Probably approximately correct

Probably approximately correct (PAC) to tytuł książki i koncepcji naukowej, których autorem jest Leslie Valiant z Uniwersytetu Harvarda. Wywiad z naukowcem publikuje Qualia Magazine. Dotyczą one związków pomiędzy maszyną a ludzkim mózgiem, które są badane na polu AI, a w szczególności tzw. machine learning (maszyn uczących się). Idea Valianta jest prosta: matematyczne postawy uczenia się daje się ujednolicić i są takie same dla mózgu ludzkiego i maszyny liczącej. Rozszerza on pojęcie algorytmu, które stosuje się do tej drugiej na systemy biologiczne, tworząc pojęcie „ecorithm”. Z drugiej strony zmienia także status maszyny, zrównując ją z człowiekiem. Valiant za swą koncepcję, nad którą pracuje od lat 80 zdobył nagrodę A.M. Turinga w 2010 roku.

Praktyka Big Data i AI

O’Reilly w swoim newsletterze zawarł 4, jak to zostało nazwane, wizualizacje danych dostępnych online w formie doniesień (online news data) przedstawione w tekstach z Forbesa pióra Kaleva Leetaru, są one następujące:
1. Creating A Massive Network Visualization Of The Global News Landscape: Who Links To Whom?
2. What Does Artificial Intelligence See In A Quarter Billion Global News Photographs?
3. Visual Geocoding A Quarter Billion Global News Photographs Using Google’s Deep Learning API
4. Mapping Global Happiness In 2016 Through A Quarter Billion News Articles
Są to jednak także opisy potężnych narzędzi badawczych o niespodziewanych możliwościach takie jak CARTO, Cloud Vision API i BigQuery z oferty Google Cloud Platform czy niesamowitego The GDELT Project.

Widok „mózgu” AI

Wired publikuje efekty pracy narzędzia stworzonego przez Graphcore do graficznej prezentacji obliczeń dokonywanych przez sieć neuronową w trakcie „uczenia się” (machine learning). To swoista mapa procesów jakie wykonuje sieć neuronowa w trakcie różnego typu zadań.
Przykład takiej wizualizacji pobrany ze strony: https://www.theregister.co.uk/2017/02/17/machine_learning_graphical_eye_candy/:

graphcore_resnet_50_graph_labelled_650

AI, Asilomar

Wired opisuje spotkanie czołowych specjalistów różnych dziedzin, dyskutujacych o najważniejszych konsekwencjach rozwoju AI w niezobowiązującej formie niemal prywatnego spotkania w zakątku wybrzeża Kalifornii nazwanym Asilomar. Dzieje się to 42 lata po podobnym spotkaniu, którego tematem była inżynieria genetyczna. Zanim odrodzą się w nas lęki przed apokalipsą, warto obejrzeć liczne filmiki, które dyskutantów zamieścili na YouTube w celu oświecenia publicznego.

Dodane 21.02.2017 r.
Plonem wspomnianej konferencji są 23 zasady dotyczące AI (tzw. Asilomar AI Principles, źródło: https://futureoflife.org/ai-principles/?imm_mid=0ed865&cmp=em-data-na-na-newsltr_ai_20170220):
Research Issues:
1) Research Goal: The goal of AI research should be to create not undirected intelligence, but beneficial intelligence.
2) Research Funding: Investments in AI should be accompanied by funding for research on ensuring its beneficial use, including thorny questions in computer science, economics, law, ethics, and social studies, such as:

    How can we make future AI systems highly robust, so that they do what we want without malfunctioning or getting hacked?
How can we grow our prosperity through automation while maintaining people’s resources and purpose?
How can we update our legal systems to be more fair and efficient, to keep pace with AI, and to manage the risks associated with AI?
What set of values should AI be aligned with, and what legal and ethical status should it have?

3) Science-Policy Link: There should be constructive and healthy exchange between AI researchers and policy-makers.
4) Research Culture: A culture of cooperation, trust, and transparency should be fostered among researchers and developers of AI.
5) Race Avoidance: Teams developing AI systems should actively cooperate to avoid corner-cutting on safety standards.
Ethics and Values
6) Safety: AI systems should be safe and secure throughout their operational lifetime, and verifiably so where applicable and feasible.
7) Failure Transparency: If an AI system causes harm, it should be possible to ascertain why.
8) Judicial Transparency: Any involvement by an autonomous system in judicial decision-making should provide a satisfactory explanation auditable by a competent human authority.
9) Responsibility: Designers and builders of advanced AI systems are stakeholders in the moral implications of their use, misuse, and actions, with a responsibility and opportunity to shape those implications.
10) Value Alignment: Highly autonomous AI systems should be designed so that their goals and behaviors can be assured to align with human values throughout their operation.
11) Human Values: AI systems should be designed and operated so as to be compatible with ideals of human dignity, rights, freedoms, and cultural diversity.
12) Personal Privacy: People should have the right to access, manage and control the data they generate, given AI systems’ power to analyze and utilize that data.
13) Liberty and Privacy: The application of AI to personal data must not unreasonably curtail people’s real or perceived liberty.
14) Shared Benefit: AI technologies should benefit and empower as many people as possible.
15) Shared Prosperity: The economic prosperity created by AI should be shared broadly, to benefit all of humanity.
16) Human Control: Humans should choose how and whether to delegate decisions to AI systems, to accomplish human-chosen objectives.
17) Non-subversion: The power conferred by control of highly advanced AI systems should respect and improve, rather than subvert, the social and civic processes on which the health of society depends.
18) AI Arms Race: An arms race in lethal autonomous weapons should be avoided.
Longer-term Issues
19) Capability Caution: There being no consensus, we should avoid strong assumptions regarding upper limits on future AI capabilities.
20) Importance: Advanced AI could represent a profound change in the history of life on Earth, and should be planned for and managed with commensurate care and resources.
21) Risks: Risks posed by AI systems, especially catastrophic or existential risks, must be subject to planning and mitigation efforts commensurate with their expected impact.
22) Recursive Self-Improvement: AI systems designed to recursively self-improve or self-replicate in a manner that could lead to rapidly increasing quality or quantity must be subject to strict safety and control measures.
23) Common Good: Superintelligence should only be developed in the service of widely shared ethical ideals, and for the benefit of all humanity rather than one state or organization.

Dodane 24.02.2017
Strona konferencji noszącej nazwę Beneficial AI 2017, zorganizowanej przez Future of Life Institute znajduje się tutaj i zawiera bardzo wiele różnych, niezwykle interesujących materiałów, których autorami są znani badacze. Lektura konieczna.

AI DIY

O’Reilly donosi o rożnych miejscach w sieci, gdzie można nauczyć się wykorzystywania bibliotek obsługujących AI do różnych celów np. jak zbudować szybką uczącą się maszynę za mniej niż 1K $, napisać kod sterujący autonomicznym samochodem lub realizujący tzw. algorytmic trading, czyli zautomatyzowany handel papierami wartościowymi np. akcjami. Te ostatnie liczą w dodatku mniej niż 100 linii.