errendimendua hobetzeko drogak edozein arrazoirengatik hartzea ez dela zuhurra, eta, zalantzarik gabe, legez kanpokoa, etikoa eta oso gaizki gomendagarria izan daitekeela.

Gauzak zuzentzen laguntzen duelakoan nago.

AIaren zuku eta dopajeari buruz haragi eta patata gehiagotan sartu aurretik, ezarri ditzagun oinarri osagarriak sakonki integraleko gaietan. AI Etikan eta ML/DL eremuan murgildu behar dugu eszenatoki egokia izateko.

Lausoki jabetuko zara gaur egun AIren alorrean eta baita AIren eremutik kanpo ere ahots ozenenetako bat AI Etikoaren itxura handiagoa aldarrikatzean dela. Ikus dezagun zer esan nahi duen AI Etika eta AI etikoa aipatzea. Horrez gain, Machine Learning eta Deep Learning buruz hitz egiten dudanean zer esan nahi dudan aztertuko dugu.

Komunikabideen arreta handia jaso duen AI Etikaren segmentu edo zati jakin bat alderdikeriak eta desberdintasunak erakusten dituen IAk osatzen dute. Baliteke kontziente izango AIaren azken aroa martxan jarri zenean ilusio handia izan zela batzuek gaur egun deitzen duten hori AI For Good. Zoritxarrez, zirrara isuri horren harira, lekukotzen hasi ginen AI For Bad. Adibidez, AI-n oinarritutako aurpegi-ezagutze-sistemak arraza-alborapenak eta genero-alborapenak dituztela agerian utzi dute, eta horiei buruz hitz egin dudanean. esteka hemen.

Aurkako borroka egiteko ahaleginak AI For Bad aktiboki abian dira. Oihuka gainera legezko gaizki-egiteei eusteko asmoz, AIren etika onartzeko bultzada nabarmena ere badago AIren gaiztakeria zuzentzeko. Ideia da AI etikoaren funtsezko printzipioak onartu eta onartu beharko genituzkeela IA garatzeko eta lantzeko. AI For Bad eta, aldi berean, hoberena iragartzen eta sustatuz AI For Good.

Erlazionatutako ideia batean, AI erabiltzen saiatzearen defendatzailea naiz AIren arazoen konponbidearen zati gisa, suarekin suarekin borrokatzeko pentsamendu modu horretan. Adibidez, AI etikoen osagaiak txerta genitzake AI sistema batean, gainontzeko AIak gauzak nola egiten dituen kontrolatuko duena eta, beraz, denbora errealean edozein diskriminazio-ahaleginak harrapatzeko. Ikusi nire eztabaida hemen. esteka hemen. AI Etika monitore gisa jarduten duen AI sistema bereizi bat ere izan genezake. AI sistemak gainbegiratzaile gisa funtzionatzen du beste AI bat amildegi ez-etikoan sartzen denean jarraitzeko eta detektatzeko (ikusi horrelako gaitasunen azterketa hemen esteka hemen).

Une batean, AI Etikaren azpian dauden printzipio nagusi batzuk partekatuko ditut zurekin. Zerrenda mota asko daude han eta hemen inguruan. Esan liteke oraindik ez dagoela erakargarritasun eta adostasun unibertsalaren zerrenda berezirik. Hori da zorigaiztoko albistea. Berri ona da gutxienez eskuragarri daudela AI Etika zerrendak eta nahiko antzekoak izan ohi direla. Guztiak esanda, horrek iradokitzen du nolabaiteko konbergentzia arrazoitu baten bidez AI Etika zertan datzan komuntasun orokorrerantz aurkitzen ari garela.

Lehenik eta behin, labur ditzagun AI Etikoko manu orokor batzuk AI lantzen, lantzen edo erabiltzen duen edonork ezinbesteko kontua izan behar duena ilustratzeko.

Adibidez, Vatikanoak dioen bezala Erromako AI Etikarako Deia eta sakonki jorratu dudan bezala esteka hemenHauek dira identifikatutako sei oinarrizko AI etika printzipioak:

• Gardentasuna: Printzipioz, AI sistemek azalgarriak izan behar dute
• sartzea: Gizaki guztien beharrak kontuan hartu behar dira, guztion onura izan dadin, eta pertsona guztiei eskein diezaieke bere burua adierazteko eta garatzeko baldintza onenak.
• Erantzukizuna: AIaren erabilera diseinatzen eta zabaltzen dutenek ardura eta gardentasunarekin jarraitu behar dute
• Inpartzialtasuna: Ez sortu edo ez jokatu joeraren arabera, horrela zuzentasuna eta giza duintasuna bermatuz
• Fidagarritasuna: AI sistemek modu fidagarrian funtzionatzeko gai izan behar dute
• Segurtasuna eta pribatutasuna: AI sistemek segurtasunez funtzionatu behar dute eta erabiltzaileen pribatutasuna errespetatu behar dute.

AEBetako Defentsa Sailak (DoD) bere dokumentuan adierazi duenez Adimen artifiziala erabiltzeko printzipio etikoak eta sakonki jorratu dudan bezala esteka hemenHauek dira AIren sei printzipio etiko nagusiak:

• Arduraduna: DoDko langileek epai eta arreta maila egokiak erabiliko dituzte AI gaitasunen garapenaren, hedapenaren eta erabileraren ardura izaten jarraitzen duten bitartean.
• Ekitatiboa: Sailak nahita neurriak hartuko ditu AI gaitasunetan nahi gabeko alborapenak minimizatzeko.
• Trazagarria: Departamentuaren AI gaitasunak garatu eta zabalduko dira, dagokion langileek AI gaitasunei aplikagarri zaizkien teknologia, garapen-prozesu eta metodo operatiboen ulermen egokia izan dezaten, metodologia gardenak eta ikuskagarriak, datu-iturriak eta diseinu-prozedura eta dokumentazioa barne.
• Seriotasuna: Sailaren AI gaitasunek erabilera esplizituak eta ongi zehaztuak izango dituzte, eta gaitasun horien segurtasuna, segurtasuna eta eraginkortasuna probak eta bermeak izango dira definitutako erabilera horietan bizi-ziklo osoan zehar.
• Gobernagarria: Sailak AI gaitasunak diseinatu eta diseinatuko ditu aurreikusitako funtzioak betetzeko, nahi gabeko ondorioak detektatzeko eta ekiditeko gaitasuna duen bitartean, eta nahi gabeko portaera erakusten duten sistemak desaktibatzeko edo desaktibatzeko gaitasuna.

AIaren etika-printzipioen analisi kolektibo ezberdinei buruz ere eztabaidatu dut, besteak beste, nazioko eta nazioarteko AI etikako printzipio ugariren funtsa aztertu eta laburtu zuen ikertzaileek asmatutako multzoa aztertu izana "The Global Landscape Of AI Ethics Guidelines" (argitaratutakoa). urtean Nature), eta nire estaldurak hemen aztertzen du esteka hemen, eta horrek giltzarri zerrenda honetara eraman zuen:

• Transparency
• Justizia eta zuzentasuna
• Ez-Malefizia
• Erantzukizun
• Pribatutasuna
• Ongintzaren
• Askatasuna eta Autonomia
• Fidatu
• Iraunkortasun
• duintasuna
• Elkartasuna

Zuzenean asmatuko duzun bezala, printzipio horien azpian dauden zehaztasunak zehazten saiatzea oso zaila izan daiteke. Are gehiago, printzipio zabal horiek guztiz ukigarri eta zehatza den zerbait bilakatzeko ahalegina AI sistemak lantzean erabiltzeko moduko intxaur gogorra ere bada. Erraza da, oro har, AI Etikaren manuak zer diren eta orokorrean nola behatu behar diren eskuz astintzea, AI kodeketa askoz ere egoera zailagoa da errepidea betetzen duen benetako goma izan behar izatea.

AI Etika-printzipioak AI garatzaileek erabili behar dituzte, AI garapenerako ahaleginak kudeatzen dituztenekin batera, eta baita, azken finean, AI sistemetan mantentzea lantzen eta egiten dutenekin batera. AIaren garapen eta erabileraren bizitza-ziklo osoan parte hartzen duten eragile guztiak AI Etikoaren ezarritako arauak betetzearen esparruan hartzen dira kontuan. Garrantzi handiko aipamena da hau, ohiko suposizioa delako "kodetzaileak" edo AI programatzen dutenak soilik AI Etika nozioei atxikitzeko menpe daudela. Lehen esan bezala, herri bat behar da AI asmatzeko eta lantzeko, eta, horretarako, herri osoak AI Etika aginduak ezagutu eta bete behar ditu.

Ziurta dezagun, gainera, orrialde berean gaudela gaurko AIaren izaerari buruz.

Gaur egun ez dago sentikorra den AIrik. Ez dugu hau. Ez dakigu AI sentikorra posible izango den. Inork ezin du ongi iragar AI sentikorra lortuko dugun ala ez, ezta AI sentikorra nolabait miragarriki berez sortuko den supernoba kognitibo konputazional baten moduan (normalean berezitasuna deitzen dena, ikus nire estaldura hemen. esteka hemen).

Zentratzen ari naizen AI mota gaur egun daukagun AI ez sentikorra da. Buruz basatian espekulatu nahi bagenu sentikorra AI, eztabaida hau zeharo beste norabide batean joan liteke. AI sentikor bat giza kalitatekoa izango litzateke. Kontuan izan beharko zenuke AI sentikorra gizakiaren baliokide kognitiboa dela. Are gehiago, batzuek IA super-adimentsua izan genezakeela espekulatzen dutenez, pentsa daiteke AI hori gizakiak baino adimentsuagoa izan daitekeela (AI super-adimentsua aukera gisa aztertzeko, ikus estaldura hemen).

Utz ditzagun gauzak lurrean gehiago eta kontuan izan ditzagun gaur egungo AI konputazionala sentikorra.

Konturatu gaur egungo IA ez dela gai giza pentsamenduaren parean "pentsatzeko". Alexa edo Sirirekin elkarreragiten duzunean, elkarrizketa gaitasunak giza gaitasunen antzekoak dirudite, baina errealitatea da konputazionala dela eta giza ezagutza falta dela. AIaren azken aroak asko erabili ditu Machine Learning (ML) eta Deep Learning (DL), zeinak konputazio-ereduen parekatzea baliatzen baitute. Horrek gizakiaren antzeko joerak dituzten AI sistemak ekarri ditu. Bien bitartean, gaur egun ez dago zentzu arruntaren itxura duen AIrik eta giza pentsamendu sendoaren harridura kognitiborik ere ez duenik.

ML/DL eredu konputazionalaren parekatze modu bat da. Ohiko planteamendua erabakiak hartzeko zeregin bati buruzko datuak biltzea da. Datuak ML/DL ordenagailu ereduetara elikatzen dituzu. Eredu horiek eredu matematikoak aurkitu nahi dituzte. Eredu horiek aurkitu ondoren, aurkituz gero, AI sistemak eredu horiek erabiliko ditu datu berriak topatzerakoan. Datu berriak aurkeztean, datu "zahar" edo historikoetan oinarritutako ereduak aplikatzen dira egungo erabakia emateko.

Uste dut hau nora doan asma dezakezula. Erabakien eredua hartzen ari diren gizakiek alborapen txarrak sartu badituzte, litekeena da datuek modu sotil baina esanguratsuan islatzea. Machine Learning edo Deep Learning konputazio-ereduen parekatzea besterik ez da saiatuko datuak matematikoki imitatzen. Ez dago zentzu arruntaren edo beste alderdi sentikorren itxurarik AI-n landutako modelizazioaren berez.

Gainera, AI garatzaileak agian ez dira konturatzen zer gertatzen ari den. ML/DL-ko matematika arkanoak zaildu lezake orain ezkutuko alborapenak atzematea. Ziurrenik espero eta espero zenuke AI garatzaileek lurperatuta egon daitezkeen alborapenak probatuko dituztela, nahiz eta badirudi baino zailagoa den. Aukera sendoa dago, nahiz eta proba nahiko zabalak izan, ML/DL ereduak parekatzeko ereduetan oraindik txertatutako alborapenak egongo direla.

Garbage-in garba-out-en esaera ospetsua edo gaiztoa zertxobait erabil dezakezu. Kontua da, hau AIaren barnean murgiltzen diren alborapenak maltzurki sartzen diren alborapenen antzekoagoa da. AIren algoritmoen erabakiak hartzea (ADM) axiomatikoki desberdintasunez kargatzen da.

Ez da ona.

Itzuli gaitezen orain AI zukuaren edo dopinaren gaira.

Egunkariko azken artikulu batean Zientzia: aldizkaria, Machine Learning eta Deep Learning-en zukua edo dopatzea AI garatzaileen ahaleginen testuinguruan sortu zen ML/DL erreferentzietan nota altua lortu nahi zuten: "Puntamendu altuak biltzeak dopinaren AI baliokidea ekar dezake. Ikertzaileek sarritan exekuzio batetik bestera erreferentean alda daitezkeen software ezarpen edo hardware bereziekin moldatzen eta zukua egiten dute modeloak, eta ondorioz, mundu errealean erreproduzigarriak ez diren ereduen errendimenduak lortzen dira. Okerrago, ikertzaileek antzeko erreferentzien artean aukeratzen dute beren eredua goian ateratzen den bat aurkitu arte.Zientzia:, Matthew Hutsonen "Taught To The Test", 2022ko maiatza).

ML/DL erreferente-egoera zukua egitean, kirol-lehiaketetan irabazten saiatzeari buruzko aurreko puntuekin parekatu dezakezu praktika txarrak erabiliz.

AI eremuan, lehia itxura bat dago ML/DL eredu "onenetara" nor irits daitekeen ikusteko. Hainbat erreferentzia erabil daitezke ML/DL bat exekutatzeko eta ML/DL-k erreferentean nola puntuatzen duen neurtzeko. Sailkapen-taulak eta erreferentziazko emaitzen partekatze informala sarritan erabiltzen dira ML/DL konfigurazioekin azken posiziorik handiena lortu duenak erakusteko. Zentzuz iradoki dezakezu ospea eta zorte pixka bat itxaroten dutela beren ML/DL landu dezaketenak "irabazle" izateko erreferentzietan azken eta errendimendurik handiena izateko.

Baina edozein lehiaketatan bezala, zure ML/DL engainatu eta probatzeko moduak daude, itxuraz erreferente batean errendimendu handia izan dezan, nahiz eta kanpai azpian dauden makurketak aplikatzen ari diren. Proba batean puntuazio ona lortzearen ustelkeria klasikoa da probaren ikuspegia hobetuz, eta printzipio orokorra errendimendu orokorra egiaztatzen saiatzen ari zarela omen da.

Imajinatu Amerikako literaturari buruz duen ulermen orokorra neurtzeko xedea duen norbaiti proba bat ematea, baina proba-hartzaileak galderak Mark Twainengan bakarrik bideratuko direla uste du. Beraz, proba-hartzaileak Mark Twainen lanak bakarrik aztertzen ditu eta proban puntuazio izugarria lortzen du. Proba hartzaileak harro aldarrikatzen du proba gainditu zutela eta, jakina, amerikar literatura guztiari buruz buru-belarria dela. Egia esan, proban hobetu besterik ez zuten egin eta, nolabait, proba prozesua engainatu zuten.

Konturatzen naiz batzuk berehala behatzak seinalatu ditzaketela proba eta proba prestatu duenak. Proba-egilea nahikoa trinkoa bazen proba-hartzaileek proba ustiatzeko aukera izan dezaten, esan liteke hori proba-egilearen eta ez proba-egilearen esku dagoela. Proba hartzaileak ahal zuen guztia egin zuen proba prestatzeko, besteak beste, zer komeni zitzaien aztertzea. Hau ez da itxuraz baimenduta soilik, baliteke proba-hartzailea zoriondu dezakezu proba-egilea burutik kendu izanagatik.

Ez naiz hemen amildegi etiko horretan gehiago sartuko. Erraz ibil zaitezke horrelako gai baten inguruan. Esan dezagun ML/DL erreferentzien izpiritua dela erreferenteak erabiltzen dituztenek kirol-moduan egingo dutela espero edo ustez. Batzuei inozoa irudituko litzaieke hori, eta besteentzat egokia den arren.

Espero dut berehala ikustea nola sortzen diren AI Etika eta AI Etikoa testuinguru horretan modu naturalean.

Kontuan izan, adibidez, ML/DL jakin batek erreferente batean oso ondo egiten duela eta puntuazio handituaren oinarria AIaren zukuaren edo dopatzearen ondoriozkoa dela. Demagun, gainera, ML/DL "irabazlearen" AI garatzaileek ez dutela agerian uzten AIari zukua atera diotenik. Beste AI garatzaile batzuek ML/DL errendimenduaren emaitzak entzuten edo irakurtzen dituzte eta AI ML/DL-n itxurazko aurrerapen batekin hunkitzen dira. Zoritxarrez ez dakite AIaren ezkutuko zukuaren edo dopajearen berri.

AI garatzaile pozgarri horiek beren ahaleginak ML/DL jakin horren ustezko planteamenduetara aldatzea aukeratzen dute, gaitasunak gehiago hedatu nahian. Noizbait, agian horma bat jo dutela deskubrituko dute eta ezusteko desatseginerako ez dutela inora iristen dirudi. Hau nahiko nahasgarria eta larrigarria izan daiteke. Hilabeteak edo urteak daramatzate neke-lanean ateratakoan konturatzen ez ziren zerbaitekin. Berriro ere, konturatzen naiz orain etsita dauden AI garatzaileei akatsa aurkitu nahi diezula, itxuraz nahikoa argiak ez zirenak lehenago zukua ateratzeko, baina ausartzen naiz esateko kezka ere aurki genezakeela gauzak hasi zituzten zuku-sorgailuak egon zirelako. bidea, hasteko.

Horrek guztiak kirolaren analogia gogorarazten du, zalantzarik gabe.

Irabazteko gogoa daukazu, itxuraz kosta ahala kosta. Batzuek zukurik atera gabe irabaztea izango dute helburu, beste batzuek, berriz, zukua guztiz egiten. Zukua erabiltzen dutenek jarduera legitimotzat har dezakete. Zukuak murrizten edo harrapatzen saiatzeko ahaleginak egiten dira, nahiz eta egoeraren katu eta saguaren izaerak esan nahi du zukua ateratzea pauso bat aurrerago izango dela. Zukua ateratzen ari den norbait harrapatzen duenean, ospearen aurkako erreakzio eta beste ondorio kaltegarri batzuk izateko arriskua du. Etengabe pisatzen ari dira hautemandako abantailak hautemandako kostuen aldean. Eta abar.

AI ML/DL zuku-ematea harrapatzeko gauza zaila da zukua edo dopina egiteko hainbat modu daudela. Batek suposatzen du kirolari eta zukuei buruz gauza bera esan litekeela, hots, askotariko baliabideak eta errendimendu sustatzaileak erabil daitezkeela radar azpian egoteko.

Dena den, hona hemen AI ML/DL zuku-saioetan kontuan hartu beharreko kategoria zabal batzuk:

a) Zukua Machine Learning eta Deep Learning diseinu fasean

b) ML/DL entrenatzeko erabilitako datuei zukua eman

c) ML/DL ereduari zukua eman

d) ML/DL irteerak zukua eman

e) Egin aurreko bietako edozein konbinatuta

f) Egin aurreko hiruretako edozein konbinatuta

g) Aurreko guztia egin

ML/DL praktika onen erabilera asko landu dut eta, era berean, nire zutabeetan ML/DL praktiken erabilera txarrari buruz ohartarazi dut. Xehetasun gehiago nahi izanez gero begirada bat ematera animatzen zaituztegu.

Dastamen gisa, kontuan har dezagun laburki ML/DL trebatzeko erabiltzen diren datuen bidez gerta daitekeen zuku-mota. Ohiko araua da zure prestakuntza-datu batzuk edukitzea zure ML/DL eredua probatzeko. Ohiko gomendioa 80/20 araua erabiltzea da. Zure datuen % 80 inguru erabiltzen duzu ML/DL entrenatzeko. Gainerako %20a ML/DL probatzeko erabiltzen da. Espero da %20a beste %80aren adierazgarri samarra izatea eta ausaz aukeratuko zenuke zure entrenamendu-datuetatik zein diren entrenamendu-multzoan eta zein diren proba-multzoan.

Zuzena dirudi.

Orain zukua edo dopajea egingo dugu:

• Ispilu itxuraz zure entrenamendu-datuak eta proba-datuak. Gauzak zukua ateratzeko baliabide bat zure datuak arretaz aztertzea eta %80a eta %20a egokiro lerrokatuta daudela ziurtatzen saiatzea litzateke. Ez dituzu ausaz banatzen datuak. Horren ordez, aukeraketa sekretu bat egiten duzu % 80 eta % 20 bata bestearen antza izan dezaten saiatzeko. Honen bidez, zure probak itxura bikaina izan dezan. Funtsean, zure ML/DL % 80an ondo egiten badu, ia ziurtatuta dago gero % 20an ondo egingo duela. Hau egitea ez dago gauzen izpirituan, zure burua (eta beste batzuk) engainatzen ari zarelako ML/DL konputazionalki orokortzeko lan bikaina egin duela sinesterakoan. Baliteke ez izatea.
• Aldatu probako datuak. Zure ML/DL datu-multzoa zukua ateratzeko beste modu bat entrenamendu-datuak banatzea da, esate baterako, zure datuen % 95a, eta holdout-en proba datuak % 5 baino ez diren bitartean. Litekeena da horrek ML/DL errendimendua gutxituko duen %5 eskasean ezer ez egotearen probabilitateak areagotzea. Oso jende gutxik galdetuko luke zure datuetatik zenbat erabili diren entrenatzeko eta probak egiteko. Ez dakite galdera hau egiten edo egin duzuna gauzak egiteko modu egokia zela suposatzen.
• Kendu kanpoan daudenak aldez aurretik. Zure ML/DL zukua ateratzeko edo dopatzeko baliabide maltzur batek zure datuetan kanpoan dauden puntuei buruzko trikimailuak dakar. Zure datuetako bat ML/DL hasiberrian sartu aurretik, lehenik datuak aztertu behar dituzu. Urrats zuhurra eta oso gomendagarria da, zure datuak ML/DL batean sartu baino lehen ezagutu behar dituzulako. Hori esanda, hona hemen erabil daitekeen trikimailua. Datuetan abereak aurkitzen dituzu eta kanpora bota. Honek normalean ML/DLren matematika lagunduko du ereduak konputazionalki aurkitzen saiatzen ari denean. Outliers normalean aurre egiteko minak dira, nahiz eta askotan erabakigarriak izan eta datuen izaerari eta modelatzen saiatzen ari zaren guztiari buruz asko esan dezakete. Outliers itsu-itsuan kenduz, ML/DL ustez egin behar duenaren errealitatea egin edo hautsi dezakeen zerbait galduko duzu. Praktika hobea da abereei arreta jartzea eta haiei aurre egiteko modurik onena aztertzea, datu-multzotik laburki bota beharrean.
• Ez egin inolako probarik. Zukua edo dopatze ekintza iraingarriagoak batere probarik ez egitea dakar. Zure datu guztiak trebatzeko erabiltzen dituzu. Gauzak ondo ikusten badira, eskuak airean astintzen dituzu eta ML/DL ona dela deklaratzen duzu. Zentzu horretan, 100/0 arau arrunta erabiltzen ari zara, hots, datuen % 100 prestakuntzarako eta % 0 probarako. Uste dut harrituta egongo zarela edonork hau egingo zuelako. Beno, batzuk hain ziur daude entrenamenduaren emaitzei buruz, ezen azterketarik behar ez dela uste dutelako. Edo presaka dabiltza eta ez dute astirik proba "gogaigarri" horiei aurre egiteko. Argazkia lortzen duzu.

Lehen aipatu nuen AIaren zukua egitea edo dopatzea zertxobait alferrikakoa izan daitekeela AIaren izaera bera ez bada bereziki garrantzitsua, beste ezarpen batzuek AI-k zuzendutako bizitza edo heriotzaren ondorioak izan ditzakete eta, beraz, zukua lotura ahula dela eta. hilobiaren iragarle potentziala.

Eztabaida handi honen une honetan, gai hau erakusteko adibide argigarri batzuk nahi dituzula apustu egingo nuke. Badira nire bihotzetik gertu dagoen adibide multzo berezi eta ezagun bat. Ikusten duzu, AI-n aditua naizen aldetik, adar etiko eta legalak barne, maiz eskatzen didate AI Etikaren dilemak erakusten dituzten adibide errealistak identifikatzea, gaiaren izaera teoriko samarra errazago ulertu ahal izateko. AI etiko istilu hau modu bizian aurkezten duen eremu iradokitzaileenetako bat AI-n oinarritutako benetako auto-gidatuen autoen etorrera da. Gaiari buruzko eztabaida zabalerako erabilpen kasu edo eredu erabilgarri gisa balioko du.

Hona hemen hausnarketa merezi duen galdera aipagarri bat: AIan oinarritutako benetako auto gidatzen duten autoen etorrerak argitzen al du AIaren zukuaren edo dopinaren inguruko zerbait, eta hala bada, zer erakusten du honek?

Utzidazu une bat galdera deskonprimitzeko.

Lehenik eta behin, kontuan izan ez dagoela giza gidaririk benetako auto gidatzen duen auto batean. Gogoan izan norberak gidatzen dituen benetako autoak AI gidatzeko sistema baten bidez gidatzen direla. Ez dago gidari baten beharrik gurpilean, ezta gizaki batek ibilgailua gidatzeko aurreikuspenik ere. Ibilgailu autonomoen (AV) eta batez ere auto gidatzen duten autoen estaldura zabala eta etengabea ikusteko, ikus esteka hemen.

Gehiago argitu nahiko nuke zer esan nahi den benetako auto gidatzen diren autoak aipatzen ditudanean.

Auto gidatzeko autoen mailak ulertzea

Argibide gisa, benetako auto gidatzen diren autoak AIak autoa bere kabuz gidatzen dituenak dira eta gidatzeko zereginean zehar giza laguntzarik ez dagoen.

Gidaririk gabeko ibilgailu hauek 4. maila eta 5. maila hartzen dira (ikus nire azalpena helbidean esteka hau hemen), aldiz, giza gidari batek gidatzeko ahalegina elkarrekin partekatzea eskatzen duen autoa 2. edo 3. mailan hartzen da normalean. Gidatzeko zeregina elkarrekin partekatzen duten autoak erdi-autonomoak direla deskribatzen da, eta normalean hainbat eduki dituzte. ADAS (Advanced Driver-Assistance Systems) deitzen diren gehigarri automatizatuak.

5. mailan oraindik ez dago benetako auto autonomorik, eta oraindik ez dakigu hori lortzerik izango den, ezta zenbat denbora beharko duen bertara iristeko ere.

Bien bitartean, 4. mailako ahaleginak pixkanaka-pixkanaka trakzio pixka bat lortzen saiatzen ari dira bide publikoko entsegu oso estu eta selektiboak jasanez, nahiz eta eztabaida dagoen proba hori berez onartu behar den ala ez (denok gara esperimentu batean hil ala biziko kobaiak). gure autobideetan eta bide-bideetan gertatzen ari dena, batzuek diotenez, ikusi nire estaldura hemen esteka hau hemen).

Auto erdi autonomoak giza gidaria behar dutenez, auto mota horiek ez dira ohiko ibilgailuak gidatzea baino oso desberdinak izango. Beraz, ez dago gai horren inguruko gai asko estaltzeko gai hau (hala ere, ikusiko duzuenez une batez, hurrengo puntuak orokorrean aplikagarriak dira).

Auto erdi autonomoetarako, garrantzitsua da publikoa azkenaldian sortzen ari den alderdi kezkagarri baten aurrean jakitea, hots, 2. mailako edo 3. mailako auto baten gurpilean lokartzen ari diren giza gidariek argitaratzen jarraitzen duten arren. , guztiok saihestu behar dugu gidariak zereginetatik arreta kendu dezakeela auto erdi autonomo bat gidatzen duenean.

Ibilgailuaren gidaritza-ekintzen arduraduna zara, 2. mailara edo 3. mailara zenbat automatizazio bota litekeen kontuan hartu gabe.

Norbere gidatzen diren autoak eta AIaren zukua edo dopajea

4. eta 5. mailako egiazko autoentzako gidatzeko ibilgailuentzat, ez da gidari lanetan parte hartuko duen gidaririk.

Okupatzaile guztiak bidaiariak izango dira.

AI gidatzen ari da.

Berehala eztabaidatu beharreko alderdi batek dakar gaur egungo AI gidatzeko sistemetan parte hartzen duen AI ez dela sentikorra. Beste modu batera esanda, AI ordenagailuan oinarritutako programazio eta algoritmoen kolektiboa da, eta ziur asko ez da gai gizakiak ahal duen moduan arrazoitzeko.

Zergatik ari da azpimarratzen AI hori sentikorra ez izateari?

Azpimarratu nahi dudalako AI gidatzeko sistemaren papera eztabaidatzerakoan, ez diodala giza ezaugarriak AIri ematen. Jakin ezazu egun antropomorfizatzeko AI joera etengabea eta arriskutsua dagoela. Funtsean, jendeak gizakien antzeko sentikortasuna esleitzen dio gaurko AIri, oraindik AI hori existitzen ez dela ukaezina eta eztabaidaezina izan arren.

Argibide horrekin, AI gidatzeko sistemak berez ez duela nolabait "gidatzearen alderdiak" jakingo pentsa dezakezu. Gidatzea eta horrek dakarren guztia autoa gidatzeko hardwarearen eta softwarearen zati gisa programatu beharko da.

Muga gaitezen gai honen inguruan jokatzera etortzen diren hainbat alderditan.

Lehenik eta behin, garrantzitsua da konturatzea AI auto gidatzen duten auto guztiak ez direla berdinak. Auto-fabrikatzaile eta auto-gidatzeko teknologia-enpresa bakoitzak bere ikuspegia hartzen ari da auto-gidatzeko autoak asmatzeko. Hori dela eta, zaila da AI gidatzeko sistemek egingo edo ez dutenari buruzko adierazpen zabalak egitea.

Gainera, AI gidatzeko sistema batek gauza bereziren bat egiten ez duela adierazten duen bakoitzean, geroago ordenagailua hori egiteko programatzen duten garatzaileek gainditu dezakete. Pausoz pauso, AI gidatzeko sistemak pixkanaka hobetzen eta hedatzen ari dira. Baliteke gaur egun dagoen mugarik ez egotea etorkizuneko sistemaren iterazio edo bertsio batean.

Espero dut horrek kontatuko dudanaren azpian jartzeko oharra nahikoa ematea.

Hasteko, goraipatzen hasiko gara ML/DL erabilera AI-n oinarritutako auto gidatzen duten autoak sortzeko esparruan. Auto gidatzeko autoen funtsezko hainbat alderdi gauzatu dira Machine Learning eta Deep Learning erabiltzearen ondorioz. Esate baterako, kontuan hartu AIan oinarritutako auto gidatzen duen auto bat inguratzen duen gidatzeko eszena detektatu eta aztertu behar izatearen oinarrizko eskakizuna.

Zalantzarik gabe, ohartu zara auto gidatzen duten auto gehienek sentsore ugari dituztela ibilgailu autonomoan. Hau askotan auto gidatzen duen autoaren teilatuan egiten da. Sentsore-gailuak, hala nola, bideo-kamerak, LIDAR unitateak, radar-unitateak, ultrasoinu-detektagailuak eta antzekoak normalean teilatuko bastidorean sartzen dira edo, seguru asko, ibilgailuaren goialdean edo alboetan jartzen dira. Sentsoreen multzoak gidatze-eszenan zer dagoen jakiteko erabil daitezkeen datuak elektronikoki biltzea du helburu.

Sentsoreek datuak biltzen dituzte eta digitalizatutako datuak barneko ordenagailuetara elikatzen dituzte. Ordenagailu horiek zentzumen-datuak aztertzeko bereziki diseinatutako erabilera orokorreko prozesadoreen eta prozesadore espezializatuen konbinazioa izan daitezke. Orokorrean, zentzumen-datuen analisi konputazionalaren zatirik handiena ML/DL-k egiten du, horretarako landutako eta ibilgailuaren barneko konputazio-plataformetan exekutatzen ari dena. Honen funtzionamenduari buruzko nire azalpen zehatzak lortzeko, ikus esteka hemen esteka hemen, Gutxi batzuk aipatzearren.

ML/DL konputazionalki datuetan ereduak bilatzen saiatzen da, hala nola errepidea non dagoen, oinezkoak non dauden, inguruko beste autoak non dauden, etab. Hori guztia funtsezkoa da auto gidatzen duen autoak aurrera egin ahal izateko. ML/DL-k gidatzeko eszenaren analisia egin gabe, auto gidatzen duen autoa funtsean itsu egongo litzateke ibilgailu autonomoaren inguruan dagoenari buruz.

Laburbilduz, erraz esan dezakezu ML/DL erabiltzea ezinbestekoa dela AI-n oinarritutako auto gidatzeko autoak agertzeko.

AIan oinarritutako auto gidariei dagokien ML/DL-ren zukua edo egin dezakezu dopatzea?

Erabat.

Erraz jo ditzakegu lehen adierazitako zukuaren edo dopinaren adibideei ML/DL formulazioen datu-alderdiei dagokienez. Kontuan izan oinezkoak, autoak eta errepideko beste objektu batzuk bilatzeko erabiltzen ari den ML/DL-a gidatzeko eszenetako hainbat datu-multzotan trebatu zela ziurrenik. ML/DL-ren prestakuntza hau funtsezkoa da AI gidatzeko sisteman kaleetan modu egokian eta seguruan nabigatu ahal izateko ibilgailu autonomoen gidatzeko kontrolak agintzen dituen bitartean.

Hona hemen zuku- edo dopin-esfortzu batek gutxi gorabehera zer egin dezakeen:

• Ispilu itxuraz zure entrenamendu-datuak eta proba-datuak. Errepideko objektuetan ML/DL bat trebatzeko erabiltzen ari den datu-multzoa biltzen duzu eta prestakuntza zatia eta proba zatia nahita lerrokatzen dituzu. Datuak entrenamendurako eta %80ko probarako %20an banatzeko arau orokorra betetzen duzu, eta, beraz, ikuspegi egokia dirudi. Zukua da datuen inguruan mugitzen duzula ziurtatzeko %80a eta %20a izugarri antzekoak direla ziurtatzeko. Entrenamenduan zehar asmatzen duzun edozein ML/DLren alde pilatzen ari zara.
• Aldatu probako datuak. Prestakuntza-datuak datu-multzo osoaren % 95ean banatzen dituzu eta % 5 besterik ez duzu jartzen probaren datuen zatian. Probak egiten direnean, ML/DL itxura ona ez izateko aukerak murriztu dituzu.
• Kendu kanpoan daudenak aldez aurretik. Hasieran datuak aztertzen dituzun bitartean, ohartzen zara jendearen argazkiak dituzten kartelak daudela. Horrek zure ML/DL nahastuko duelako kezkatuta zaude, beraz, irudi edo bideo horiek datu multzotik kentzen dituzu. Prestakuntza eta probak egin ondoren, zure ML/DL basatian erabiltzeko prest dagoela adierazten duzu. Zoritxarrez, noizbait, auto gidatzen duen autoa kale edo autopista batetik joan eta jendearen argazkiak dituen iragarki-taula bat egongo da. Ez dakizu nola erreakzionatuko duen zure ML/DL. Baliteke ML/DL-k oinezkoak gertu daudela ohartaraztea eta, ondorioz, AI gidatzeko sistemak bat-batean balaztak kolpatzea, inguruko gizakiek gidatutako beste autoak norberak gidatzen duten kotxean sartu edo errepidetik irtetea bultzatzea saihesteko. talka.
• Ez egin inolako probarik. Presa duzu ML/DL konfigurazioa lortzeko. Agian norbere gidatze-enpresak data bat jarri du, autonomoko autoak manifestazio publiko garrantzitsu bat noiz egingo duen esaten duena. Ez duzu denbora askorik gauzak modu egokian egiteko. Horrela, behatzak gurutzatuta dauzkazu eta datu guztiak entrenatzeko erabiltzen dituzu. Ez duzu batere probarik egiten. Erliebe bat duzu adierazitako epea bete ahal izan duzulako. Noski, errepidean gero gertatzen dena hondamendia izan daiteke.

Ondorioa

Orokorrean, auto gidatzen duten autoen fabrikatzaileak nahiko zuhurra dira izkinak mozteko eta arriskuak hartzeko aukerarekin, zukuak edo dopatze-ekintzak eginez beren AI gidatze-sistemetan. Normalean kontrol eta balantze ugari egon ohi dira horrelako ekintzak antzematen eta zuzentzen saiatzeko. Horrez gain, enpresa askok AI Etikaren manu zorrotz samarrak eta alerta-mekanismoak ezarri dituzte, gerta litezkeen gorabeherak edo hutsuneak lehenbailehen harrapatzen saiatzeko. Ikusi nire estaldura hemen. esteka hemen.

AI auto gidatzen duten autoak elkartzeko gauez hegan egiten diren saiakera batzuek zuhurtzia haizera botatzea aukeratu dute. Bururatzen zaien edozein lasterbide harro hartzen dituzte. Gainera, gutxi jartzen dute egiaztapen bikoitza egitean edo zuku edo dopin bat geldiarazten saiatzeko. Batzuek ukatze sinesgarriaren klasikoa ere erabiltzen dute beren AI garatzaileei "zuzena iruditzen zaiena" egiteko agindua emanez, eta gero aldarrikatu dezakete enpresak ez zekiela AIaren zuku edo dopaketa egiten ari zen. Ahalegin arriskutsu hauek eztabaidatu ditut nire zutabeetan.

Norberak gidatzen diren autoen kasuan, bizitza edo heriotza jokoan dago argi eta garbi.

Gehitutako puntua da auto gidatzen duten autoen eremuan AI zuku edo dopatzeko aukera badago, AI sistemetan oinarritzen diren bizitza edo heriotza gutxiagoko beste eremuetan zer baimendu daitekeen galdetu behar duzu. AI-a lehenbailehen ateratzeko presioak izugarriak dira. AIak gauza egokiak modu egokian egiten dituela ziurtatzeko presioak askoz ere sinesgarriak izan daitezke. Zoritxarrez.

AIarekin erlazionatutako zuku eta dopinaren inguruko kezka etikoez gain, gai hauei buruzko datozen ekintza juridikoen tsunamietan mailukatzen jarraitu dut. AI sistemek jarduera ikaragarriekin ihes egiten dutenean, AI asmatu eta landu dutenek euren buruak erantzule izango dituzte azkenean. Oraindik ez dugu ikusi AI egiten dutenen eta euren negozioetan AI erabiltzen dutenen aurkako auzi legalen gorakada. Markatu nire hitzak kontua ezinbestean sortuko dela, ikusi nire estaldura hemen esteka hemen.

Enpresak legez behartuta egongo dira beren AI sistemak nola muntatzen dituzten erakusteko ateak irekitzera. Zer egin zuten diseinuan? Zer egin zuten datuen ahaleginetan? Zer egin zuten probaren barruan kaleratu aurretik? Horrek guztiak argi utziko du ikusten ez den, kanpai azpian, AI-zukuak eta dopajeak egiteko aukera.

Behar luke ez izan doako bazkaria AI-zukua eta dopina egitea aukeratzen dutenentzat. Kontuz ibili eta begiak zabalik. Altxa zaitez eta AI-ren zukuaren eta dopinaren aurkakoari eusten.

AI garbia behar dugu, hori bai.