Mengapa perusahaan teknologi menggunakan manusia untuk membantu ai | ben dickson

"Andrew Ingram" adalah asisten digital yang memindai email Anda, memberikan ide penjadwalan untuk rapat dan janji temu yang Anda diskusikan dengan rekan kerja, mengatur tugas, dan mengirim undangan ke pihak terkait dengan sedikit bantuan. Ia menggunakan kemampuan kecerdasan buatan tingkat lanjut dari X.ai, yang Baru Berbasis di York startup yang berspesialisasi dalam mengembangkan asisten AI. Masalah yang dipecahkan dapat menghemat banyak waktu dan frustrasi bagi orang-orang (seperti saya) yang memiliki jadwal berantakan.

Namun menurut sebuah cerita Wired yang diterbitkan pada bulan Mei, kecerdasan di balik Andrew Ingram tidak sepenuhnya palsu. Ini didukung oleh sekelompok 40 orang Filipina di sebuah gedung yang sangat aman di pinggiran Manila yang memantau perilaku AI dan mengambil alih setiap kali asisten menghadapi kasus yang tidak bisa ditangani.

Walaupun gagasan bahwa email Anda sedang dipindai oleh orang sungguhan mungkin terdengar menyeramkan, itu sudah menjadi praktik umum di antara banyak perusahaan yang menyediakan layanan AI kepada pelanggan mereka. Sebuah artikel baru-baru ini di The Wall Street Journal memaparkan beberapa perusahaan yang membiarkan karyawan mereka mengakses dan membaca email pelanggan untuk membangun fitur baru dan melatih AI mereka pada kasus-kasus yang belum pernah terlihat sebelumnya.

Disebut teknik "Wizard of Oz" atau pseudo-AI, praktik diam-diam menggunakan manusia untuk menebus kekurangan algoritma AI menjelaskan beberapa tantangan terdalam yang dihadapi industri AI.

AI Tidak Siap untuk Masalah Luas

Di belakang sebagian besar inovasi AI dalam beberapa tahun terakhir adalah algoritma pembelajaran mendalam dan jaringan saraf. Jaringan dalam saraf sangat efisien dalam mengklasifikasikan informasi. Dalam banyak kasus, seperti pengenalan suara dan wajah atau mengidentifikasi kanker pada MRI dan CT scan, mereka dapat mengungguli manusia.

Tetapi itu tidak berarti pembelajaran yang dalam dan jaringan saraf dapat menyelesaikan tugas yang dapat dilakukan manusia.

"Pembelajaran mendalam memungkinkan kita untuk menyelesaikan masalah persepsi. Ini adalah masalah besar karena persepsi telah membatasi AI sejak awal lebih dari 60 tahun yang lalu, " kata Jonathan Mugan, salah seorang pendiri dan CEO DeepGrammar. "Memecahkan masalah persepsi akhirnya membuat AI berguna untuk hal-hal seperti pengenalan suara dan robot."

Namun, Mugan mencatat, persepsi bukan satu-satunya masalah. Pembelajaran mendalam berjuang di mana akal sehat dan pemahaman terlibat.

"Pembelajaran mendalam tidak membantu kita dengan masalah ini, " katanya. "Kami telah membuat beberapa kemajuan dalam NLP (pemrosesan bahasa alami) dengan memperlakukan bahasa sebagai masalah persepsi; yaitu, mengubah kata-kata dan kalimat menjadi vektor. Ini telah memungkinkan kami untuk lebih mewakili teks untuk klasifikasi dan terjemahan mesin (ketika ada banyak data), tetapi itu tidak membantu dengan alasan yang masuk akal. Inilah sebabnya chatbot sebagian besar gagal."

Salah satu masalah utama yang dihadapi semua aplikasi pembelajaran dalam adalah mengumpulkan data yang tepat untuk melatih model AI mereka. Upaya dan data yang masuk ke pelatihan jaringan saraf untuk melakukan tugas tergantung pada seberapa luas ruang masalah dan tingkat akurasi yang dibutuhkan.

Misalnya, aplikasi klasifikasi gambar seperti aplikasi Not Hotdog dari Silicon Valley HBO melakukan tugas yang sangat sempit dan spesifik: Ini memberi tahu Anda apakah kamera ponsel cerdas Anda menampilkan hotdog atau tidak. Dengan gambar hotdog yang cukup, AI aplikasi dapat menjalankan fungsinya yang sangat penting dengan tingkat akurasi yang tinggi. Dan bahkan jika itu membuat kesalahan sesekali, itu tidak akan menyakiti siapa pun.

Tetapi aplikasi AI lainnya, seperti yang X.ai sedang bangun, sedang menangani masalah yang jauh lebih luas, yang berarti mereka membutuhkan banyak contoh kualitas. Juga, toleransi mereka terhadap kesalahan jauh lebih rendah. Ada perbedaan mencolok antara mengira mentimun sebagai hotdog dan menjadwalkan pertemuan bisnis penting pada waktu yang salah.

Sayangnya, data berkualitas bukan komoditas yang dimiliki semua perusahaan.

"Aturan praktisnya adalah bahwa semakin umum masalah yang coba ditangani oleh AI, semakin banyak kasus tepi atau perilaku yang tidak biasa yang dapat terjadi. Ini pasti berarti Anda membutuhkan jauh lebih banyak contoh pelatihan untuk mencakup semuanya, " kata Dr. Steve Marsh, CTO di Geospock. "Startup biasanya tidak memiliki akses ke data pelatihan dalam jumlah besar, sehingga model yang dapat mereka bangun akan menjadi sangat rapuh dan rapuh, yang biasanya tidak sesuai dengan harapan mereka."

Kekayaan informasi seperti ini hanya dimiliki oleh perusahaan besar seperti Facebook dan Google, yang telah mengumpulkan data milyaran pengguna selama bertahun-tahun. Perusahaan kecil harus membayar dalam jumlah besar untuk mendapatkan atau membuat data pelatihan, dan itu menunda peluncuran aplikasi mereka. Alternatifnya adalah tetap meluncurkan dan mulai melatih AI mereka dengan cepat, menggunakan pelatih manusia dan data pelanggan langsung dan berharap bahwa pada akhirnya, AI akan menjadi kurang bergantung pada manusia.

Misalnya, Edison Software, sebuah perusahaan yang berbasis di California yang mengembangkan aplikasi untuk mengelola email, membuat karyawannya membaca email-email kliennya untuk mengembangkan fitur "balasan cerdas" karena mereka tidak memiliki cukup data untuk melatih algoritme, perusahaan itu CEO mengatakan kepada The Wall Street Journal. Membuat balasan cerdas adalah tugas yang luas dan menantang. Bahkan Google, yang memiliki akses ke email miliaran pengguna, memberikan balasan cerdas untuk kasus yang sangat sempit.

Tetapi menggunakan manusia untuk melatih AI dengan data pengguna langsung tidak terbatas pada perusahaan kecil.

Pada 2015, Facebook meluncurkan M, sebuah chatbot AI yang dapat memahami dan menanggapi berbagai nuansa percakapan dan menyelesaikan banyak tugas. Facebook membuat M tersedia untuk sejumlah kecil pengguna di California dan membentuk staf operator manusia yang akan memantau kinerja AI dan melakukan intervensi untuk memperbaikinya ketika tidak bisa memahami permintaan pengguna. Rencana semula adalah untuk operator manusia untuk membantu mengajar asisten untuk menanggapi kasus tepi yang belum pernah terlihat sebelumnya. Seiring waktu, M akan dapat beroperasi tanpa bantuan manusia.

Sasaran yang Tidak Dapat Dicapai?

Tidak jelas berapa lama untuk Edison Software, X.ai dan perusahaan lain yang telah meluncurkan sistem human-in-the-loop untuk membuat AI mereka sepenuhnya otomatis. Ada juga keraguan apakah tren AI saat ini dapat mencapai titik terlibat dalam domain yang lebih luas.

Pada 2018, Facebook menutup M tanpa setiap penggelaran secara resmi. Perusahaan tidak membagikan detail, tetapi jelas bahwa membuat chatbot yang dapat terlibat dalam percakapan luas sangat sulit. Dan membuat M tersedia untuk semua dua miliar pengguna Facebook tanpa terlebih dahulu membuatnya sepenuhnya mampu secara otomatis menanggapi semua jenis percakapan akan membutuhkan raksasa media sosial untuk mempekerjakan staf besar manusia untuk mengisi celah M.

DeepGrammar's Mugan percaya bahwa kita pada akhirnya akan dapat menciptakan AI yang dapat menyelesaikan penalaran akal sehat, apa yang orang lain klasifikasikan sebagai AI umum. Tetapi itu tidak akan terjadi dalam waktu dekat. "Saat ini tidak ada metode di cakrawala yang akan memungkinkan komputer untuk memahami apa yang anak kecil ketahui, " kata Mugan. "Tanpa pemahaman dasar ini, komputer tidak akan mampu melakukan banyak tugas dengan baik 100 persen dari waktu."

Untuk memasukkannya ke dalam perspektif, para ahli di OpenAI baru-baru ini mengembangkan Dactyl, tangan robot yang dapat menangani objek. Ini adalah tugas yang setiap anak manusia pelajari untuk melakukan secara bawah sadar pada usia dini. Tapi butuh Dactyl 6.144 CPU dan 8 GPU dan pengalaman sekitar seratus tahun untuk mengembangkan keterampilan yang sama. Walaupun ini adalah pencapaian yang menakjubkan, ini juga menyoroti perbedaan yang mencolok antara AI sempit dan cara kerja otak manusia.

"Kami masih sangat jauh dari memiliki Kecerdasan Umum Buatan, dan sangat mungkin, AGI akan menjadi kombinasi dan koordinasi berbagai jenis AI yang sempit atau khusus-aplikasi, " kata Marsh. "Saya pikir ada kecenderungan untuk melebih-lebihkan kemampuan AI saat ini, tetapi saya juga melihat ada nilai yang sangat besar hanya dengan mengambil langkah pertama awal dan menerapkan model Machine Learning tradisional."

Apakah AI Musim Dingin Lain Membayang?

Pada tahun 1984, American Association of Artificial Intelligence (kemudian berganti nama menjadi Association for Advancement of Artificial Intelligence) memperingatkan komunitas bisnis bahwa sensasi dan antusiasme seputar AI pada akhirnya akan menyebabkan kekecewaan. Segera setelah itu, investasi dan minat terhadap AI runtuh, yang mengarah ke era yang lebih dikenal sebagai "musim dingin AI."

Sejak awal 2010-an, minat dan investasi di lapangan telah meningkat lagi. Beberapa ahli khawatir bahwa jika aplikasi AI berkinerja buruk dan gagal memenuhi harapan, musim dingin AI lainnya akan terjadi. Tetapi para ahli yang kami ajak bicara percaya bahwa AI telah menjadi terlalu terintegrasi dalam kehidupan kami untuk menelusuri kembali langkah-langkahnya.

"Saya tidak berpikir kita dalam bahaya musim dingin AI seperti sebelumnya karena AI sekarang memberikan nilai nyata, bukan hanya nilai hipotetis, " kata Mugan. "Namun, jika kami terus memberi tahu masyarakat umum bahwa komputer itu pintar seperti manusia, kami berisiko mendapat serangan balasan. Kami tidak akan kembali untuk tidak menggunakan pembelajaran mendalam untuk persepsi, tetapi istilah 'AI' dapat dinodai, dan kami harus menyebutnya sesuatu yang lain."

Yang pasti adalah bahwa paling tidak, era kekecewaan ada di hadapan kita. Kami akan mempelajari sejauh mana kami dapat mempercayai perpaduan AI saat ini di berbagai bidang.

"Apa yang saya harapkan untuk dilihat adalah bahwa beberapa perusahaan terkejut dengan seberapa cepat mereka dapat memberikan AI untuk layanan yang sebelumnya manual dan mahal, dan bahwa perusahaan lain akan menemukan bahwa itu membutuhkan waktu lebih lama daripada yang mereka harapkan untuk mengumpulkan cukup data untuk menjadi layak secara finansial, "kata James Bergstra, salah seorang pendiri dan kepala penelitian di Kindred.ai. "Jika ada terlalu banyak yang terakhir dan tidak cukup dari yang pertama, itu mungkin memicu musim dingin AI lain di antara investor."

• Kecerdasan Buatan Memiliki Masalah Bias, dan Ini Kesalahan Kita Kecerdasan Buatan Memiliki Masalah Bias, dan Ini Kesalahan Kita
• Mengapa Mengajar AI untuk Bermain Game Penting Mengapa Mengajarkan AI Bermain Game Penting
• AI Menawarkan Potensi Besar, Tapi Tidak Akan Terjadi Semalam AI Menawarkan Potensi Besar, Tapi Tidak Akan Terjadi Semalam

Geospock's Marsh memperkirakan bahwa sementara pendanaan tidak akan surut, akan ada beberapa penyesuaian dinamika. Ketika investor menyadari bahwa keahlian sejati jarang dan hanya mereka yang memiliki akses ke data untuk melatih model akan berbeda dalam industri, akan ada konsolidasi besar di pasar dan jauh lebih sedikit startup yang akan mendapatkan dana.

"Untuk banyak startup AI yang tidak memiliki aplikasi pasar khusus atau data dalam jumlah besar: musim dingin akan datang, " Marsh menyimpulkan.