क्या कृत्रिम बुद्धिमत्ता शोधकर्ता उन्हें अपने काम का परीक्षण सौंप सकते हैं?

वर्जीनिया इंस्टीट्यूट ऑफ टेक्नोलॉजी के एक मशीन सीखने वाले शोधकर्ता ने एक दस्तावेज़ में पाठ और ग्राफिक्स की उपस्थिति का मूल्यांकन करते हुए, एआई का उपयोग करके वैज्ञानिक कागजात की समीक्षा करने का एक तरीका प्रस्तावित किया है। क्या स्वतंत्र कार्य की समीक्षा की प्रक्रिया को गति देने के लिए वैज्ञानिक कार्य की "पूर्णता" का आकलन करने के लिए उसके तरीके पर्याप्त होंगे?

मशीन लर्निंग के क्षेत्र में, अनुसंधान का एक हिमस्खलन है। Google क्लिफ यंग के इंजीनियर ने मूर के नियम के साथ इस स्थिति की तुलना की , एआई के विषय पर प्रकाशनों के लिए अनुकूलित - इस विषय पर शैक्षणिक पत्रों की संख्या arXiv वेबसाइट पर हर 18 महीने में दोगुनी हो जाती है।

और यह स्थिति तब समस्या पैदा करती है जब कार्यों की समीक्षा करते हैं - एआई के क्षेत्र में अनुभवी शोधकर्ता प्रत्येक नए काम को ध्यान से पढ़ने के लिए बस पर्याप्त नहीं हैं। क्या वैज्ञानिक एआई को नौकरियों को स्वीकार करने या अस्वीकार करने के लिए सौंप सकते हैं?

यह दिलचस्प सवाल हाल ही में arXiv वेबसाइट पर प्रकाशित एक रिपोर्ट द्वारा उठाया गया है; काम के लेखक, मशीन सीखने के शोधकर्ता जिया-बिन हुआंग, ने इसे "दीप वर्क गेस्टाल्ट" कहा।

2013 के बाद से प्रकाशित 5,000 कार्यों के माध्यम से झारना ने एक मान्यता प्राप्त तंत्रिका नेटवर्क का उपयोग किया, छवि मान्यता के लिए उपयोग किया जाने वाला एक सामान्य मशीन लर्निंग टूल। जुआन लिखते हैं कि काम की केवल एक उपस्थिति के अनुसार - पाठ और छवियों का मिश्रण - उनका तंत्रिका नेटवर्क 92% की सटीकता के साथ वैज्ञानिक अभिलेखागार में "अच्छे" कार्य को शामिल करने में अंतर कर सकता है।

शोधकर्ताओं के लिए, इसका अर्थ है कि उनके दस्तावेज़ की उपस्थिति में कुछ चीजें सबसे महत्वपूर्ण भूमिका निभाती हैं: शोध पत्र के पहले पृष्ठ पर उज्ज्वल चित्र और सभी पृष्ठों को पाठ के साथ भरना, ताकि अंतिम पृष्ठ के अंत में कोई खाली जगह न हो।


जुआन का दृढ़ नेटवर्क तंत्रिका नेटवर्क हजारों अनुमोदित और अप्रभावित वैज्ञानिक पत्रों को पचाता है, जो ताकत और कमजोरियों का "हीट मैप" बनाता है। उन कार्यों की सबसे बड़ी गलतियां जो चयन को पारित नहीं करती थीं: रंगीन चित्रों की कमी और अंतिम पृष्ठ के अंत में एक खाली स्थान।

जुआन ने 2010 से फीनिक्स विश्वविद्यालय के कारवेन वॉन बेरेन्सक्वाश द्वारा लिखित एक और काम पर अपने काम को आधार बनाया। काम में गहन प्रशिक्षण का उपयोग नहीं किया गया था, कंप्यूटर दृष्टि की पारंपरिक तकनीक, काम का "एक नज़र सामान्य रूप में मूल्यांकन" करने और यह निष्कर्ष निकालने के लिए कि क्या यह काम को मंजूरी देने के लायक है।

इस विचार का उपयोग करते हुए, जुआन ने पिछले पांच वर्षों में कंप्यूटर दृष्टि, सीवीपीआर और आईसीसीवी पर दो प्रमुख सम्मेलनों में कंप्यूटर के 5618 कार्यों को खिलाया। जुआन ने सम्मेलन कार्यशालाओं में प्रस्तुत किए गए कार्यों को भी एकत्र किया, जिन्होंने अस्वीकार किए गए कार्यों की भूमिका निभाई - चूंकि सम्मेलनों में अस्वीकार किए गए कार्यों तक कोई पहुंच नहीं है।

जुआन ने "अच्छे" और "बुरे" के द्विआधारी परिणाम के साथ अतीत के काम को जोड़ने के लिए नेटवर्क को प्रशिक्षित किया और उनमें से "पूर्णता" या जेस्टाल्ट के संकेतों को अलग करने के लिए। गेस्टाल्ट एक संपूर्ण है जो इसके भागों के योग के आकार से अधिक है। यह वही है जो मशीन लर्निंग अग्रणी टेरी सीनोवस्की ने "सार्वभौमिक संगठित धारणा" कहा, जो आपके लिए निकटता में क्षेत्र की पहाड़ियों और खाइयों की तुलना में अधिक सार्थक है।

प्रशिक्षित नेटवर्क को तब नौकरियों के सबसेट पर परीक्षण किया गया था जो पहले नहीं देखा था। प्रशिक्षण ने झूठी सकारात्मकता को स्वीकार किया - जो काम अस्वीकार करने के लायक था - झूठे इनकार के साथ, अस्वीकार किए गए कार्य को स्वीकार करने लायक था।

"अच्छा", लेकिन अस्वीकृत नौकरियों की संख्या को सीमित करके, 0.4% - केवल 4 नौकरियां हैं - नेटवर्क "खराब" नौकरियों में से आधे को सही ढंग से अस्वीकार करने में सक्षम था जिसे अस्वीकार करने की आवश्यकता थी।

लेखक ने अपने स्वयं के तंत्रिका नेटवर्क के अपने काम को खिलाने के बारे में भी सोचा। नतीजतन, तंत्रिका नेटवर्क ने इसे अस्वीकार कर दिया: “हमने इस काम के लिए एक प्रशिक्षित क्लासिफायरियर लागू किया। हमारे नेटवर्क ने बेरहमी से भविष्यवाणी की कि 97% की संभावना के साथ इस काम को एक स्वतंत्र समीक्षा के बिना खारिज कर दिया जाना चाहिए। ”

इन कॉस्मेटिक आवश्यकताओं के बारे में - लेख में सुंदर चित्र - जुआन केवल काम के परिणामों का वर्णन नहीं करता है। वह कोड भी प्रदान करता है जो आपको अच्छा दिखने वाला काम बनाने की अनुमति देता है। वह "अच्छा" कार्य को जनरेटिंग-प्रतिस्पर्धी नेटवर्क के प्रशिक्षण डेटाबेस में फीड करता है, जो उदाहरणों से सीखते हुए एक नई योजना बना सकता है।

जुआन एक तीसरा घटक भी प्रदान करता है, अस्वीकार किए गए कार्य को "स्वीकार्य", "स्वचालित रूप से आने वाले काम में बदलने की आवश्यकता पर सलाह देना", उदाहरण के लिए, "ध्यान आकर्षित करने के लिए एक तस्वीर जोड़ें और अंतिम पृष्ठ पर एक तस्वीर"।

जुआन का सुझाव है कि इस तरह की नौकरी की मंजूरी प्रक्रिया समीक्षकों पर बोझ को कम करने के लिए "पूर्व-फ़िल्टर" हो सकती है, क्योंकि वह कुछ सेकंड में हजारों नौकरियों को देख सकते हैं। और फिर भी, "यह संभावना नहीं है कि एक वास्तविक सम्मेलन में इस तरह के एक वर्गीकरण का उपयोग किया जाएगा," लेखक ने निष्कर्ष निकाला।

कार्य की एक सीमा जो इसके उपयोग को प्रभावित कर सकती है वह यह है कि भले ही कार्य की उपस्थिति, इसका दृश्य हाव-भाव, ऐतिहासिक परिणामों से मेल खाता हो, यह कार्य में वास्तविक मूल्य के अस्तित्व की गारंटी नहीं देता है।

जुआन के अनुसार, "कार्य की सामग्री को अनदेखा करना, हम अच्छी सामग्री और खराब दृश्य डिजाइन के साथ काम को अस्वीकार कर सकते हैं, या बेकार काम को स्वीकार कर सकते हैं जो अच्छा दिखता है।"