loading...

layehsevom

بازدید : 321
چهارشنبه 4 تير 1399 زمان : 14:57

هوش مصنوعی و فن آوری های یادگیری ماشین برای افزایش بهره وری در اقتصاد دانش آماده می شوند و آینده کار را دگرگون می کنند.


اما آنها بسیار عالی نیستند.

يادگيري ماشيني (ML) - تكنولوژي كه در آن الگوريتم ها "از الگوهاي موجود در داده ها" براي انجام پيش بيني هاي آماري محور و تسهيل تصميم ها "ياد مي گيرند" در چند زمينه براي آشكارسازي تعصب يافت شده است. به خاطر دارید وقتی Amazon.com بخاطر الگوریتم استخدام که جنسیت و تعصب نژادی را آشکار کرده بود ، تحت آتش قرار گرفتید؟ چنین سوگیری ها اغلب ناشی از داده های آموزش شیب دار یا الگوریتم های خسته شده است.

و در سایر زمینه های تجاری ، منبع بالقوه دیگری از تعصب وجود دارد. این در حالی است که افراد خارج از کشور از مزایای پیش بینی سوگیری استفاده می کنند و برای تغییر استراتژیک ورودی ها تلاش می کنند. به عبارت دیگر ، آنها سیستم های ML را بازی می کنند.

این اتفاق می افتد چند مورد متداول شاید متقاضیان شغل و افرادی باشند که علیه بیمه خود مطالبه می کنند.

الگوریتم های ML برای این زمینه ها ساخته شده اند. آنها می توانند رزومه را سریعتر از هر استخدام کننده بررسی کنند و می توانند سریعتر از هر پردازنده انسانی از طریق مطالبات بیمه شانه بزنند.

اما افرادی که رزومه ها و ادعاهای بیمه ای ارائه می دهند ، علاقه ای استراتژیک به گرفتن نتایج مثبت دارند و برخی از آنها می دانند چگونه از الگوریتم پیشی بگیرند.

محققان دانشکده بازرگانی رابرت اچ اسمیت ، دانشگاه مریلند ، با تعجب از این سؤال که "آیا ML می تواند چنین رفتارهای استراتژیک را اصلاح کند؟"

در تحقیقات جدید ، Rajshree Agarwal و Evan Starr ، مریلند اسمیت ، همراه با Prithwiraj Choudhury از هاروارد ، تعصبات احتمالی را که باعث کاهش کارآیی فن آوری های فرآیند ML شده و دامنه سرمایه انسانی برای مکمل کاهش چنین تعصبات استفاده می کنند ، کشف می کنند. تحقیقات قبلی در ML به اصطلاح "مخالف" ML به دقت در تلاش برای "فریب" فن آوری های ML بود ، و به طور کلی نتیجه گرفتند که تهیه فناوری ML برای پاسخ دادن به هرگونه ورودی و دستکاری بسیار چالش برانگیز است. به عبارت دیگر ، ML قابل فریب است.

شرکتها در مورد آن چه کاری باید انجام دهند؟ آیا آنها می توانند تعصب پیش بینی ML را محدود کنند؟ و ، آیا انسان برای انجام این کار نقش دارد؟

استار ، آگرووال و چودوری از تمرکز خود در معاینه ثبت اختراع ، متناسب با فریبکاری احتمالی استفاده کردند.



محققان توضیح می دهند: "محققان ثبت اختراع ثبت اختراع با تعیین زمان دقیق و جدید بودن عدم اطلاع رسانی در مورد ثبت اختراع با الك كردن مقادیر در حال گسترش" هنر پیشین "یا اختراعاتی كه پیش از این اتفاق افتاده است با یك چالش وقت گیر مواجه هستند. این کار چالش برانگیز است.

ترکیب چالش: به متقاضیان ثبت اختراع مجاز می شوند كلمات موافق را ایجاد كنند و معنای جدیدی را به كلمات موجود اختصاص دهند تا اختراعات خود را توصیف كنند. محققان توضیح می دهند این فرصتی است که متقاضیان برنامه های خود را به روش استراتژیک و با هدف ML بنویسند.

اداره ثبت اختراعات و علائم تجاری ایالات متحده عموماً نسبت به این امر منطقی است. در فناوری ML دعوت کرده است که متن برنامه ها را "بخواند" ، با هدف شناسایی سریع ترین مربوط به هنر قبلی و منجر به تصمیم گیری دقیق تر کند. "اگرچه از نظر تئوری امکان پذیر است که الگوریتم های ML به طور مداوم روش هایی را که متقاضیان ثبت اختراع برای دستکاری در این الگوریتم تلاش می کنند ، بیاموزند و تصحیح کنند ، اما پتانسیل متقاضیان ثبت اختراع برای به روزرسانی استراتژی های نوشتن خود ، باعث می شود که آموزش الگوریتم ML به طور غیرمستقیم برای اصلاح این امر غیرممکن شود. رفتار ، "" پژوهشگران می نویسند.

در مطالعه خود ، تیم تحقیقاتی مشاهده ای و تجربی انجام دادند. آنها دریافتند که زبان ثبت اختراع با گذشت زمان تغییر می کند ، و این باعث می شود که هر ابزار ML کاملاً به تنهایی کار کند. آنها دریافتند که ML از همکاری انسانی به شدت بهره مند شده است.

محققان دریافتند ، افراد با مهارت و دانش جمع آوری شده از طریق یادگیری قبلی در یک دامنه ، ML را در کاهش تعصب ناشی از دستکاری متقاضی تکمیل می کنند ، زیرا کارشناسان حوزه اطلاعات مربوط به خارج را برای اصلاح ورودی های تغییر یافته استراتژیک به دست می آورند. و افراد با مهارت های خاص پرنعمت - مهارت و دانش جمع شده از طریق آشنایی قبلی با کارها با فناوری - قادر به رفع پیچیدگی ها در رابط های فناوری ML هستند.

آنها هشدار می دهند که اگرچه ارائه مشاوره تخصصی و سرمایه انسانی خاص پرنعمت باعث افزایش بهره وری اولیه می شود ، اما هنوز مشخص نیست که آیا قرار گرفتن در معرض مداوم و یادگیری توسط کارگران باعث می شود که اختلافات نسبی بین گروه ها با گذشت زمان رشد یا کوچک شود. آنها تحقیقات بیشتر در مورد تکامل در بهره وری از تمام فن آوری های ML و شرایط احتمالی آنها را ترغیب می کنند.

هوش مصنوعی و فن آوری های یادگیری ماشین برای افزایش بهره وری در اقتصاد دانش آماده می شوند و آینده کار را دگرگون می کنند.


اما آنها بسیار عالی نیستند.

يادگيري ماشيني (ML) - تكنولوژي كه در آن الگوريتم ها "از الگوهاي موجود در داده ها" براي انجام پيش بيني هاي آماري محور و تسهيل تصميم ها "ياد مي گيرند" در چند زمينه براي آشكارسازي تعصب يافت شده است. به خاطر دارید وقتی Amazon.com بخاطر الگوریتم استخدام که جنسیت و تعصب نژادی را آشکار کرده بود ، تحت آتش قرار گرفتید؟ چنین سوگیری ها اغلب ناشی از داده های آموزش شیب دار یا الگوریتم های خسته شده است.

و در سایر زمینه های تجاری ، منبع بالقوه دیگری از تعصب وجود دارد. این در حالی است که افراد خارج از کشور از مزایای پیش بینی سوگیری استفاده می کنند و برای تغییر استراتژیک ورودی ها تلاش می کنند. به عبارت دیگر ، آنها سیستم های ML را بازی می کنند.

این اتفاق می افتد چند مورد متداول شاید متقاضیان شغل و افرادی باشند که علیه بیمه خود مطالبه می کنند.

الگوریتم های ML برای این زمینه ها ساخته شده اند. آنها می توانند رزومه را سریعتر از هر استخدام کننده بررسی کنند و می توانند سریعتر از هر پردازنده انسانی از طریق مطالبات بیمه شانه بزنند.

اما افرادی که رزومه ها و ادعاهای بیمه ای ارائه می دهند ، علاقه ای استراتژیک به گرفتن نتایج مثبت دارند و برخی از آنها می دانند چگونه از الگوریتم پیشی بگیرند.

محققان دانشکده بازرگانی رابرت اچ اسمیت ، دانشگاه مریلند ، با تعجب از این سؤال که "آیا ML می تواند چنین رفتارهای استراتژیک را اصلاح کند؟"

در تحقیقات جدید ، Rajshree Agarwal و Evan Starr ، مریلند اسمیت ، همراه با Prithwiraj Choudhury از هاروارد ، تعصبات احتمالی را که باعث کاهش کارآیی فن آوری های فرآیند ML شده و دامنه سرمایه انسانی برای مکمل کاهش چنین تعصبات استفاده می کنند ، کشف می کنند. تحقیقات قبلی در ML به اصطلاح "مخالف" ML به دقت در تلاش برای "فریب" فن آوری های ML بود ، و به طور کلی نتیجه گرفتند که تهیه فناوری ML برای پاسخ دادن به هرگونه ورودی و دستکاری بسیار چالش برانگیز است. به عبارت دیگر ، ML قابل فریب است.

شرکتها در مورد آن چه کاری باید انجام دهند؟ آیا آنها می توانند تعصب پیش بینی ML را محدود کنند؟ و ، آیا انسان برای انجام این کار نقش دارد؟

استار ، آگرووال و چودوری از تمرکز خود در معاینه ثبت اختراع ، متناسب با فریبکاری احتمالی استفاده کردند.



محققان توضیح می دهند: "محققان ثبت اختراع ثبت اختراع با تعیین زمان دقیق و جدید بودن عدم اطلاع رسانی در مورد ثبت اختراع با الك كردن مقادیر در حال گسترش" هنر پیشین "یا اختراعاتی كه پیش از این اتفاق افتاده است با یك چالش وقت گیر مواجه هستند. این کار چالش برانگیز است.

ترکیب چالش: به متقاضیان ثبت اختراع مجاز می شوند كلمات موافق را ایجاد كنند و معنای جدیدی را به كلمات موجود اختصاص دهند تا اختراعات خود را توصیف كنند. محققان توضیح می دهند این فرصتی است که متقاضیان برنامه های خود را به روش استراتژیک و با هدف ML بنویسند.

اداره ثبت اختراعات و علائم تجاری ایالات متحده عموماً نسبت به این امر منطقی است. در فناوری ML دعوت کرده است که متن برنامه ها را "بخواند" ، با هدف شناسایی سریع ترین مربوط به هنر قبلی و منجر به تصمیم گیری دقیق تر کند. "اگرچه از نظر تئوری امکان پذیر است که الگوریتم های ML به طور مداوم روش هایی را که متقاضیان ثبت اختراع برای دستکاری در این الگوریتم تلاش می کنند ، بیاموزند و تصحیح کنند ، اما پتانسیل متقاضیان ثبت اختراع برای به روزرسانی استراتژی های نوشتن خود ، باعث می شود که آموزش الگوریتم ML به طور غیرمستقیم برای اصلاح این امر غیرممکن شود. رفتار ، "" پژوهشگران می نویسند.

در مطالعه خود ، تیم تحقیقاتی مشاهده ای و تجربی انجام دادند. آنها دریافتند که زبان ثبت اختراع با گذشت زمان تغییر می کند ، و این باعث می شود که هر ابزار ML کاملاً به تنهایی کار کند. آنها دریافتند که ML از همکاری انسانی به شدت بهره مند شده است.

محققان دریافتند ، افراد با مهارت و دانش جمع آوری شده از طریق یادگیری قبلی در یک دامنه ، ML را در کاهش تعصب ناشی از دستکاری متقاضی تکمیل می کنند ، زیرا کارشناسان حوزه اطلاعات مربوط به خارج را برای اصلاح ورودی های تغییر یافته استراتژیک به دست می آورند. و افراد با مهارت های خاص پرنعمت - مهارت و دانش جمع شده از طریق آشنایی قبلی با کارها با فناوری - قادر به رفع پیچیدگی ها در رابط های فناوری ML هستند.

آنها هشدار می دهند که اگرچه ارائه مشاوره تخصصی و سرمایه انسانی خاص پرنعمت باعث افزایش بهره وری اولیه می شود ، اما هنوز مشخص نیست که آیا قرار گرفتن در معرض مداوم و یادگیری توسط کارگران باعث می شود که اختلافات نسبی بین گروه ها با گذشت زمان رشد یا کوچک شود. آنها تحقیقات بیشتر در مورد تکامل در بهره وری از تمام فن آوری های ML و شرایط احتمالی آنها را ترغیب می کنند.

نظرات این مطلب

تعداد صفحات : 0

درباره ما
موضوعات
آمار سایت
  • کل مطالب : 104
  • کل نظرات : 0
  • افراد آنلاین : 1
  • تعداد اعضا : 88
  • بازدید امروز : 17
  • بازدید کننده امروز : 1
  • باردید دیروز : 9
  • بازدید کننده دیروز : 0
  • گوگل امروز : 0
  • گوگل دیروز : 0
  • بازدید هفته : 32
  • بازدید ماه : 77
  • بازدید سال : 336
  • بازدید کلی : 48263
  • <
    پیوندهای روزانه
    آرشیو
    اطلاعات کاربری
    نام کاربری :
    رمز عبور :
  • فراموشی رمز عبور؟
  • خبر نامه


    معرفی وبلاگ به یک دوست


    ایمیل شما :

    ایمیل دوست شما :



    کدهای اختصاصی