W dzisiejszym hiperpo\u0142\u0105czonym \u015bwiecie upowszechnianie si\u0119 innowacyjnych narz\u0119dzi i technologii cz\u0119sto zale\u017cy od tego, jak u\u017cytkownicy postrzegaj\u0105 ich niezawodno\u015b\u0107 i warto\u015b\u0107 w por\u00f3wnaniu z istniej\u0105cymi rozwi\u0105zaniami. Dotyczy to w szczeg\u00f3lno\u015bci sztucznej inteligencji (AI), gdzie jej akceptacja mo\u017ce stanowi\u0107 ogromn\u0105 przeszkod\u0119. Maj\u0105c to na uwadze, pi\u0119ciu prze\u0142omowych doktorant\u00f3w z pierwszej edycji letniego programu MIT-IBM Watson AI Lab wytycza nowe kierunki rozwoju technologii AI. Pracuj\u0105 oni niestrudzenie nad tym, by sztuczna inteligencja sta\u0142a si\u0119 bardziej godna zaufania, wydajna i u\u017cyteczna w r\u00f3\u017cnych dziedzinach.<\/p>\n
Powiedzenie \u201cufaj, ale weryfikuj\u201d nigdy nie mia\u0142o wi\u0119kszego zastosowania ni\u017c w kontek\u015bcie sztucznej inteligencji. Andrey Bryutkin, doktorant z MIT, dog\u0142\u0119bnie zbada\u0142 kwesti\u0119 wiarygodno\u015bci du\u017cych modeli uczenia si\u0119 (LLM). Pod kierunkiem Veroniki Thost z IBM Research oraz Marzyeh Ghassemi z MIT jego badania koncentruj\u0105 si\u0119 na wykorzystaniu nieod\u0142\u0105cznych struktur, takich jak z\u0142o\u017cone r\u00f3wnania i prawa zachowania, w celu tworzenia modeli, kt\u00f3re s\u0105 solidne i niezawodne.<\/p>\n
Zesp\u00f3\u0142 Bryutkina zajmuje si\u0119 istotnym problemem \u2013 \u201cniepewno\u015bci\u0105 niepewno\u015bci\u201d w modelach LLM, gdzie tradycyjne metody wykorzystuj\u0105ce ma\u0142e sieci neuronowe (sondy) cz\u0119sto nie s\u0105 w stanie wykry\u0107 niewiarygodnych wynik\u00f3w. Jego celem jest zaradzenie tej sytuacji poprzez analiz\u0119 ukrytych aspekt\u00f3w, takich jak wektory aktywacji i ko\u0144cowe tokeny modeli LLM, z wykorzystaniem par \u201eprompt-etykieta\u201d, co nie tylko pomaga zidentyfikowa\u0107 problematyczne obszary danych, ale tak\u017ce ujawnia niesp\u00f3jno\u015bci w etykietowaniu, wzmacniaj\u0105c w ten spos\u00f3b budow\u0119 niezawodnych system\u00f3w sztucznej inteligencji.<\/p>\n
Jednak wiarygodno\u015b\u0107 sztucznej inteligencji nie jest jedyn\u0105 przeszkod\u0105, z kt\u00f3r\u0105 si\u0119 zmagamy. Doktorant fizyki Jinyeop Song zajmuje si\u0119 problemem \u201chalucynacji\u201d w modelach LLM. Dzi\u0119ki wykorzystaniu wiarygodnych zewn\u0119trznych \u017ar\u00f3de\u0142 wiedzy, takich jak Freebase i Wikidata, Song d\u0105\u017cy do tego, by pom\u00f3c modelom LLM w bardziej efektywnym pozyskiwaniu dok\u0142adnych informacji. W tym celu wsp\u00f3\u0142pracuje z Yada Zhu z IBM Research oraz Julianem Shunem z MIT nad opracowaniem platformy uczenia si\u0119 przez wzmocnienie, kt\u00f3ra usprawnia tradycyjne, wymagaj\u0105ce du\u017cych zasob\u00f3w procesy wieloagentowe dzi\u0119ki wykorzystaniu pojedynczego, inteligentnego agenta.<\/p>\n
Tymczasem Songlin Yang, doktorant na wydziale EECS, d\u0105\u017cy do harmonizacji \u015bwiata sztucznej inteligencji poprzez opracowywanie nowej architektury modeli j\u0119zykowych, kt\u00f3re w ekonomiczny spos\u00f3b radz\u0105 sobie z d\u0142ugimi, zmieniaj\u0105cymi si\u0119 sekwencjami danych wej\u015bciowych. R\u00f3wnolegle Jovana Kondic z MIT rewolucjonizuje spos\u00f3b, w jaki sztuczna inteligencja rozumie dane wizualne, zw\u0142aszcza skomplikowane elementy, takie jak wykresy, kt\u00f3re wymagaj\u0105 zar\u00f3wno optycznego rozpoznawania znak\u00f3w, jak i wnioskowania.<\/p>\n
Nie mo\u017cna te\u017c zapomnie\u0107 o Leonardo Hernandezie Cano, kt\u00f3ry bada zastosowania sztucznej inteligencji w projektowaniu cyfrowym. W szczeg\u00f3lno\u015bci uczy on sztuczn\u0105 inteligencj\u0119 generowania realistycznych tekstur na podstawie obraz\u00f3w zdefiniowanych przez u\u017cytkownika na potrzeby aplikacji CAD, toruj\u0105c drog\u0119 do niespotykanych dot\u0105d mo\u017cliwo\u015bci w zakresie tworzenia materia\u0142\u00f3w cyfrowych o okre\u015blonych w\u0142a\u015bciwo\u015bciach wizualnych.<\/p>\n
Wsp\u00f3lne wysi\u0142ki tych pocz\u0105tkuj\u0105cych naukowc\u00f3w stanowi\u0105 sp\u00f3jny krok w kierunku stworzenia sztucznej inteligencji, kt\u00f3ra b\u0119dzie pot\u0119\u017cna, a jednocze\u015bnie praktyczna i niezawodna. Zajmuj\u0105c si\u0119 kluczowymi wyzwaniami w zakresie zaufania, wydajno\u015bci i zrozumienia, wraz ze swoimi mentorami k\u0142ad\u0105 solidne fundamenty pod praktyczne zastosowania sztucznej inteligencji \u2013 od bada\u0144 naukowych po oprogramowanie dla przedsi\u0119biorstw. Ich nieustanna determinacja przenosi technologi\u0119 sztucznej inteligencji z laboratori\u00f3w na rzeczywiste platformy, kszta\u0142tuj\u0105c nasz\u0105 przysz\u0142o\u015b\u0107 w spos\u00f3b, kt\u00f3rego jeszcze nie jeste\u015bmy w stanie sobie wyobrazi\u0107.<\/p>\n