|
17. Dec 2015|11:14 |
Tehnoprogress, daļa #2 (rakstīts tad pats, kad iepriekšējais posts).
Bostroms apšauba jēgu nodarboties ar matemātiku - sak, kāpēc nepagaidīt, kamēr datori kļūst gudrāki, vai arī parādās tādas brain enhancement iespējas, pa kurām tagad var tikai sapņot? Kāpēc nenodarboties ar kaut ko derīgāku (sub specie aeternitatis), piemēram, mēģināt izvietot tos brīdinājuma karodziņus maršrutā, pa kuru ir lemts braukt mākslīgā intelekta buldozeram?
Savā ziņā machine learning jau arī ir tāda baltā karoga izkāršana. Pielietot kāda uzdevuma risināšanā mašīnmācīšanos nozīmē atzīt, ka nozarē pieredzējušu ekspertu intuīcija kapitulē vispārīga matemātiskā modeļa priekšā. Reāli mašīnmācīšanās gūst panākumus pateicoties brute force skaitļošanas jaudai, vispārīgām matemātiskām idejām, un lielam daudzumam datu (kuru apstrādi un savākšanu tad arī IT progress padara iespējamu).
Savā ziņā šāda pieeja ir anti-zinātne. Problēma nevis tiek saprasta un atrisināta, kā tas zinātnē parasti pieņemts, bet tā vietā ar "melno kasti" pa tiešo tiek uzģenerēts risinājums. Viss notiek gluži vai maģiskā veidā. (Vēl labāk ir tad, ja paši "data scientists" īsti nesaprot savas izmantotās matemātiskās metodes. Viens kolēģis jokoja, ka statistika mūsdienās tiek rebrendota kā "data science", jo "statistiķis" izklausās pēc garlaicīga cilvēka pelēkā uzvalkā. Tikai par nelaimi statistiku zināt datu zinātniekam vairs neliekas nepieciešams.)
Tomēr:
- kādus pieņēmumus melnā kaste ir izmantojusi savam risinājumam?
- ja melnā kaste pieņem sliktu risinājumu, kā izvēlēties, kuram jāuzņemas atbildība? (a) programmētājam, (b) ievaddatu sagatavotājam, (c) projekta idejiskajam tēvam, (d) nevienam, (e) melnā kaste pati kļūst par tiesību subjektu? Vienkārš piemērs - ar neironu tīklu vadīts auto iekļūst avārijā. Kādas ir legālās sekas?
- melnā kaste saredz tikai "is", nevis "ought". Tās ētika būtu jākontrolē cilvēkiem. Kuri reāli to nespēj darīt, jo ir ar ierobežotu spēju saprast, kas īsti notiek.
- utt, problēmas var uzskaitīt vēl un vēl.
Ģenētiskie/evolucionārie algoritmi it īpaši datorzinātnē skaitās tāds kā sliktais tonis. Citas metodes gluži vienkārši dod pārāk daudz labu praktisku rezultātu, lai tās varētu atļauties ignorēt. Es ceru, ka zinātnes progress neapstāsies un nākotnē šīs metodes daudz kur tiks aizvietotas ar patiesu izpratni. Galu galā, ziņkārība izzināt ir viens no lielajiem motivatoriem vispār nodarboties ar zinātni. No otras puses, pārāk vienkārša, uz formulām reducējama pasaule būtu garlaicīga, mehānistiska un iepriekšparedzama. Bet mašīnmācīšanās nav panaceja. |
|