Alat AI Kehabisan Data Latihan, tetapi Terdapat 6 Penyelesaian

Kepintaran buatan memerlukan data latihan, tetapi data itu terhad. Jadi, bagaimana lagi kita boleh melatih AI supaya ia terus berkembang dan berguna kepada kita?

Anda mungkin menganggap internet dan datanya adalah sumber yang tidak habis-habis, tetapi alatan AI kehabisan data untuk saya. Sekarang, sebelum anda bimbang, ia tidak akan menghentikan pembangunan AI—terdapat banyak data yang masih sedia untuk melatih sistem AI.

1 Sentiasa Terdapat Lebih Banyak Data Ditambah Dalam Talian

Ringkasnya, institut penyelidikan AI Epoch mengatakan data berkualiti tinggi yang AI sedang dilatih boleh kehabisan menjelang 2026.

Kata kuncinya ialah "boleh." Jumlah data yang ditambahkan ke internet setiap tahun meningkat, jadi sesuatu yang drastik mungkin berubah sebelum 2026. Namun, ini adalah anggaran yang adil—sama ada cara, sistem AI akan kehabisan data yang baik pada satu ketika.

Walau bagaimanapun, kita harus ingat bahawa kira-kira 147 zettabait data ditambah dalam talian setiap tahun (mengikut Topik Meletup). Hanya satu zettabait bersamaan dengan 1,000,000,000,000,000,000,000 bit data. Dari segi sebenar (sebenarnya, agak nyata), itu lebih daripada 30 bilion filem 4K (sebenar, tetapi tidak dapat diduga). Ia adalah jumlah maklumat yang mengejutkan untuk ditapis oleh AI.

Namun begitu, AI menggunakan data lebih pantas daripada yang manusia boleh menciptanya…

2 AI Boleh Lupakan Data Berkualiti Rendah

Bukan semua 147 zettabait data itu adalah data yang baik, sudah tentu. Terdapat banyak lagi perkara yang tidak dapat dilihat. Tetapi dianggarkan bahawa AI akan menggunakan data bahasa berkualiti rendah menjelang 2050 juga.

Reuters melaporkan bahawa Photobucket, pernah menjadi salah satu repositori gambar terbesar di dunia, sedang berbincang untuk melesenkan perpustakaannya yang luas kepada firma latihan AI. Data imej mempunyai sistem terlatih seperti DALL-E dan Midjourney, tetapi itu mungkin akan habis menjelang 2060. Terdapat isu yang lebih besar di sini juga: Photobucket menempatkan imej dari platform media sosial 2000-an seperti Myspace, bermakna ia tidak setinggi standard fotografi semasa. Ini membawa kepada data berkualiti rendah.

Photobucket bukan sahaja. Pada Februari 2024, Google membuat perjanjian dengan Reddit, membenarkan gergasi carian menggunakan data pengguna platform media sosial dalam latihan AInya. Platform media sosial lain juga menyediakan data pengguna untuk tujuan latihan AI; ada yang menggunakannya untuk melatih model AI dalaman, seperti Meta's Llama.

Walau bagaimanapun, sementara beberapa maklumat boleh diperoleh daripada data berkualiti rendah, Microsoft dilaporkan sedang membangunkan cara untuk AI untuk "menyahbelajar" data secara selektif. Terutamanya, ini akan digunakan untuk isu IP, tetapi ini juga boleh bermakna alat boleh melupakan perkara yang mereka pelajari daripada set data berkualiti rendah.

Kami boleh memberi lebih banyak data kepada AI tanpa terlalu selektif; sistem AI tersebut kemudiannya boleh memilih dan memilih perkara yang paling berfaedah untuk dipelajari.

3 Pengecaman Pertuturan Membuka Data Video dan Podcast

Data yang disalurkan kepada alatan AI setakat ini sebahagian besarnya terdiri daripada teks dan, pada tahap yang lebih rendah, imej. Itu sudah pasti akan berubah, dan mungkin sudah ada, kerana perisian pengecaman pertuturan bermakna kekayaan video dan podcast yang tersedia juga boleh melatih AI.

Terutamanya, OpenAI membangunkan rangkaian neural pengecaman pertuturan automatik (ASR) sumber terbuka, Whisper, menggunakan 680,000 jam data berbilang bahasa dan berbilang tugas. OpenAI kemudiannya menyalurkan lebih sejuta jam maklumat daripada video YouTube ke dalam model bahasa besarnya, GPT-4.

Ini ialah templat yang sesuai untuk sistem AI lain, yang menggunakan pengecaman pertuturan untuk menyalin video dan audio daripada pelbagai sumber dan menjalankan data tersebut melalui model AI mereka.

Menurut Statista, lebih 500 jam video dimuat naik ke YouTube setiap minit, jumlah yang kekal agak konsisten sejak 2019. Itu tanpa menyebut platform video dan audio lain seperti Dailymotion dan Podbean. Jika AI boleh mengalihkan perhatiannya kepada set data baharu seperti ini, terdapat sejumlah besar maklumat yang masih perlu dilombong.

4 AI Sebahagian besarnya Terpegang pada Bahasa Inggeris

Bukan itu sahaja yang boleh kita pelajari daripada Whisper. OpenAI melatih model menggunakan 117,000 jam data audio bukan bahasa Inggeris. Ini amat menarik kerana banyak sistem AI telah dilatih terutamanya menggunakan bahasa Inggeris atau melihat budaya lain melalui lensa Barat.

Pada dasarnya, kebanyakan alat dihadkan oleh budaya penciptanya.

Ambil ChatGPT sebagai contoh. Tidak lama selepas dikeluarkan pada tahun 2022, Jill Walker Rettberg, profesor Budaya Digital di Universiti Bergen, Norway, mencuba ChatGPT dan membuat kesimpulan:

“ChatGPT tidak tahu banyak tentang budaya Norway. Atau sebaliknya, apa sahaja yang diketahuinya tentang budaya Norway mungkin kebanyakannya dipelajari daripada sumber bahasa Inggeris... ChatGPT secara jelas sejajar dengan nilai dan undang-undang AS. Dalam banyak kes ini hampir dengan nilai Norway dan Eropah, tetapi mungkin ini tidak akan selalu berlaku.”

AI, kemudian, boleh membangunkan lebih ramai orang multinasional berinteraksi dengan mereka—atau lebih banyak bahasa dan budaya yang pelbagai digunakan untuk melatih sistem sedemikian. Pada masa ini, banyak kecerdasan buatan telah terhad kepada satu perpustakaan; mereka boleh berkembang jika diberi kunci kepada perpustakaan di seluruh dunia.

5 Rumah Penerbitan Boleh Membantu Membangunkan AI

IP jelas merupakan isu besar, tetapi sesetengah penerbit boleh membantu membangunkan AI dengan membuat perjanjian pelesenan. Ini bermakna memberikan alatan yang berkualiti tinggi, iaitu, boleh dipercayai, data daripada buku dan bukannya maklumat yang berpotensi berkualiti rendah yang diperoleh daripada sumber dalam talian.

Malah, Meta, pemilik Facebook, Instagram dan WhatsApp, dilaporkan mempertimbangkan untuk membeli Simon & Schuster, salah satu daripada rumah penerbitan "Big Five". Ideanya adalah untuk menggunakan kesusasteraan yang diterbitkan oleh firma itu untuk melatih AI Meta sendiri. Perjanjian itu akhirnya gagal, mungkin disebabkan oleh kawasan kelabu etika syarikat memproses IP tanpa kebenaran terlebih dahulu daripada penulis.

Pilihan lain yang nampaknya dipertimbangkan ialah membeli hak pelesenan individu pada tajuk baharu. Ini sepatutnya menimbulkan kebimbangan yang besar untuk kreatif, tetapi ia masih akan menjadi cara yang menarik untuk alat AI untuk membangunkan jika data yang boleh digunakan kehabisan.

6 Data Sintetik Adalah Masa Depan

Setiap penyelesaian lain masih terhad, tetapi satu pilihan boleh melihat AI berkembang maju jauh ke masa hadapan: data sintetik. Dan ia sudah pun disiasat sebagai kemungkinan yang sangat nyata.

Jadi, apakah itu data sintetik? Dalam pengertian ini, ia adalah data yang dicipta oleh AI; sama seperti manusia mencipta data, kaedah ini akan melihat kecerdasan buatan menjana data untuk tujuan latihan.

Sebenarnya, AI boleh mencipta video deepfake yang meyakinkan. Video palsu itu boleh dimasukkan semula ke dalam AI supaya ia boleh belajar daripada senario khayalan. Iaitu, selepas semua, satu cara utama manusia belajar: kita membaca atau menonton sesuatu untuk memahami dunia di sekeliling kita.

AI berkemungkinan telah menggunakan maklumat sintetik. Deepfakes menyebarkan maklumat salah dan salah maklumat dalam talian, jadi apabila sistem AI mengimbas Internet, masuk akal bahawa sesetengahnya akan tertakluk kepada kandungan palsu.

Ya, ada sisi berbahaya dalam hal ini. Ia juga boleh merosakkan atau mengehadkan AI, mengukuhkan dan menyebarkan kesilapan yang dibuat oleh alat tersebut. Syarikat sedang berusaha untuk membasmi masalah yang terakhir; namun, "AI belajar antara satu sama lain dan membuat kesilapan" ialah titik plot bagi banyak senario mimpi ngeri sci-fi.

7

AI adalah kontroversi. Terdapat banyak kelemahan padanya, tetapi pengkritik mengabaikan faedahnya. Sebagai contoh, rangkaian audit dan penasihat PwC [PDF] mencadangkan AI boleh menyumbang sehingga $15.7 trilion kepada ekonomi dunia menjelang 2030.

Lebih-lebih lagi, AI sudah digunakan di seluruh dunia. Anda mungkin telah menggunakannya hari ini dalam beberapa bentuk atau yang lain, mungkin tanpa menyedarinya. Sekarang jin sudah keluar dari botol, kuncinya adalah untuk melatihnya pada data yang boleh dipercayai dan berkualiti supaya kita boleh menggunakannya dengan betul.

AI mempunyai positif dan negatifnya. Ada baki yang perlu dicari.

Atas ialah kandungan terperinci Alat AI Kehabisan Data Latihan, tetapi Terdapat 6 Penyelesaian. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!