Rozwój uczenia maszynowego jest dziś ograniczony przez sposób uprawiania nauki. Za bardzo stawiamy na szybkość i optymalizację algorytmów, a za mało na nowatorstwo i praktyczne zastosowania.

Na początku roku prof. Yoshua Bengio, jeden z twórców uczenia głębokiego, zasugerował na swoim blogu, że być może nadszedł już czas na zmianę modelu prowadzenia badań w dziedzinie sztucznej inteligencji. Jego zdaniem w ciągu ostatnich kilkudziesięciu lat rzeczywistość, w jakiej funkcjonują naukowcy, uległa znacznym przeobrażeniom. Obecnie prace badawcze są prowadzone w atmosferze większego współzawodnictwa, a na rzetelną weryfikację wyników często brakuje czasu.

Pośpiech nie służy nauce

W przypadku uczenia maszynowego sytuację tę najlepiej odzwierciedla sposób ogłaszania wyników badań, który sprowadza się głównie do publikacji pokonferencyjnych. W rezultacie, przekonuje Bengio, artykuły powstają naprędce, bez niezbędnego dystansu na refleksję. Brakuje także rzetelnych opinii recenzentów.

Tymczasem, zdaniem kanadyjskiego badacza, najważniejsze przełomy naukowe nie rodzą się w pośpiechu. Potrzeba do nich czasu, spokoju i krytycznego namysłu. Niestety, współczesny model prowadzenia badań utrudnia taką postawę, przez co skutkuje niewielkimi przyrostami wiedzy w dobrze zdefiniowanych obszarach, spowalniając tworzenie nowych paradygmatów.

Rewolucjoniści po pięćdziesiątce

Jak zauważa Bengio, dzisiejsi doktoranci publikują średnio o 50 procent więcej artykułów, niż robił to on i jego rówieśnicy przed 30 laty. Być może w tym właśnie tkwi przyczyna, dla której o potrzebie rewolucji w obszarze metod uczenia maszynowego mówią dziś głównie tacy ludzie, jak Gary Marcus czy sam Bengio – obaj po pięćdziesiątce.

Zdaniem Bengio w rozwiązaniu problemu mogłaby pomóc zmiana w podejściu do przyjmowania zgłoszeń na konferencje naukowe z obszaru SI. Badacz sugeruje, by model, w którym naukowcy przesyłają swoje abstrakty bezpośrednio do organizatorów, zastąpić takim, gdzie najpierw publikują oni artykuły w dobrym czasopiśmie dziedzinowym gwarantującym szybkie recenzowanie. Przyjęte do publikacji artykuły byłyby następnie udostępniane komitetom naukowym konferencji, tak by mogły one same wybrać najbardziej interesujących prelegentów. Takie podejście skłaniałoby badaczy do przygotowywania swoich publikacji z większą starannością i ograniczałoby presję czasu.

Kogo obchodzą zastosowania

Na nieco inny problem związany z prowadzeniem badań w dziedzinie SI zwróciła ostatnio uwagę na łamach „MIT Technology Review” Hannah Kerner z Uniwersytetu Marylandu w College Park. W jej ocenie uczenie maszynowe cierpi dziś na jeszcze inną przypadłość. Jest nią zbytnie skupienie na metodologii kosztem zastosowań praktycznych.

Ta „fiksacja” metodologiczna sprawia, że większość publikacji z tego obszaru zawiera wyniki badań mające ograniczony wpływ nie tylko na świat zewnętrzny, ale także na rozwój samej dziedziny. Prace dotyczą bowiem w dużym stopniu optymalizacji znanych już rozwiązań. Chodzi o demonstrację wyższości nowego algorytmu czy sieci neuronowej wobec ich wcześniejszych wersji, a wszystko to w odniesieniu do obowiązujących standardów (benchmarks).

W terenie czempioni zostają w tyle

Kerner zauważa jednak, że standardy te często dalekie są od realiów, w jakich stosowane są później konkretne rozwiązania. Tym samym utrwalają nieprawdziwe wrażenie, że trwa nieustanny postęp, podczas gdy w rzeczywistości jest on widoczny tylko w ściśle laboratoryjnych warunkach. Przeniesiona w świat rzeczywisty, w którym panuje zmienność i brakuje niezaszumionych danych, SI nazbyt często okazuje się mało efektywna.

Lekceważenie przez środowisko naukowe badań nad praktycznym zastosowaniem uczenia maszynowego wynika zdaniem Kerner właśnie z błędnego przekonania, że rozwiązania osiągające wysokie wyniki podczas testów są już gotowe do wdrożeń. Tymczasem, argumentuje badaczka, praktyczne wykorzystanie modeli uczenia maszynowego w konkretnych obszarach wymaga zwykle wiele dodatkowej pracy nad udoskonaleniem ich działania.

W krytycznych uwagach Bengio i Kerner pobrzmiewa wspólna nuta. Czas, by badacze SI lepiej przyjrzeli się światu, w którym funkcjonują. Dopiero wówczas bowiem będą oni mieli szansę stworzenia narzędzi naprawdę użytecznych. W przeciwnym razie może się okazać, że kolejna zima SI nadejdzie szybciej, niż się tego spodziewamy.

Skip to content