Andrew Ng : Même avec le buzz de l’IA générative, l’apprentissage supervisé créera « plus de valeur » à court docket terme

On arrive rarement à engager une dialog avec une personne comme André Ng, qui a laissé un affect indélébile en tant qu’éducateur, chercheur, innovateur et chief dans les domaines de l’intelligence artificielle et de la technologie. Heureusement, j’ai récemment eu le privilège de le faire. Notre article détaillant le lancement de la resolution de imaginative and prescient par ordinateur basée sur le cloud de Touchdown AI, Objectif d’atterrissagedonne un aperçu de mon interplay avec Ng, fondateur et PDG de Touchdown AI.

Aujourd’hui, nous approfondissons les réflexions de ce chief technologique pionnier.

Parmi les personnalités les plus en vue de l’IA, Andrew Ng est également le fondateur de DeepLearning.AI, co-président et cofondateur de Coursera, et professeur auxiliaire à l’Université de Stanford. En outre, il a été scientifique en chef chez Baidu et fondateur du Google Mind Mission.

Notre rencontre a eu lieu à un second de l’évolution de l’IA marqué à la fois par l’espoir et la controverse. Ng a parlé de l’ébullition soudaine IA générative la guerre, les views d’avenir de la technologie, son level de vue sur la façon de s’entraîner efficacement IA/ML modèles et l’approche optimale pour la mise en œuvre de l’IA.

Cette interview a été éditée pour plus de clarté et de concision.

Momentum à la hausse pour l’IA générative et l’apprentissage supervisé

VentureBeat : Au cours de l’année écoulée, des modèles d’IA génératifs tels que ChatGPT/GPT-3 et DALL-E 2 ont fait la une des journaux pour leurs prouesses en matière de génération d’photos et de texte. Selon vous, quelle est la prochaine étape dans l’évolution de l’IA générative ?

Andrew Ng : Je crois que l’IA générative est très similaire à l’apprentissage supervisé et à une technologie à utilization général. Je me souviens il y a ten ans avec la montée de l’apprentissage en profondeur, les gens disaient instinctivement que des choses comme l’apprentissage en profondeur transformeraient une industrie ou une entreprise particulière, et ils avaient souvent raison. Mais même alors, une grande partie du travail consistait à déterminer exactement quel cas d’utilisation l’apprentissage en profondeur serait relevant à la transformation.

Nous sommes donc dans une section très précoce de détermination des cas d’utilisation spécifiques où l’IA générative a du sens et transformera différentes entreprises.

De plus, même s’il y a actuellement beaucoup de buzz autour de l’IA générative, il y a encore un énorme élan derrière des applied sciences telles que l’apprentissage supervisé, d’autant plus que l’étiquetage right des données est si précieux. Un tel élan croissant me dit que dans les deux prochaines années, l’apprentissage supervisé créera plus de valeur que l’IA générative.

En raison du taux de croissance annuel de l’IA générative, dans quelques années, il deviendra un outil de plus à ajouter au portefeuille d’outils dont disposent les développeurs d’IA, ce qui est très excitant.

VB : Remark Touchdown AI voit-il les opportunités représentées par l’IA générative ?

Ng : Touchdown AI se concentre actuellement sur l’aide à nos utilisateurs pour créer des imaginative and prescient par ordinateur systèmes. Nous avons des prototypes internes explorant des cas d’utilisation pour l’IA générative, mais rien à annoncer pour le second. Un grand nombre de nos annonces d’outils through Touchdown AI visent à aider les utilisateurs à inculquer l’apprentissage supervisé et à démocratiser l’accès pour la création d’algorithmes d’apprentissage supervisé. Nous avons quelques idées autour de l’IA générative, mais rien à annoncer pour le second.

Expérimentation nouvelle génération

VB : Quelles sont quelques functions d’IA génératives futures et existantes qui vous passionnent, le cas échéant ? Après les photos, les vidéos et le texte, y a-t-il autre selected qui vient ensuite pour l’IA générative ?

Ng : J’aimerais pouvoir faire une prédiction très confiante, mais je pense que l’émergence de ces applied sciences a poussé de nombreux particuliers, entreprises et investisseurs à consacrer beaucoup de ressources à l’expérimentation de applied sciences de nouvelle génération pour différents cas d’utilisation. La quantité d’expérimentation est passionnante, cela signifie que très bientôt nous verrons beaucoup de cas d’utilisation précieux. Mais il est encore un peu tôt pour prédire quels seront les cas d’utilisation les plus intéressants.

Je vois beaucoup de startups mettre en œuvre des cas d’utilisation autour du texte, et résumer ou répondre à des questions à ce sujet. Je vois des tonnes d’entreprises de contenu, y compris des éditeurs, se connecter à des expériences où elles essaient de répondre à des questions sur leur contenu.

Même les investisseurs sont encore en prepare de déterminer le domaine, donc explorer davantage la consolidation et identifier où se trouvent les routes sera un processus intéressant automobile l’industrie déterminera où et quelles sont les entreprises les plus défendables.

Je suis surpris par le nombre de startups qui expérimentent cette selected. Toutes les startups ne réussiront pas, mais les apprentissages et les idées de nombreuses personnes qui le découvriront seront précieux.

VB : Les considérations éthiques ont été au premier plan des conversations sur l’IA générative, compte tenu des problèmes que nous constatons dans ChatGPT. Existe-t-il un ensemble commonplace de directives que les PDG et les directeurs strategies doivent garder à l’esprit lorsqu’ils commencent à réfléchir à la mise en œuvre d’une telle technologie ?

Ng : L’industrie de l’IA générative est si jeune que de nombreuses entreprises sont encore en prepare de déterminer les meilleures pratiques pour mettre en œuvre cette technologie de manière responsable. Les questions éthiques et les préoccupations concernant les préjugés et la génération de discours problématiques doivent vraiment être prises très au sérieux. Nous devons également être lucides sur le bien et l’innovation que cela crée, tout en étant lucides sur le mal doable.

Les conversations problématiques que l’IA de Bing a eues sont maintenant très débattues, et bien qu’il n’y ait aucune excuse pour même une seule dialog problématique, je suis vraiment curieux de savoir quel pourcentage de toutes les conversations peut réellement dérailler. Il est donc essential d’enregistrer des statistiques sur le pourcentage de réponses bonnes et problématiques que nous observons, automobile cela nous permet de mieux comprendre l’état réel de la technologie et où la prendre à partir d’ici.

Aborder les obstacles et les préoccupations concernant l’IA

VB : L’une des plus grandes préoccupations concernant l’IA est la possibilité qu’elle remplace les emplois humains. Remark pouvons-nous nous assurer que nous utilisons l’IA de manière éthique pour compléter Travail humain au lieu de le remplacer ?

Ng : Ce serait une erreur d’ignorer ou de ne pas adopter les applied sciences émergentes. Par exemple, dans un avenir proche, les artistes qui utilisent l’IA remplaceront les artistes qui n’utilisent pas l’IA. Le marché complete des œuvres d’artwork pourrait même augmenter grâce à l’IA générative, ce qui réduirait les coûts de création d’œuvres d’artwork.

Mais l’équité est une préoccupation importante, bien plus importante que l’IA générative. L’IA générative est une automatisation sous stéroïdes, et si les moyens de subsistance sont extrêmement perturbés, même si la technologie crée des revenus, les cooks d’entreprise ainsi que le gouvernement ont un rôle essential à jouer dans la réglementation des applied sciences.

VB : L’une des plus grandes critiques des modèles AI/DL est qu’ils sont souvent formés sur des ensembles de données massifs qui peuvent ne pas représenter la diversité des expériences et des views humaines. Quelles mesures pouvons-nous prendre pour nous assurer que nos modèles sont inclusifs et représentatifs, et remark pouvons-nous surmonter les limites des données de formation actuelles ?

Ng : Le problème des données biaisées conduisant à des algorithmes biaisés est maintenant largement discuté et compris dans la communauté de l’IA. Ainsi, chaque doc de recherche que vous lisez maintenant ou ceux publiés précédemment, il est clair que les différents groupes qui construisent ces systèmes prennent très au sérieux les données de représentativité et de propreté, et savent que les modèles sont loin d’être parfaits.

Les ingénieurs en apprentissage automatique qui travaillent au développement de ces systèmes de nouvelle génération sont désormais plus conscients des problèmes et déploient des efforts considérables pour collecter des données plus représentatives et moins biaisées. Nous devons donc continuer à soutenir ce travail et ne jamais nous reposer tant que nous n’aurons pas éliminé ces problèmes. Je suis très encouragé par les progrès qui continuent d’être réalisés même si les systèmes sont loin d’être parfaits.

Même les gens sont biaisés, donc si nous parvenons à créer un système d’IA beaucoup moins biaisé qu’une personne typique, même si nous n’avons pas encore réussi à limiter tous les biais, ce système peut faire beaucoup de bien dans le monde .

Devenir réel

VB : Existe-t-il des méthodes pour s’assurer que nous saisissons ce qui est réel pendant que nous recueillons des données ?

Ng : Il n’y a pas de resolution miracle. En regardant l’histoire des efforts de plusieurs organisations pour construire ces grand modèle de langage systèmes, j’observe que les strategies de nettoyage des données ont été complexes et multiformes. En fait, quand je parle d’IA centrée sur les données, beaucoup de gens pensent que la approach ne fonctionne que pour les problèmes avec de petits ensembles de données. Mais ces strategies sont tout aussi importantes pour les functions et la formation de grands modèles de langage ou de modèles de base.

Au fil des ans, nous nous sommes améliorés dans le nettoyage des ensembles de données problématiques, même si nous sommes encore loin d’être parfaits et que ce n’est pas le second de nous reposer sur nos lauriers, mais des progrès sont en cours.

VB : En tant que personne ayant été fortement impliquée dans le développement d’architectures d’IA et d’apprentissage automatique, quels conseils donneriez-vous à une entreprise non centrée sur l’IA qui souhaite intégrer l’IA ? Quelles devraient être les prochaines étapes pour commencer, à la fois pour comprendre remark appliquer l’IA et par où commencer ? Quelles sont quelques considérations clés pour développer une feuille de route concrète pour l’IA ?

Ng : Mon premier conseil est de commencer petit. Ainsi, plutôt que de s’inquiéter d’une feuille de route d’IA, il est plus essential d’intervenir et d’essayer de faire fonctionner les choses, automobile les enseignements tirés de la building du premier ou d’une poignée de cas d’utilisation créeront une base pour éventuellement créer une feuille de route d’IA.

En fait, c’est une partie de cette prise de conscience qui nous a amenés à concevoir Touchdown Lens, pour faciliter le démarrage des gens. Parce que si quelqu’un envisage de créer une utility de imaginative and prescient par ordinateur, il ne sait peut-être même pas quel funds allouer. Nous encourageons les gens à démarrer gratuitement et à essayer de faire fonctionner quelque selected et à déterminer si cette première tentative fonctionne bien ou non. Ces apprentissages en essayant d’entrer dans le monde du travail seront très précieux et fourniront une base pour décider des prochaines étapes de l’IA dans l’entreprise.

Je vois que de nombreuses entreprises mettent des mois à décider de faire ou non un investissement modeste dans l’IA, et c’est aussi une erreur. Il est donc essential de commencer et de comprendre en essayant, plutôt qu’en y pensant seulement, avec des données réelles et en observant si cela fonctionne pour vous.

VB : Certains specialists soutiennent que l’apprentissage en profondeur pourrait atteindre ses limites et que de nouvelles approches telles que l’informatique neuromorphique ou l’informatique quantique pourraient être nécessaires pour continuer à faire progresser l’IA. Quelle est votre opinion sur cette query?

Ng : Je ne suis pas d’accord. Le deep studying est loin d’avoir atteint ses limites. Je suis sûr qu’il atteindra ses limites un jour, mais pour l’instantaneous nous en sommes loin.

La quantité de développements innovants de cas d’utilisation dans l’apprentissage en profondeur est énorme. Je suis très confiant que pour les prochaines années, l’apprentissage en profondeur poursuivra son formidable élan.
Cela ne veut pas dire que d’autres approches ne seront pas également utiles, mais entre l’apprentissage en profondeur et l’informatique quantiqueje m’attends à beaucoup plus de progrès dans l’apprentissage en profondeur au cours des prochaines années.