কৃত্রিম বুদ্ধিমত্তা বৈজ্ঞানিক অগ্রগতির যুক্তি অনুসরণ করে না

আমরা এমটি-তে অনেকবার গবেষক এবং পেশাদারদের সম্পর্কে লিখেছি যারা মেশিন লার্নিং সিস্টেমকে "ব্ল্যাক বক্স" হিসাবে ঘোষণা করে (1) এমনকি যারা এটি তৈরি করে তাদের জন্যও। এটি ফলাফল মূল্যায়ন এবং উদীয়মান অ্যালগরিদম পুনরায় ব্যবহার করা কঠিন করে তোলে।

নিউরাল নেটওয়ার্ক - এমন একটি কৌশল যা আমাদের বুদ্ধিমান রূপান্তরকারী বট এবং বুদ্ধিমান পাঠ্য জেনারেটর দেয় যা এমনকি কবিতা তৈরি করতে পারে - বাইরের পর্যবেক্ষকদের কাছে একটি অবোধ্য রহস্য রয়ে গেছে।

তারা বড় এবং আরও জটিল হয়ে উঠছে, বিশাল ডেটাসেট পরিচালনা করছে এবং বিশাল কম্পিউট অ্যারে ব্যবহার করছে। এটি প্রাপ্ত মডেলগুলির প্রতিলিপি এবং বিশ্লেষণকে ব্যয়বহুল এবং কখনও কখনও অন্যান্য গবেষকদের পক্ষে অসম্ভব করে তোলে, বিশাল বাজেটের বড় কেন্দ্রগুলি ছাড়া।

অনেক বিজ্ঞানী এই সমস্যা সম্পর্কে ভাল জানেন। তাদের মধ্যে জোয়েল পিনো (2), NeurIPS-এর চেয়ারম্যান, প্রজননযোগ্যতার প্রধান সম্মেলন। তার নেতৃত্বে বিশেষজ্ঞরা একটি "প্রজননযোগ্যতা চেকলিস্ট" তৈরি করতে চান।

পিনো বলেন, ধারণাটি হল গবেষকদের অন্যদের একটি রোডম্যাপ অফার করার জন্য উৎসাহিত করা যাতে তারা ইতিমধ্যে সম্পন্ন করা কাজটি পুনরায় তৈরি করতে এবং ব্যবহার করতে পারে। আপনি একটি নতুন টেক্সট জেনারেটরের বাগ্মিতা বা একটি ভিডিও গেম রোবটের অতিমানবীয় দক্ষতা দেখে আশ্চর্য হতে পারেন, তবে এমনকি সেরা বিশেষজ্ঞদেরও এই বিস্ময়গুলি কীভাবে কাজ করে সে সম্পর্কে কোনও ধারণা নেই। অতএব, এআই মডেলগুলির পুনরুত্পাদন শুধুমাত্র গবেষণার জন্য নতুন লক্ষ্য এবং দিকনির্দেশ সনাক্ত করার জন্য নয়, ব্যবহার করার জন্য একটি সম্পূর্ণরূপে ব্যবহারিক নির্দেশিকা হিসাবেও গুরুত্বপূর্ণ।

অন্যরা এই সমস্যা সমাধানের চেষ্টা করছেন। Google গবেষকরা সম্ভাব্য বাগ নির্দেশ করে এমন ফলাফল সহ সিস্টেমগুলি কীভাবে পরীক্ষা করা হয়েছিল তা বিশদভাবে বর্ণনা করার জন্য "মডেল কার্ড" অফার করেছেন। অ্যালেন ইনস্টিটিউট ফর কৃত্রিম বুদ্ধিমত্তার (AI2) গবেষকরা একটি গবেষণাপত্র প্রকাশ করেছেন যা পরীক্ষামূলক প্রক্রিয়ার অন্যান্য ধাপে পিনোট প্রজননযোগ্যতা চেকলিস্টকে প্রসারিত করার লক্ষ্য রাখে। "আপনার কাজ দেখান," তারা অনুরোধ.

কখনও কখনও মৌলিক তথ্য অনুপস্থিত কারণ গবেষণা প্রকল্পের মালিকানাধীন, বিশেষ করে কোম্পানির জন্য কাজ করা ল্যাবরেটরিগুলির দ্বারা। প্রায়শই, তবে, এটি পরিবর্তিত এবং ক্রমবর্ধমান জটিল গবেষণা পদ্ধতিগুলি বর্ণনা করতে অক্ষমতার লক্ষণ। নিউরাল নেটওয়ার্ক একটি খুব জটিল এলাকা। সেরা ফলাফল পেতে, প্রায়ই হাজার হাজার "নব এবং বোতাম" এর সূক্ষ্ম টিউনিং প্রয়োজন হয়, যাকে কেউ কেউ "ব্ল্যাক ম্যাজিক" বলে। সর্বোত্তম মডেলের পছন্দটি প্রায়শই প্রচুর সংখ্যক পরীক্ষার সাথে যুক্ত থাকে। ম্যাজিক খুব ব্যয়বহুল হয়ে ওঠে।

উদাহরণস্বরূপ, যখন Facebook AlphaGo-এর কাজ প্রতিলিপি করার চেষ্টা করেছিল, ডিপমাইন্ড অ্যালফাবেট দ্বারা তৈরি একটি সিস্টেম, কাজটি অত্যন্ত কঠিন প্রমাণিত হয়েছিল। ফেসবুকের কর্মচারীদের মতে বিশাল গণনামূলক প্রয়োজনীয়তা, কয়েক হাজার ডিভাইসে কয়েকদিন ধরে লক্ষাধিক পরীক্ষা-নিরীক্ষা, কোডের অভাব সহ, সিস্টেমটিকে "অত্যন্ত কঠিন, যদি অসম্ভব নাও হয়, আবার তৈরি করা, পরীক্ষা করা, উন্নতি করা এবং প্রসারিত করা"।

সমস্যাটি বিশেষায়িত বলে মনে হচ্ছে। যাইহোক, যদি আমরা আরও চিন্তা করি, ফলাফলের পুনরুত্পাদনযোগ্যতা এবং একটি গবেষণা দল এবং অন্যের মধ্যে ফাংশনের সমস্যাগুলির ঘটনাটি আমাদের পরিচিত বিজ্ঞান এবং গবেষণা প্রক্রিয়াগুলির কার্যকারিতার সমস্ত যুক্তিকে দুর্বল করে। একটি নিয়ম হিসাবে, পূর্ববর্তী গবেষণার ফলাফলগুলি আরও গবেষণার জন্য একটি ভিত্তি হিসাবে ব্যবহার করা যেতে পারে যা জ্ঞান, প্রযুক্তি এবং সাধারণ অগ্রগতির বিকাশকে উদ্দীপিত করে।