尺度呈现题目，人工智能正在走向错误的偏向

以前，识字率是很多国度权衡教诲前进的首要指标。几十年后，在识字率很是高的环境下，更高的学业完成率即是权衡教诲前进的重点。然后是更高的大学入学率。我不知道学位与教诲之间的相关是否像我们想象的那样细密，也不知道高中教的常识是不是他们应该教的，但这是我们本日追求的指标。

从某种意义上说，对付这些题目，没有什么办理要领是对的。因此，按照界说，全部的蹊径都是错误的。只有尽也许多的实行各类途径，我们才有也许选择一条相对正确的阶梯。行使AI术语，我们必要行使更大的批量抓取，并对尽也许多的漫衍举办采样。

这意味着我们必需将存眷范畴扩大到“精确性”和“速率”之外，还要包罗“妥当性”或“连贯性”等内容。最重要的是，我们必要从全心挑选的基准转向实际天下。

以我研究乳腺癌检测算法的案例为例，研究员很轻易错将这个规模当成已办理的规模。最近的研究已经在这个主题上取得了超人的后果，可是，这些算法却无法应用于任何一家医院。缘故起因很简朴，它并不起浸染。

这听起来有些浮夸，但着实很是简朴：纵然是统一种对象，即乳房x光片，假如你在数据集a上逊?с法，算法不会在数据集B上事变。

今朝没有已知的技能可以在不举办微调的环境下，在数据集长举办实习，并在其他数据集上运行精采。你必需针对每台呆板/每家医院成立数据集，以得到有效的功效。怀抱尺度公道，这个规模就办理了。现实上，这连开始都难。

最重要的是，算法无法为他们的谜底提供辅佐。站在大夫的角度想想：你会由于呆板是这样表现的，就汇报患者他们得了癌症吗?你不会，你会再次查察这些图像。

假如人们不信赖人工智能，那么就永久不会行使它。

到今朝为止，已颁发的论文的首要评判尺度是AUC评分。它汇报你该算法对乳房x光片的良恶性分类有多公道，不会汇报你它对其他数据集有多妥当，可能全部都是可表明的。换句话说，它从不答复“它有效吗”这类题目。

成长人工智能没有正确的阶梯，但必定有很是错误的阶梯。花不了太多的时刻，你就能发明大大都文献有多不合用，以及真正紧要的题目是怎样冠冕堂皇的被人们忽视了。

正如我在开头所说的，这篇文章并不要指责当前的研究欠好，而是说题目的要害在于当前学术界和实际天下之间摆脱——我们过于狭窄地存眷精确性。

成长人工智能不是为了纸上谈兵，敦促社会成长是真正重要的事，我们但愿通过改进人工智能来实现这一点。但只有当我们正视实际的社会题目时，我们才气正确地做到这一点。社会的题目远比准确的方针检测更伟大

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!