2022 年人工智能面临的 7 大挑战

你听说过 Neuralink 吗？ 这是一家由埃隆·马斯克（Elon Musk）共同创立的新兴初创公司，致力于将人工智能与人体进行一些严肃的整合。 他们开发了一种芯片，该芯片由 96 根细聚合物线组成，每根线包含 32 个电极，可以移植到大脑中。

我知道你在想什么：“这是严肃的科幻小说”，但答案是：不。 这正在现实世界中发生，并且使用此设备，您可以将您的大脑与日常电子设备连接起来，甚至无需触摸它们！

是时候提出一些严肃的问题了：真的有必要吗？ 会有那么好用吗？ 我们准备好迎接这种技术了吗？ 它将如何影响我们未来的生活？ 让我们找出人工智能的挑战。

加入来自世界顶级大学的机器学习在线课程——硕士、高管研究生课程和 ML 和 AI 高级证书课程，以加快您的职业生涯。

人工智能对人类生活和经济的影响是惊人的。 到 2030 年，人工智能可以为世界经济增加约 15.7 万亿美元。从这个角度来看，这大约是截至目前中国和印度的经济总产值。

随着各家公司预测使用人工智能可以将企业生产力提高多达 40%，自 2000 年以来，人工智能初创企业的数量急剧增加了 14 倍。人工智能的应用范围可以从跟踪小行星和其他天体在太空中预测地球上的疾病，探索新的创新方法来遏制恐怖主义以进行工业设计。

人工智能中最常见的挑战

1、算力

这些耗电量大的算法使用的电量是让大多数开发人员望而却步的一个因素。 机器学习和深度学习是这种人工智能的垫脚石，它们需要越来越多的内核和 GPU 才能高效工作。 我们在各个领域都有想法和知识来实施深度学习框架，例如小行星跟踪、医疗保健部署、宇宙体跟踪等等。

它们需要超级计算机的计算能力，是的，超级计算机并不便宜。 尽管由于云计算和并行处理系统的可用性，开发人员在人工智能系统上工作的效率更高，但它们是有代价的。 随着前所未有的大量数据流入和快速增加的复杂算法的增加，并不是每个人都能负担得起。

2. 信任赤字

引起人工智能担忧的最重要因素之一是深度学习模型如何预测输出的未知性质。 对于外行来说，一组特定的输入如何为不同类型的问题设计解决方案是很难理解的。

世界上许多人甚至不知道人工智能的使用或存在，以及它如何集成到他们与之交互的日常物品中，例如智能手机、智能电视、银行，甚至汽车（在某种程度的自动化）。

3.知识有限

尽管市场上有很多地方我们可以使用人工智能作为传统系统的更好替代品。 真正的问题是人工智能的知识。 除了技术爱好者、大学生和研究人员，只有少数人意识到人工智能的潜力。

例如，有许多SME（中小型企业）可以安排他们的工作或学习创新方法来增加产量、管理资源、在线销售和管理产品、学习和了解消费者行为以及有效和高效地对市场做出反应. 他们也不知道谷歌云、亚马逊网络服务和科技行业的其他服务提供商。

4.人类层面

这是人工智能中最重要的挑战之一，它使研究人员在公司和初创企业的人工智能服务方面处于领先地位。 这些公司可能吹嘘超过 90% 的准确率，但人类在所有这些情况下都可以做得更好。 例如，让我们的模型预测图像是狗还是猫。 人类几乎每次都能预测出正确的输出，准确率高达 99% 以上。

要使深度学习模型执行类似的性能，需要前所未有的微调、超参数优化、大型数据集、定义明确且准确的算法，以及强大的计算能力、对训练数据的不间断训练和对测试数据的测试。 这听起来工作量很大，实际上比听起来要困难一百倍。

避免做所有艰苦工作的一种方法是使用服务提供商，因为他们可以使用预先训练的模型训练特定的深度学习模型。 他们接受了数百万张图像的训练，并进行了微调以获得最大的准确性，但真正的问题是他们继续显示错误，并且很难达到人类水平的表现。

5. 数据隐私和安全

所有深度和机器学习模型所基于的主要因素是训练它们的数据和资源的可用性。 是的，我们有数据，但由于这些数据是由全球数百万用户生成的，因此这些数据有可能被用于不良目的。

例如，假设一家医疗服务提供商为一个城市的 100 万人提供服务，并且由于网络攻击，所有 100 万用户的个人数据都落入了暗网上的每个人的手中。 这些数据包括有关疾病、健康问题、病史等的数据。 更糟糕的是，我们现在正在处理行星大小数据。 这么多信息从四面八方涌来，肯定会出现一些数据泄露的情况。

一些公司已经开始创新工作以绕过这些障碍。 它在智能设备上训练数据，因此不会将其发送回服务器，而只会将经过训练的模型发送回组织。

阅读：印度新生和有经验的 AI 工资

6. 偏差问题

人工智能系统的好坏实际上取决于他们接受训练的数据量。 因此，获得良好数据的能力是未来良好人工智能系统的解决方案。 但是，实际上，组织收集的日常数据很差，而且没有任何意义。

他们是有偏见的，并且只能以某种方式基于宗教、种族、性别、社区和其他种族偏见来定义少数具有共同利益的人的性质和规格。 只有定义一些能够有效跟踪这些问题的算法，才能带来真正的改变。

7. 数据稀缺

由于谷歌、Facebook 和苹果等大公司面临不道德使用用户数据的指控，印度等多个国家正在使用严格的 IT 规则来限制流量。 因此，这些公司现在面临着使用本地数据为全球开发应用程序的问题，这将导致偏见。

数据是人工智能非常重要的一个方面，标记数据用于训练机器学习和做出预测。 一些公司正在尝试创新新方法，并专注于创建能够在数据稀缺的情况下提供准确结果的 AI 模型。 如果信息有偏见，整个系统可能会出现缺陷。

另请阅读：网络安全中的人工智能

结论

尽管人工智能的这些挑战对人类来说似乎非常令人沮丧和毁灭性的，但通过人们的集体努力，我们可以非常有效地带来这些变化。 根据 Microsoft 的说法，下一代工程师必须在这些尖端新技术方面提升自己的技能，以便有机会与未来的组织合作，为了让您做好准备， upGrad一直在与我们的许多公司一起提供有关这些尖端技术的计划在谷歌、微软、亚马逊和 Visa 以及许多其他财富 500 强公司工作的学生。

如果您有兴趣了解有关人工智能和机器学习的更多信息，请查看 IIIT-B 和 upGrad 的机器学习和 AI 执行 PG 计划，该计划专为在职专业人士设计，提供 450 多个小时的严格培训、30 多个案例研究和任务、IIIT-B 校友身份、5 个以上实用的实践顶点项目和顶级公司的工作协助。