转自 大年夜数据文摘
大年夜数据文摘出品
来源：informationweek
编译：张大年夜笔茹
结合国首席人工智能参谋Neil Sahota分享其春结合国重大年夜AI项目以及当今AI面对的重要挑衅的看法。
人工智能在各个行业和当局中广泛应用的例子一度存在于科幻小说中。但如今，我们不必担心像很多片子里一样被机械人奴才颠覆的情况产生。
因为今朝的美国当局政党轮番的情况，这些问题就成为优等大年夜事。当局和企业中正在进行很多项目，他们将在将来几年内受到这些问题的影响。
为了深刻懂得AI的重大年夜问题，InformationWeek与采访了Neil Sahota??结合国首席人工智能参谋，与结合国合作举办AI for Good全球峰会，也是《拥抱AI革命》一书的作者。
以下为该对话的一些摘录。
今朝正在应用AI技巧中，最有趣的处所是什么？
实际上它并不克不及代替身际关系，而是一个安然的空间，使人们无论何时无论都可以始终介入个中。
这是领先优势。有很多工作正在完成-可能有25种解决筹划可供人们当前应用。从事这些项目标人员须要懂得心理学和说话学，但治疗师们还并未寻求AI，是以这是一个新兴的空间。然则，人们正在测验测验应用一些根本对象。
另一方面，我认为这项技巧被弃置的原因是，很多人认为这是弗成能的:机械无法懂得一小我的情感。
实际上如今我们已经看到了，不再是这种情况了。我认为这将创造更多的可能。
Neil Sahota
机械是若何被练习的？
它是心理学的组合：不合的情感状况以及与之相干的某些事物，以及运念头能学，肢体说话，说话学和实际中的说话编码才能的教授教化。是以，即使是对我们来说似乎奥妙的工作，例如应用“伙伴”一词而不是“同伙”，实际上也传达了很多含义。
什么样的练习数据用于向机械传授人类情感？是危机中间德律风记录照样客户办事德律风记录？
可能是那些器械，然则实际上我们发明社交媒体中数据的就异常好。
人们可以应用为大年夜学或工作面试而写的论文，但实际上他们可能并没有应用真实声音。我们可以获得的实际世界，真实声音类型越多越好。社交媒体是一个很好的来源。
是否有开源数据库可用？
没有很多，数据本身就是一个挑衅。数据是现代新能源，人们显然不肯意分享，至少没有泉币化之前，这显然已成为障碍。有一些数据确切我们不该该共享。然则，即使每小我都无法应用数据，每小我都不肯意泄漏数据，这会造成其他艰苦，尤其是在医疗保健范畴。
我们没有足够的数据来做一些我们想做的工作，以推动医学研究。
医学研究面对哪些挑衅？他们是若何克服这些挑衅的？
遗憾的是，机械本身并不懂得事物，我们须要数据来练习，假如想让它申报可能的发明或疾病，则意味着必须拥有大年夜量数据。
特别是对于肺部，须要健康肺部、第一阶段癌症、第二阶段癌症、肺气肿等的肺部X射线检查结，须要大年夜量的这些数据集。
像克利夫兰诊所或梅奥诊所如许的很多处所可能没有足够的数据来实际履行此操作，他们要么经由过程治疗越来越多的患者来获取数据，要么就获取其他合作机构的许可，例如可能拥有研究中间的大年夜学和研究中间。
结合国正测验测验建立一个去掉落PHI（小我健康信息）的医疗保健数据库，可以创建大年夜量数据供研究人员实际应用。
那是你在结合国从事的项目之一吗？
是的！根本上，每小我都赞成将其数据存储在此处以供一般应用，但去掉落了标识信息。它为每小我供给了更大年夜的数据集。
在这个项目标工作中，根本上是您去到一些医疗机构宣传：嘿，假如我们可以共享这些数据不是很好吗？这难道没有价值吗？
我很愿意，大年夜力倡导！因为我们有意因不共享而放慢本身的速度。我们已经看到一些实例，个中一个公司正在着手另一公司在七年前测验测验过的研究门路，成果却陷入了僵局。成果是浪费了人们的时光，精力和金钱。
肺癌是一个成长范畴么？
他们实际上已经是肺癌的解决筹划。斯隆?凯特琳（Sloan Kettering）有一个，正在用它来检测X射线中的肺癌。该体系如今的精确率约为90％，但机械能做的只是诊断癌症，无法诊断其他任何器械。
Sloan Kettering会将其授权给其他机构应用吗？
如今吗？不会的。他们本身应用，因为这是他们的核心优势。我们不习惯竞争，不习惯社会企业。你可以选择赚钱，也可以做为非营利组织。也可以两者都做！
在结合国工作中，告诉一些挑衅，在您向一些组织机构宣传：“嘿，让我们分享你的数据好吗？这是很好的一件事。”
即使他们不知道若何应用数据或不会应用他们的数据，也不欲望其他人从拥有的家傍边致富。我们如今真的不知道若何评估数据的价值。
有些人会有更开放的设法主意或前瞻性的思维，我不肯定这里用的是精确的短语，但熟悉到实际上共享个中一些内容的公司为每小我增长了机会。涨潮抬起了所有的船。再次重申，这是与传统上大年夜多半组织习惯不合的思维方法。
AI在当当代界面对着哪些重大年夜挑衅？
确切有两个核心要素。一个是道德问题，须要一个负义务的AI体系，仅仅因为可以做某事并不料味着我们应当做。另一个大年夜问题就是对技巧的真谛和信赖， 我们期望AI应当是完美的，但这永远不会。
我们会犯错，练习中会出缺点，因为人们有内涵的成见。
这确切是我们如今面对的两个重大年夜挑衅。
相干报道：
