បញ្ញាសិប្បនិមិត្តមិនធ្វើតាមតក្កវិជ្ជានៃវឌ្ឍនភាពវិទ្យាសាស្ត្រ

យើងបានសរសេរជាច្រើនដងនៅក្នុង MT អំពីអ្នកស្រាវជ្រាវ និងអ្នកជំនាញដែលប្រកាសប្រព័ន្ធរៀនម៉ាស៊ីនជា "ប្រអប់ខ្មៅ" (1) សូម្បីតែសម្រាប់អ្នកដែលបង្កើតវាក៏ដោយ។ វាធ្វើឱ្យពិបាកក្នុងការវាយតម្លៃលទ្ធផល និងប្រើឡើងវិញនូវក្បួនដោះស្រាយដែលកំពុងលេចចេញ។

បណ្តាញសរសៃប្រសាទ - បច្ចេកទេសដែលផ្តល់ឱ្យយើងនូវការបំប្លែងរូបយន្តដ៏ឆ្លាតវៃ និងម៉ាស៊ីនបង្កើតអត្ថបទដ៏ប៉ិនប្រសប់ដែលអាចបង្កើតកំណាព្យបាន - នៅតែជាអាថ៌កំបាំងដែលមិនអាចយល់បានសម្រាប់អ្នកសង្កេតការណ៍ខាងក្រៅ។

ពួកវាកាន់តែធំទៅៗ ស្មុគ្រស្មាញ គ្រប់គ្រងសំណុំទិន្នន័យដ៏ធំ និងប្រើអារេគណនាដ៏ធំ។ នេះធ្វើឱ្យការចម្លង និងការវិភាគនៃគំរូដែលទទួលបានមានតម្លៃថ្លៃ ហើយពេលខ្លះមិនអាចទៅរួចសម្រាប់អ្នកស្រាវជ្រាវផ្សេងទៀត លើកលែងតែមជ្ឈមណ្ឌលធំដែលមានថវិកាច្រើន។

អ្នកវិទ្យាសាស្ត្រជាច្រើនបានដឹងយ៉ាងច្បាស់អំពីបញ្ហានេះ។ ក្នុងចំណោមពួកគេគឺ Joel Pino (2), ប្រធាន NeurIPS, សន្និសីទកំពូលស្តីពីការបន្តពូជ។ អ្នកជំនាញក្រោមការដឹកនាំរបស់នាងចង់បង្កើត "បញ្ជីត្រួតពិនិត្យលទ្ធភាពផលិតឡើងវិញ"។

យោងតាមលោក Pino គំនិតនេះគឺដើម្បីលើកទឹកចិត្តអ្នកស្រាវជ្រាវឱ្យផ្តល់ជូនអ្នកផ្សេងទៀតនូវផែនទីបង្ហាញផ្លូវមួយ ដូច្នេះពួកគេអាចបង្កើតឡើងវិញ និងប្រើប្រាស់ការងារដែលបានធ្វើរួចហើយ។ អ្នកអាចភ្ញាក់ផ្អើលជាមួយនឹងភាពអស្ចារ្យនៃម៉ាស៊ីនបង្កើតអត្ថបទថ្មី ឬភាពរហ័សរហួនរបស់មនុស្សយន្តវីដេអូហ្គេម ប៉ុន្តែសូម្បីតែអ្នកជំនាញដ៏ល្អបំផុតក៏មិនដឹងពីរបៀបដែលភាពអស្ចារ្យទាំងនេះដំណើរការដែរ។ ដូច្នេះការផលិតឡើងវិញនៃគំរូ AI គឺមានសារៈសំខាន់មិនត្រឹមតែសម្រាប់កំណត់គោលដៅ និងទិសដៅថ្មីសម្រាប់ការស្រាវជ្រាវប៉ុណ្ណោះទេ ប៉ុន្តែក៏ជាការណែនាំជាក់ស្តែងសម្រាប់ប្រើប្រាស់ផងដែរ។

អ្នកផ្សេងទៀតកំពុងព្យាយាមដោះស្រាយបញ្ហានេះ។ អ្នកស្រាវជ្រាវ Google បានផ្តល់ "កាតគំរូ" ដើម្បីពិពណ៌នាលម្អិតអំពីរបៀបដែលប្រព័ន្ធត្រូវបានសាកល្បង រួមទាំងលទ្ធផលដែលចង្អុលទៅបញ្ហាដែលអាចកើតមាន។ អ្នកស្រាវជ្រាវនៅវិទ្យាស្ថាន Allen Institute for Artificial Intelligence (AI2) បានបោះពុម្ភផ្សាយក្រដាសមួយដែលមានគោលបំណងពង្រីកបញ្ជីត្រួតពិនិត្យការបន្តពូជ Pinot ទៅជំហានផ្សេងទៀតនៅក្នុងដំណើរការពិសោធន៍។ ពួកគេទទូចថា "បង្ហាញការងាររបស់អ្នក" ។

ពេលខ្លះព័ត៌មានមូលដ្ឋានត្រូវបានបាត់ដោយសារតែគម្រោងស្រាវជ្រាវត្រូវបានគ្រប់គ្រងជាពិសេសដោយមន្ទីរពិសោធន៍ដែលធ្វើការឱ្យក្រុមហ៊ុន។ ទោះជាយ៉ាងណាក៏ដោយ ជាញឹកញាប់ វាគឺជាសញ្ញានៃអសមត្ថភាពក្នុងការពិពណ៌នាអំពីការផ្លាស់ប្តូរ និងវិធីសាស្រ្តស្រាវជ្រាវដែលកាន់តែស្មុគស្មាញ។ បណ្តាញសរសៃប្រសាទគឺជាតំបន់ស្មុគស្មាញណាស់។ ដើម្បីទទួលបានលទ្ធផលល្អបំផុត ការលៃតម្រូវការផាកពិន័យនៃ "ប៊ូតុង និងប៊ូតុង" រាប់ពាន់ត្រូវបានទាមទារជាញឹកញាប់ ដែលអ្នកខ្លះហៅថា "វេទមន្តខ្មៅ" ។ ជម្រើសនៃគំរូល្អបំផុតត្រូវបានភ្ជាប់ជាញឹកញាប់ជាមួយនឹងការពិសោធន៍មួយចំនួនធំ។ វេទមន្តក្លាយជាថ្លៃណាស់។

ជាឧទាហរណ៍ នៅពេលដែល Facebook ព្យាយាមចម្លងការងាររបស់ AlphaGo ដែលជាប្រព័ន្ធដែលបង្កើតឡើងដោយ DeepMind Alphabet កិច្ចការនោះពិតជាពិបាកខ្លាំងណាស់។ តម្រូវការកុំព្យូទ័រដ៏ធំ ការពិសោធន៍រាប់លាននៅលើឧបករណ៍រាប់ពាន់ក្នុងរយៈពេលជាច្រើនថ្ងៃ រួមផ្សំជាមួយនឹងការខ្វះកូដ បានធ្វើឱ្យប្រព័ន្ធ "ពិបាកខ្លាំងណាស់ ប្រសិនបើមិនអាចបង្កើតឡើងវិញ សាកល្បង កែលម្អ និងពង្រីក" នេះបើយោងតាមបុគ្គលិក Facebook ។

បញ្ហាហាក់ដូចជាឯកទេស។ ទោះជាយ៉ាងណាក៏ដោយ ប្រសិនបើយើងគិតបន្ថែមទៀត បាតុភូតនៃបញ្ហាជាមួយនឹងការផលិតឡើងវិញនៃលទ្ធផល និងមុខងាររវាងក្រុមស្រាវជ្រាវមួយ និងក្រុមមួយទៀតធ្វើឱ្យខូចដល់តក្កវិជ្ជានៃដំណើរការវិទ្យាសាស្ត្រ និងដំណើរការស្រាវជ្រាវដែលយើងស្គាល់។ តាមក្បួនមួយ លទ្ធផលនៃការស្រាវជ្រាវពីមុនអាចប្រើជាមូលដ្ឋានសម្រាប់ការស្រាវជ្រាវបន្ថែម ដែលជំរុញការអភិវឌ្ឍន៍ចំណេះដឹង បច្ចេកវិទ្យា និងវឌ្ឍនភាពទូទៅ។