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.

AI jako problem nie tylko technologiczny

Dwie ważne informacje z pola społecznych i kulturowych kontekstów AI: po pierwsze do zespołu firm, które tworzą Partnership On AI (opisane wcześniej) dołączyło Apple. Dokładniejszy opis okoliczności znajduje się w tekście Jeremy’ego Hsu. Pojawia się tam także druga ważna informacja: The MIT Media Lab i the Berkman Klein Center for Internet and Society at Harvard University stały się dwiema założycielskimi stronami globalnego przedsięwzięcia, stawiającego obie za cel zlikwidowanie luki między humanistyką, naukami społecznymi i informatyką, stwarzając multidyscyplinarne podstawy analizy AI dla powszechnego dobra. W doniesieniu z dn.10 stycznia 2017 roku podani są donatorzy, którzy zebrali 27 mln $ na fundusz mający wspierać stosowne „wysiłki i społeczności”, a także tworzyć sieć współpracy bardzo rożnych podmiotów w obszarze, który „will include questions that address society’s ethical expectations of AI, using machine learning to learn ethical and legal norms from data, and using data-driven techniques to quantify the potential impact of AI, for example, on the labor market”.

Sieć społeczna Trumpa

Wired opublikował obraz niezwykle złożonej i licznej sieci społecznej Trumpa, którą sporządził Kim Albrecht. Potwierdza się reguła, że bogata sieć społeczna jest kluczem do sukcesu (w prosty i kompetentny sposób opisują to Fowler i Christakis w książce pt. W sieci. Jak sieci społeczne kształtują na życie, Smak Słowa, Sopot, 2011). Natomiast jeżeli chodzi o wiedzę, kompetencje itp. to najwyraźniej niekoniecznie.

TrumpConnectionsHP

Źródło: https://www.wired.com/2017/01/kim-albrecht-trump-data-viz/