| |
[2. Jan 2017|17:30] |
Izlasīju grāmatiņu par to, kā roboti un AI apdraud darbavietas. Galīgi nepārliecinoši.
Pirmkārt, šobrīd nav pat konsistenta viedokļa par to, kas tieši tiek apdraudēts. "Fabrikas strādnieki?" Tādi mūsdienās bagātajās tikpat kā neeksistē, globalizācija un automatizācija tos jau ir padarījušas par mazskaitlīgu vienību. Ciktāl AI pamatā apdraud vidusšķiras darbus, par to vajag runāt, bet nevajag novest līdz patronizējošam viedoklim, ka no automatizācijas tālāk cietīs working class. Paši grāmatas piemēri ir konsistenti ar šo - piemēram, tiek minēts, ka robotizēti viesmīļi tuvākajā laikā netaisās parādīties, un bez smago auto šoferiem arī neiztiks, kaut vai juridisku iemeslu dēļ vajadzēs vienmēr kādu būtu auto kabīnē, pat ja viņš tieši nevadīs auto. (Es to neizdomāju - abi piemēri ir burtiski paņemti no grāmatas, ka sludina AI ekonomisko apokalipsi.)
Otrkārt, tā vietā radīs jaunus darbus, tieši tāpat kā datorizācija jau ir tos radījusi. Piemēram, Excel vispārpieejamība radīja darbu "datu analītiķis mazā-un-vidējā uzņēmumā". Ja hipotētiskajā nākotnē datu analīzes tehnisko daļu pārņems AI, tāpat tur klāt vajadzēs cilvēku, kurš uzdos "īstos" jautājumus un interpretēs rezultātus. (Cilvēku īpašā gudrība nekur nepazudīs - tā ir zināšanās par to, kas ir tiešām svarīgs, common sense, kas AI nepiemīt.)
Treškārt, ja reiz working class darbi tiek tik skaļi pieminēti, kāpēc nerunāt par pozitīvajiem efektiem, piemēram, vairāk brīvā laika un mazāk wage slavery darot cilvēka necienīgus konveijera darbus? Nav noslēpums, ka sabiedrība šobrīd spiež cilvēkus strādāt pārāk daudz. Ir muļķīgi, ka pat ļoti bagātā valstī nepietiekama strādāšana draud beigties ar nonākšanu uz ielas.
Ceturtkārt, "dators ir labāks par cilvēku jomā X" vēl nenozīmē "dators tiek lietots cilvēka vietā, lai veiktu X". Tīri akadēmiski, jau kopš astoņdesmitajiem ekspertu sistēmas esot labākas par ārstiem diagnožu noteikšanā. Vai tās plaši lieto? Nē. Problēmas ir legālas (nav pieejas pagātnes pacientu datiem ētisku liegumu dēļ), procesuālas (dati nav pieejami pareizā formātā) un sociālas (ārstiem nav zināšanu par mašīnmācīšanos un viņi tai neuzticas). Diagnozes noteikšana praksē esot mazāka svarīga problēma, nekā varētu likties (dzīve nav Dr. House).
Gain distribution un inequality problēmas ir politiskas, nevis tehnoloģiskas.
Ciktāl mašīnmācīšanās apdraud klasisko zinātni, tā jau ir pavisam cita problēma. Zinātnieki darbu tāpēc nezaudēs (vismaz ne 10-20 gadu īstermiņā), sliktākajā gadījumā tiks degradēta praktizējošu zinātnieku izpratne par to, ka zinātne ir ne tik daudz spēja atbildēt uz jautājumiem, kā spēja saprast. |
|
|
| |
[12. Jun 2016|13:48] |
Cita starpā, man prieks par to, ka pasaule ir sākusi nopietni domāt par garantētajiem ienākumiem. Vēl pirms gadiem pieciem tā likās margināla fantāzija, ja es kādam to pieminēju, tad bez īpaši nopietnas attieksmes sagaidīšanas. Ieviest to valstu mērogā, protams, ir pārāk agri - ir iespējams un vajag to pirms tam eksperimentāli izmēģināt. Man gan labāka liktos ideja jauniešiem (teiksim, pēc skolas beigšanas) piešķirt vienreizēju summu (20-60k?). Katrs lai to tērē kā vēlas - viens izglītībai, viens dzīvesvietas iegādei, viens vienkārši nodrošināti dzīvojot un darot to, ko pats uzskata par vērtīgu, nevis to, par ko sabiedrība ir gatava maksāt.
Motivācija "roboti mums atņems darbus" gan man liekas muļķīga, vismaz virspusējā līmenī. Lielāka daļa automatizējamo darbu jau ir tikuši automatizēti, nu un - vai strādājama četras studas dienā? Nē. Vieglāk starp citu, ir automatizēt rutīnas intelektuālo darbu. Grūtāk tādus darbus kā viesmīlis, kuri pēc būtības ir mazkvalificēti, fiziski. Citas kategorija ir radošie un "lemjošos" intelektuālie darbi.
Reizē ar to ir cita izmaiņa - augstākā izglītība ir kļuvusi par masveida, teju vai obligātu padarīšanu. Izglītība joprojām ir svarīga, tikai citā veidā - tas vairs nav ceļš uz pārticību; tā vietā universitātes diploms bieži vien ir minimālais kritērijs, lai vispār varētu sākt strādāt. Mūsdienās r-eiropā bakalauru pabeigušais nesaņem vairāk nekā savulaik viņa vecāki ar tādu pašu izglītības līmeni, viņš saņem aptuveni tikpat; atšķirība ir tā, ka bakalauru nepabeigušais šodien saņem mazāk nekā saņēma viņa bakalauru nepabeigušie vecāki.
Tālākās automatizācijas perspektīva ir arvien mazāk vidusšķiras darbu, un arvien absurdākas un augstākas izglītības līmeņa prasības working class darbiem. Rezultāts ir arvien mazāka varbūtība katram individuālajam cilvēkam to make an impact, darīt vērtīgu darbu. Ja kāds vēlas opt out of this system, kāpēc to neatļaut? Tāda ir garantētā minimuma jēga. Tas pats ar augstāko izglītību - ja reiz tā ir kļuvusi obligāta un tai pašā laikā maz relevanta darba tirgum pēc universtiātes beigšanas, tad kāpēc vispār mēģināt jauniešus motivēt apgūt kādu "tirgus pieprasītu" specialitāti? Tā vietā viņiem var klusiņām piedāvāt īstu, labu liberal arts izglītību. Pat ja tā būs pilnīgi nerelevanta darba tirgum, viņi neko daudz nezaudēs (diploms paliek diploms), bet iegūs izglītību kā pašvērtību. |
|
|
| |
[4. Feb 2016|17:10] |
Autonomous driving's biggest problem is addressing all the corner cases--all the strange things that happen once per 10,000 or 100,000 miles of driving. Machine learning is good at getting your performance from 90% accuracy to maybe 99.9%, but it's never been good at getting us from 99.9% to 99.9999% tieši tāpēc mašīnmācīšanās, uz statistiku balstītā tulkošana utt. "big data" metodes nekad nespēs notvert cilvēku ģenialitāti, jo pietiekoši daudz datu būs tikai par "vidējo cilvēku", par normas robežās esošiem sasniegumiem. |
|
|
| |
[1. Feb 2016|21:00] |
Tātad. Datorikā ir daudz slavenu problēmu, kuras neviens nemāk efektīvi atrisināt. Var ievērot, ka tās ir visnotaļ praktiskas problēmas. Bet tas savukārt nozīmē, ka tādu problēmu instances mums dzīvē apkārt ir papilnam un cilvēki tās kaut kā spēj atrisināt. Paradoksāli? Viena teorija ir tāda, ka cilvēki risina grūtos (un ne tikai) uzdevumus pēc "probably approximately correct" metodes - tas ir, iznākums "ar labu varbūtību ir aptuveni pareizs". Datori, kā zināms, ir labāki par cilvēkiem. Līdz ar to datori spēj atrisināt ne tikai "ar varbūtību pareizi" (Montekarlo algoritmi), bet arī "pilnīgi pareizi, tikai varbūt ļoti lēni" (Lasvegasas algortimi).( ... tālāk ... ) |
|
|
| |
[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. |
|
|