Не відставати від такої швидкозмінної індустрії, як ШІ, є важким завданням. Тож поки штучний інтелект не зробить це за вас, ось корисний огляд останніх історій у світі машинного навчання разом із відомими дослідженнями та експериментами, про які ми не розповідали окремо.
Цього тижня OpenAI підписав свого першого клієнта вищої освіти: Університет штату Арізона.
ASU співпрацюватиме з OpenAI, щоб надати ChatGPT, чат-бот OpenAI на основі штучного інтелекту, дослідникам, співробітникам і викладачам університету — у лютому буде проведено відкритий конкурс, щоб запросити викладачів і співробітників подати ідеї щодо способів використання ChatGPT.
Угода OpenAI-ASU ілюструє зміну думок навколо штучного інтелекту в освіті, оскільки технологія розвивається швидше, ніж можуть встигати навчальні програми. Минулого літа школи та коледжі поспішили заборонити ChatGPT через побоювання плагіату та дезінформації. Відтоді деякі скасували свої заборони, а інші почали проводити семінари про інструменти GenAI та їхній потенціал для навчання.
Подумайте, як такий інструмент, як ChatGPT, може допомогти учням, які мають проблеми з домашнім завданням. Це може пояснити математичну задачу крок за кроком або створити план есе. Або це може виявити відповідь на запитання, яке займе набагато більше часу в Google.
Зараз є обґрунтовані побоювання щодо списування — або принаймні того, що можна вважати списуванням у межах сучасних навчальних програм. Ми чули про студентів, особливо студентів коледжу, які використовували ChatGPT для написання великих блоків робіт і есе на контрольних роботах.
Це не нова проблема — платні послуги з написання есе існують уже багато років. Але ChatGPT різко знижує бар’єр входу, стверджують деякі викладачі.
Є докази того, що ці страхи перебільшені. Але залишивши це на мить убік, скажемо, що ми відійдемо назад і подумаємо, що спонукає студентів шахраювати в першу чергу. Учнів часто винагороджують за оцінки, а не за зусилля чи розуміння. Структура стимулів спотворена. Тож чи дивно, що діти сприймають шкільні завдання як ящики, які потрібно перевірити, а не як можливість вчитися?
Тож дозвольте учням мати GenAI — і дозвольте викладачам пілотувати способи використання цієї нової технології, щоб охопити студентів там, де вони є. Можливо, GenAI послужить стартовою площадкою для планів уроків, які зацікавлять дітей темами, які вони раніше ніколи б не вивчали.
Ось кілька інших важливих історій ШІ за останні кілька днів:
Репетитор Microsoft з читання: цього тижня Microsoft безкоштовно зробила Reading Coach, свій інструмент штучного інтелекту, який надає учням персоналізовану практику читання, доступним для всіх, хто має обліковий запис Microsoft.
Алгоритмічна прозорість у музиці: регулятори ЄС закликають прийняти закони, які змусять більшу алгоритмічну прозорість для музичних потокових платформ. Вони також хочуть боротися з музикою, створеною штучним інтелектом, і глибокими фейками.
Роботи NASA: NASA нещодавно продемонструвало самозбірну роботизовану структуру, яка може стати важливою частиною переміщення за межі планети.
Samsung Galaxy тепер на основі штучного інтелекту: на презентаційному заході Samsung Galaxy S24 компанія представила різні способи, за допомогою яких штучний інтелект може покращити роботу смартфона, включно з живим перекладом для дзвінків, пропонованими відповідями та діями та новим способом пошуку Google за допомогою жестів.
Розв’язувач геометрії від DeepMind: DeepMind, науково-дослідна лабораторія Google зі штучного інтелекту, цього тижня представила AlphaGeometry, систему штучного інтелекту, яка, за словами лабораторії, може розв’язати стільки геометричних задач, скільки середній золотий медаліст Міжнародної математичної олімпіади.
OpenAI і краудсорсинг: в інших новинах OpenAI стартап формує нову команду, Collective Alignment, щоб реалізувати ідеї громадськості про те, як забезпечити, щоб його майбутні моделі ШІ «відповідали цінностям людства». У той же час він змінює свою політику , щоб дозволити військове застосування своїх технологій.
Демонстрація робототехніки Tesla: людиноподібний робот Optimus Ілона Маска від Tesla робить більше речей — цього разу складає футболку на столі в розробницькому центрі. Але, як виявилося, на сучасному етапі робот зовсім не автономний.
Професійний план для Copilot: Microsoft запустила платний план, орієнтований на споживачів, для Copilot, головного бренду для свого портфоліо технологій для створення контенту на базі штучного інтелекту, і послабила вимоги до пропозицій Copilot на рівні підприємства. Він також запустив нові функції для безкоштовних користувачів, включаючи додаток Copilot для смартфонів.
Оманливі моделі: більшість людей навчаються вмінню обманювати інших людей. Тож чи можуть моделі ШІ навчитися того ж? Так, здається, відповідь — і, що жахає, у них це надзвичайно добре виходить. згідно з новим дослідженням стартапу Anthropic зі штучним інтелектом.
Більше машинного навчання
Одна з речей, яка стримує ширше застосування таких речей, як супутниковий аналіз за допомогою штучного інтелекту, полягає в необхідності навчання моделей для розпізнавання того, що може бути досить езотеричною формою чи концепцією. Визначення контуру будівлі: легко. Визначити сміттєві поля після затоплення: не так просто! Швейцарські дослідники з EPFL сподіваються полегшити це за допомогою програми, яку вони називають METEOR.
«Проблема в науці про навколишнє середовище полягає в тому, що часто неможливо отримати достатньо великий набір даних для навчання програм ШІ для наших дослідницьких потреб», — сказав Марк Русвурм, один із керівників проєкту.
Їхня нова структура для навчання дозволяє навчити алгоритм розпізнавання для нового завдання лише з чотирма-п’ятьма типовими зображеннями. Результати можна порівняти з моделями, навченими на набагато більшій кількості даних. Їхній план полягає в тому, щоб перетворити систему від лабораторії до продукту з інтерфейсом користувача для використання звичайними людьми (тобто дослідниками, які не є фахівцями зі штучного інтелекту). Ви можете прочитати статтю, яку вони опублікували тут.
Рух в іншому напрямку — створення зображень — є полем інтенсивних досліджень, оскільки ефективне виконання може зменшити обчислювальне навантаження для генеративних платформ ШІ. Найпоширеніший метод називається дифузією, який поступово перетворює джерело чистого шуму в цільове зображення. Національна лабораторія Лос-Аламоса має новий підхід, який вони називають Blackout Diffusion, який замість цього починається з чисто чорного зображення.
Це усуває потребу в шумі з самого початку, але справжній прогрес полягає в тому, що структура відбувається в «дискретних просторах», а не безперервно, що значно зменшує обчислювальне навантаження. Вони кажуть, що він працює добре та дешевше, але він точно далекий від широкого випуску. Національні лабораторії не схильні афішувати щось подібне без причини.
Моделі штучного інтелекту з’являються в усіх природничих науках, де їхня здатність відсіювати сигнал від шуму дає нові знання та економить гроші на годинах введення даних студентів.
Австралія застосовує технологію виявлення лісових пожеж Pano AI у своєму «Зеленому трикутнику», великому лісовому регіоні. Приємно спостерігати за тим, як стартапи використовують так: це не тільки може допомогти запобігти пожежам, але й дає цінні дані для органів лісового господарства та природних ресурсів. Кожна хвилина має значення під час лісових пожеж, тому раннє сповіщення може бути різницею між десятками чи тисячами гектарів збитків.
Лос-Аламос згадується вдруге, оскільки вони також працюють над новою моделлю AI для оцінки зменшення вічної мерзлоти. Існуючі моделі для цього мають низьку роздільну здатність, передбачаючи рівні вічної мерзлоти у шматках приблизно 1/3 квадратної милі. Це, безумовно, корисно, але з більшою деталізацією ви отримаєте менш оманливі результати для областей, які можуть виглядати як 100% вічна мерзлота у більшому масштабі, але явно менше, ніж це, якщо придивитися ближче. Оскільки зміни клімату прогресують, ці вимірювання мають бути точними!
Біологи знаходять цікаві способи тестування та використання штучного інтелекту або суміжних з ним моделей у багатьох підполях цього домену. На нещодавній конференції інструменти для відстеження зебр, комах і навіть окремих клітин демонструвалися на постерних сесіях.
Що стосується фізики та хімії, дослідники Argonne NL шукають, як найкраще упакувати водень для використання в якості палива. Відомо, що вільний водень складно утримувати та контролювати, тому зв’язування його зі спеціальною допоміжною молекулою тримає його приборканим. Проблема в тому, що водень зв’язується практично з усім, тому існують мільярди і мільярди можливостей для допоміжних молекул. Але сортування величезних наборів даних — це спеціалізація машинного навчання.
«Ми шукали молекули органічної рідини, які утримують водень протягом тривалого часу, але не настільки міцно, щоб їх не можна було легко видалити за потреби», — сказав Хасан Харб з проєкту.
Їхня система відсортувала 160 мільярдів молекул, і за допомогою методу скринінгу штучного інтелекту вони змогли переглядати 3 мільйони за секунду — отже, весь остаточний процес зайняв приблизно півдня. Вони визначили 41 найкращого кандидата, що є мізерною цифрою для експериментальної команди, щоб перевірити в лабораторії.
Але на завершення варто сказати застереження: дослідження в журналі Science показало, що моделі машинного навчання, які використовуються для прогнозування того, як пацієнти будуть реагувати на певні методи лікування, були дуже точними в групі вибірки, на якій їх навчали. В інших випадках вони практично не допомагали. Це не означає, що їх не слід використовувати, але це підтверджує те, що багато людей у бізнесі говорили: штучний інтелект не є срібною кулею, і його потрібно ретельно перевіряти в кожній новій популяції та програмі, де він використовується до.
