211service.com
Kā skaitļošana ir pārveidojusies
Žaneta Vinga uzskata, ka uzticams AI un cēloņsakarība var palīdzēt sabiedrībai atrisināt reālās pasaules problēmas. Bet tas nebūs viegli.
2021. gada 27. oktobris
Pīters Garitano
Ir pienācis laiks pievērsties datiem, lai atrisinātu mūsu problēmas, saka viens no pasaulē vadošajiem datu zinātnes ekspertiem.
2006. gadā Žaneta Vinga, toreizēja Kārnegija Melona universitātes datorzinātņu nodaļas vadītāja, publicēja ietekmīgu eseju ar nosaukumu Skaitļošanas domāšana, apgalvojot, ka ikviens gūtu labumu no datorzinātņu konceptuālo rīku izmantošanas, lai atrisinātu problēmas visās cilvēka darbības jomās.
Šis stāsts bija daļa no mūsu 2021. gada novembra numura
- Skatiet pārējo izdevuma daļu
- Abonēt
Pati Wing nekad nedomāja studēt datorzinātnes. 70. gadu vidū viņa iestājās MIT, lai turpinātu elektroinženierzinātnes, iedvesmojoties no sava tēva, šīs jomas profesora. Kad viņa atklāja savu interesi par datorzinātnēm, viņa piezvanīja viņam, lai pajautātu, vai tā nav pārejoša iedoma. Galu galā laukā pat nebija mācību grāmatu. Viņš viņai apliecināja, ka tā nav. Spārns mainīja specialitāti un nekad neatskatījās.
Bijušais Microsoft Research korporatīvais viceprezidents un tagad Kolumbijas universitātes pētniecības izpildviceprezidents, Wing ir līderis datu zinātnes popularizēšanā vairākās disciplīnās.
Anils Anantasvamijs nesen jautāja Wing par viņas vērienīgo programmu, lai veicinātu uzticamu AI, vienu no 10 pētniecības izaicinājumi viņa ir identificēta, cenšoties padarīt AI sistēmas godīgākas un mazāk neobjektīvas.
J: Vai jūs teiktu, ka aprēķinu veikšanas veidā notiek pārmaiņas?
A: Pilnīgi noteikti. Mūra likums mūs aizveda tālu. Mēs zinājām, ka sasniegsim Mūra likuma griestus, [tāpēc] paralēlā skaitļošana kļuva nozīmīga. Bet fāzes nobīde bija mākoņdatošana. Sākotnējās izplatītās failu sistēmas bija sava veida mazuļa mākoņdatošana, kur faili nebija lokāli jūsu datorā. tie atradās kaut kur citur serverī. Mākoņdatošana to izmanto un vēl vairāk pastiprina, ja dati nav jūsu tuvumā; aprēķins nav jūsu tuvumā.
Nākamā maiņa ir saistīta ar datiem. Visilgāko laiku mēs koncentrējāmies uz cikliem, padarot lietas ātrāku — procesorus, CPU, GPU un vairāk paralēlu serveru. Mēs ignorējām datu daļu. Tagad mums ir jākoncentrējas uz datiem.
J: Tā ir datu zinātnes joma. Kā jūs to definētu? Kādas ir datu izmantošanas problēmas?
UZ: Man ir ļoti kodolīga definīcija. Datu zinātne ir pētījums par vērtības ieguvi no datiem.
Jūs nevarat vienkārši sniegt man virkni neapstrādātu datu, un es nospiežu pogu, un vērtība parādās. Tas sākas ar datu vākšanu, apstrādi, uzglabāšanu, pārvaldību, analīzi un vizualizēšanu, un pēc tam rezultātu interpretāciju. Es to saucu par datu dzīves ciklu. Katrs solis šajā ciklā ir liels darbs.
J: Lietojot lielus datus, bieži rodas bažas par privātumu, drošību, godīgumu un neobjektivitāti. Kā risināt šīs problēmas, īpaši AI?
UZ: Man ir šī jaunā pētniecības programma, ko reklamēju. Es to saucu par uzticamu AI, ko iedvesmojuši desmitgades panākumi, ko esam panākuši uzticamas skaitļošanas jomā. Ar uzticamību mēs parasti domājam drošību, uzticamību, pieejamību, privātumu un lietojamību. Pēdējo divu desmitgažu laikā mēs esam panākuši lielu progresu. Mums ir formālas metodes, kas var nodrošināt koda daļas pareizību; mums ir drošības protokoli, kas paaugstina konkrētas sistēmas drošību. Un mums ir noteikti priekšstati par privātumu, kas ir formalizēti.
Uzticams AI paaugstina priekšrocību divos veidos. Pēkšņi mēs runājam par robustumu un godīgumu — tas nozīmē, ka, ja traucējat ievadi, izvade netiek īpaši traucēta. Un mēs runājam par interpretējamību. Šīs ir lietas, par kurām mēs nekad nerunājām, kad runājām par skaitļošanu.
[Arī] AI sistēmām ir varbūtības raksturs. Pagātnes skaitļošanas sistēmas pamatā ir deterministiskas mašīnas: tās ir ieslēgtas vai izslēgtas, patiesas vai nepatiesas, jā vai nē, 0 vai viens . Mūsu AI sistēmu izvadi būtībā ir varbūtības. Ja es jums saku, ka jūsu rentgenuzņēmumā teikts, ka jums ir vēzis, tas, teiksim, ar 0,75 varbūtību, ka tas mazais baltais plankums, ko es redzēju, ir ļaundabīgs.
Tāpēc tagad mums ir jādzīvo šajā varbūtību pasaulē. No matemātiskā viedokļa tas izmanto varbūtības loģiku un ienes daudz statistikas un stohastisku argumentāciju utt. Kā datorzinātnieks jūs neesat apmācīts domāt šādā veidā. Tātad AI sistēmas patiešām ir sarežģījušas mūsu formālo pamatojumu par šīm sistēmām.
J: Uzticams AI ir viens no 10 pētniecības izaicinājumi jūs identificējāt datu zinātniekiem. Šķiet, ka cēloņsakarība ir vēl viens liels.
A: Cēloņsakarība, manuprāt, ir nākamā AI un mašīnmācības robeža. Pašlaik mašīnmācības algoritmi un modeļi labi var atrast modeļus, korelācijas un asociācijas. Bet viņi nevar mums pateikt: vai tas to izraisīja? Vai arī, ja es to darītu, kas notiktu? Un tāpēc datorzinātnē ir vēl viena vesela darbības joma par cēloņsakarību secinājumiem un cēloņsakarību spriešanu. Statistikas kopiena ir meklējusi cēloņsakarību gadu desmitiem. Viņi dažkārt nedaudz apbēdina datorzinātņu aprindas, domājot, ka Ak, šī ir pavisam jauna ideja. Tāpēc es vēlos izteikt atzinību statistikas kopienai par viņu fundamentālo ieguldījumu cēloņsakarībās. Lielo datu un cēloņsakarību kombinācija var patiešām virzīt jomu uz priekšu.
J: Vai esat sajūsmā par to, ko datu zinātne var sasniegt?
UZ: Ikviens aizraujas ar datu zinātni, jo redz, ka viņu jomas tiek pārveidotas, izmantojot datu zinātnes metodes digitālajos datos, ko viņi tagad ģenerē, ražo, vāc utt. Tas ir ļoti aizraujošs laiks.