La intel·ligència artificial pot ser molt útil per resoldre molts tipus de problemes i, si està ben entrenada, amb més fiabilitat i rapidesa que les persones. Però hi ha algunes coses que els sistemes d’intel·ligència artificial no fan bé i altres casos en els quals poden donar resultats inapropiats si no s’entrenen correctament.
En aquest article de la revista IEEE Spectrum ens comenten set fallades típiques de la intel·ligència artificial, en concret:
- Fragilitat. Un sistema d’identificació d’imatges falla si el subjecte a detectar està ajagut, excepte si una part de les imatges amb les quals s’ha entrenat tenien aquest gir.
- Biaix. Si les dades amb les quals s’ha entrenat no tenen una proporció adequada de tots els casos possibles, tendirà a donar prioritat als casos amb els quals s’ha entrenat,
- Oblit catastròfic. Si intentem afegir entrenament per a que un sistema inclogui cassos nous ens podem trobar que això provoqui l’oblit dels paràmetres que li servien per detectar els casos que ja tenia ben apresos.
- Explicabilitat. És molt difícil explicar els paràmetres que fan que un sistema d’intel·ligència artificial classifiqui d’una determinada manera. Si no som capaços d’explicar-ho, és fàcil que s’introdueixin biaixos o errors.
- Incertesa. És difícil que un sistema d’intel·ligència artificial interpreti correctament situacions que no han participat en el seu entrenament, però la vida real és plena d’incerteses i això ho fa molt difícil.
- Sentit comú. Els sistemes d’intel·ligència artificial no tenen sentit comú. Això els fa molt difícil prendre decisions en àmbits en els quals les persones es basen en el sentit comú. Un possible exemple seria interpretar el sentit d’una frase segons el context i com està feta.
- Matemàtiques. Els sistemes d’intel·ligència artificial són maldestres en matemàtiques. Sembla que el processament paral·lel de les xarxes neuronals no és adequat per resoldre problemes que requereixen un tractament pas a pas.
Cap comentari:
Publica un comentari a l'entrada
Deixa el teu comentari