Kde sledovať umelú inteligenciu? Univerzita v San Diegu odporúča 12 odborných zdrojov, ktoré sa oplatí poznať

Problémom už nie je nedostatok informácií, ale ich kvalita

Kto sa pred niekoľkými rokmi zaujímal o umelú inteligenciu, musel často vyhľadávať odborné publikácie a technické diskusie. Dnes je situácia opačná. Informácií je také množstvo, že vybrať si dôveryhodné a relevantné zdroje predstavuje samostatnú zručnosť.

Technologické spoločnosti pravidelne oznamujú nové modely a funkcie. Médiá informujú o ich možných spoločenských dôsledkoch. Výskumníci publikujú štúdie, nezávislí autori pripravujú návody a používatelia zdieľajú vlastné skúsenosti.

Každý z týchto typov obsahu môže byť užitočný, ale neponúka rovnaký druh poznania. Oznámenie výrobcu vysvetľuje, čo spoločnosť uvádza na trh. Vedecká práca skúma konkrétnu výskumnú otázku. Používateľská recenzia ukazuje skúsenosť za určitých podmienok. Popularizačný článok zasa pomáha náročnú tému sprostredkovať širšej verejnosti.

Ak tieto rozdiely prehliadame, môžeme si pomýliť marketingové tvrdenie s nezávislým dôkazom alebo predbežný výskumný výsledok s technológiou pripravenou na každodenné používanie.

University of San Diego na svojom vzdelávacom portáli zverejnila výber dvanástich AI blogov. Výber pripravili autori spätí so študijným programom aplikovanej umelej inteligencie. Zaujímavý je tým, že sa neobmedzuje na jednu technologickú spoločnosť alebo jeden spôsob používania AI.

Pri jeho využívaní však treba zohľadniť aj časový kontext. Niektoré odporúčané články pochádzajú zo staršieho obdobia. Zoznam preto treba chápať ako mapu informačných zdrojov, nie ako automaticky aktuálny prehľad všetkých najnovších výskumov.

Výskumné laboratóriá: informácie priamo od tvorcov technológií

Prvú skupinu tvoria blogy organizácií, ktoré sa podieľajú na vývoji modelov a nových metód umelej inteligencie.

OpenAI Blog poskytuje informácie o výskume, modeloch, produktových zmenách a bezpečnostných otázkach. Je vhodný pre čitateľov, ktorí chcú vedieť, ako výrobca vysvetľuje vlastné technologické rozhodnutia.

Pri čítaní treba odlišovať výsledky meraní od interpretácií ich významu. Výrobca má prirodzený záujem prezentovať svoje inovácie pozitívne. To samo osebe neznižuje hodnotu technických informácií, ale pripomína potrebu porovnávania s ďalšími zdrojmi.

Google Research Blog pokrýva širokú škálu výskumných problémov. Venuje sa strojovému učeniu, práci s jazykom, obrazovému spracovaniu aj vedeckým aplikáciám.

Google DeepMind Blog sa výraznejšie sústreďuje na pokročilý výskum AI, napríklad učenie posilňovaním, robotiku alebo využitie modelov pri riešení náročných vedeckých úloh.

Tieto dva zdroje sa môžu na prvý pohľad podobať, no nie sú obsahovo totožné. Google Research poskytuje širší pohľad na technologický výskum spoločnosti, zatiaľ čo DeepMind ponúka hlbší kontext vybraných oblastí umelej inteligencie.

Apple Machine Learning Research zaujme predovšetkým ľudí, ktorí sledujú strojové učenie v spotrebnej elektronike. Publikácie ukazujú, ako možno modely používať v zariadeniach a službách, pri ktorých sú dôležité výkon, energetická náročnosť a súkromie.

Pre čitateľa PoznAI má táto skupina zdrojov osobitnú hodnotu: umožňuje sledovať, ako samotní vývojári opisujú možnosti aj obmedzenia svojich technológií.

Univerzitný výskum: pohľad za hranice produktových oznámení

Druhá skupina prináša pohľad akademických pracovísk.

Berkeley Artificial Intelligence Research Blog (BAIR) predstavuje výskum umelej inteligencie na Kalifornskej univerzite v Berkeley. Zaoberá sa okrem iného robotikou, hlbokým učením a interakciou človeka s AI.

Jeho prednosťou je možnosť sledovať nové výskumné myšlienky ešte pred tým, ako sa stanú súčasťou komerčných aplikácií. Treba však rozlišovať medzi experimentálnym výsledkom a prakticky overeným riešením. To, že metóda funguje v laboratórnych podmienkach, neznamená, že je pripravená na nasadenie vo firme, škole alebo zdravotníctve.

MIT News – Artificial Intelligence poskytuje širší pohľad na výskum umelej inteligencie a jeho využitie. Témy prepája s medicínou, vzdelávaním, technickými vedami a spoločenskými otázkami.

V porovnaní s odbornou vedeckou publikáciou bývajú správy MIT prístupnejšie. To však neznamená, že ide vždy o podrobné metodologické analýzy. Pri dôležitých tvrdeniach je vhodné vyhľadať pôvodnú štúdiu, na ktorú článok odkazuje.

Ak sa napríklad dozvieme o novom modeli využívanom pri medicínskom výskume, mali by nás zaujímať použité dáta, počet skúmaných prípadov, spôsob hodnotenia a obmedzenia výsledkov. Práve schopnosť klásť podobné otázky odlišuje odborné vzdelávanie od pasívneho sledovania noviniek.

Praktické zdroje: keď chceme nové poznatky skutočne používať

Nie každý potrebuje rozumieť matematickej architektúre modelov. Veľa ľudí hľadá predovšetkým zrozumiteľné vysvetlenia a použiteľné pracovné postupy.

Machine Learning Mastery, projekt spojený s Jasonom Brownleem, sa sústreďuje na praktické návody z oblasti strojového učenia. Je vhodný najmä pre ľudí, ktorí chcú postupne pochopiť modelovanie dát, experimentovanie a vyhodnocovanie algoritmov.

AWS Machine Learning Blog približuje využívanie strojového učenia v cloudových službách Amazon Web Services. Hodí sa pre technických pracovníkov a organizácie, ktoré uvažujú o integrácii AI do vlastných systémov. Treba si však uvedomiť, že technické návody poskytovateľa cloudových služieb prirodzene vychádzajú z jeho technologického prostredia.

KDnuggets spája dátovú analytiku, strojové učenie a praktické podnikové aplikácie. Jeho obsah môže osloviť analytikov, manažérov aj ľudí, ktorí sa začínajú orientovať v dátovej vede.

Towards AI publikuje príspevky z viacerých oblastí AI. Rozdielna úroveň odbornosti jednotlivých autorov znamená, že každý článok treba posudzovať samostatne.

Pri týchto zdrojoch má zmysel sústrediť sa na použiteľnosť poznatkov. Dobrý návod by mal vysvetliť, aký problém rieši, aké predpoklady vyžaduje, za akých podmienok funguje a ako overiť výsledok. Bez posledného kroku môže aj technicky presvedčivý postup viesť k nesprávnym záverom.

Technologické správy a podnikateľské súvislosti

Zvyšné dva zdroje dopĺňajú výskumné a vzdelávacie blogy o pohľad na technologické dianie.

MarkTechPost publikuje články o nových výskumných výsledkoch, modeloch a praktických aplikáciách. Je užitočný na rýchlu orientáciu v odborných témach, ktoré by inak vyžadovali vyhľadávanie mnohých jednotlivých štúdií.

TOPBOTS sa podľa prehľadu University of San Diego viac sústreďuje na využitie AI v podnikaní, stratégiu a obchodné procesy.

Pre firmy môže byť zaujímavý najmä rozdiel medzi technologickou možnosťou a ekonomickou návratnosťou. Model môže automatizovať určitú činnosť, no to ešte neznamená, že jeho nasadenie bude výhodné. Do rozhodovania vstupujú licencie, integrácia, školenia zamestnancov, kontrola výsledkov aj bezpečnostné požiadavky.

Práve podnikovo orientované zdroje môžu pomôcť uvažovať o týchto otázkach v súvislostiach.

Ako si vybrať informačné zdroje podľa vlastných potrieb

Dvanásť odporúčaných blogov neznamená, že musíme všetky pravidelne čítať. Užitočnejšie je vytvoriť si vlastný malý informačný systém.

Človeku, ktorý pracuje v školstve, môžu stačiť dva alebo tri zdroje zamerané na výskum a spoločenské dopady. Programátor bude pravdepodobne uprednostňovať technické návody. Manažér zase potrebuje poznať možnosti nasadenia, náklady a riziká. Dôležitá je pravidelnosť a schopnosť vyhodnotiť, čo má skutočný význam.

Ako čítať informácie o AI kriticky

Pri každom významnejšom tvrdení sa oplatí položiť niekoľko otázok.

Kto informáciu zverejnil? Je autorom výskumník, výrobca, novinár alebo nezávislý používateľ? Na akých dôkazoch tvrdenie stojí? Ide o výsledok merania, praktickú skúsenosť alebo odhad?

Rovnako dôležité je zisťovať, čo sa presne meralo. Ak sa dozvieme, že model prekonal človeka, potrebujeme vedieť, v akej úlohe, podľa akej metodiky a za akých podmienok.

Odborný text, ktorý uvádza obmedzenia svojich záverov, môže byť dôveryhodnejší než sebavedomé tvrdenie o technologickom prevrate. Treba myslieť aj na rýchle zastarávanie informácií. Článok o cene, dostupnosti alebo funkciách konkrétneho modelu môže stratiť aktuálnosť v priebehu niekoľkých mesiacov. Naopak, vysvetlenie základných princípov strojového učenia môže zostať hodnotné dlhé roky.

Prakticky sa osvedčuje vyhradiť si čas na pravidelný prehľad a každý týždeň podrobnejšie preskúmať iba jednu alebo dve témy. AI môže pomôcť so sumarizáciou, ale pri rozhodujúcich informáciách je potrebné pracovať s pôvodnými zdrojmi.

Záver: Dobrý výber zdrojov je základom AI gramotnosti

Prehľad University of San Diego pripomína, že umelá inteligencia nie je jedna aplikácia ani jedna výskumná disciplína. Je to rozsiahla technologická oblasť, v ktorej sa stretáva informatika, matematika, ekonomika, vzdelávanie a spoločenské vedy.

Sledovať iba jednu spoločnosť znamená poznať iba časť celého obrazu. Rovnako nestačí čítať výlučne populárne správy alebo technické príručky.

Najlepšou informačnou stratégiou preto nie je konzumovať čo najviac obsahu, ale vyberať zdroje, ktorým rozumieme, vieme ich porovnávať a dokážeme poznatky použiť.

Takýto prístup je dôležitý aj pre PoznAI. Cieľom AI vzdelávania nemá byť zapamätanie si najnovšieho názvu modelu, ale schopnosť samostatne posudzovať technologické informácie a robiť zodpovedné rozhodnutia.

Zdroje

Hlavný zdroj: University of San Diego, The 12 Best AI Blogs You Should Be Following.

https://onlinedegrees.sandiego.edu/ai-blogs/

Uvedené odborné zdroje: OpenAI Blog, Machine Learning Mastery, AWS Machine Learning Blog, Berkeley AI Research, Google Research, Google DeepMind, MIT News, KDnuggets, MarkTechPost, Towards AI, Apple Machine Learning Research a TOPBOTS.

Redakčná poznámka: Článok je samostatným spracovaním výberu University of San Diego. Hodnotiace odporúčania a príklady kritického čítania sú redakčným rozšírením pôvodného zdroja.

Pokračujte vo vzdelávaní s PoznAI

Nestačí vedieť, kde nájdeme informácie. Potrebujeme im aj rozumieť, rozlišovať fakty od interpretácií a overovať výsledky. Práve na týchto schopnostiach stojí dlhodobo využiteľná AI gramotnosť.

https://www.poznai.sk