Will A.I. Netrukus galėsite pakeisti literatūrinius mokslininkus?

Su vienu sutuoktiniu, tiriančiu dirbtinio ir natūralaus intelekto raidą, o kitas tyrinėdamas Vokietijos kalbą, kultūrą ir istoriją, įsivaizduokite diskusijas mūsų pietų stalo. Dažnai susiduriame su stereotipiniu susidūrimu tarp kiekybiškai įvertinamo, matavimu pagrįsto gamtos mokslų požiūrio ir kokybiškesnio humanitarinių mokslų požiūrio, kur svarbiausia yra tai, kaip žmonės jaučia kažką ar kaip jie patiria ar interpretuoja.

Mes nusprendėme nutraukti šį modelį, kad pamatytume, kiek kiekvienas požiūris galėtų padėti kitam. Tiksliau sakant, norėjome pamatyti, ar dirbtinio intelekto aspektai galėtų parodyti naujus būdus, kaip interpretuoti nežinomą grafinį romaną apie holokaustą. Mes galiausiai nustatėme, kad kai kurie A.I. technologijos dar nėra pakankamai pažengusios ir patikimos, kad galėtų pateikti naudingų įžvalgų, tačiau paprastesni metodai davė kiekybiškai įvertinamų matavimų, kurie parodė naują aiškinimo galimybę.

Teksto pasirinkimas

Yra daugybė tyrimų, kurie analizuoja didelius teksto kūnus, todėl mūsų A.I. analizė: Reinhard Kleist's Bokseris, grafinis romanas, pagrįstas tikra istorija apie tai, kaip Hertzko „Haris“ Haft išgyveno nacių mirties stovyklas. Mes norėjome identifikuoti emocijas pagrindinio personažo išraiškose, esančiose knygos iliustracijose, kad sužinotume, ar tai mums suteiktų naują objektyvą, kad suprastume istoriją.

Šioje juodos ir baltos spalvos karikatūroje Haftas pasakoja savo siaubingą istoriją, kurioje jis ir kiti koncentracijos stovyklų kaliniai buvo pakviesti vieni kitus į mirtį. Istorija parašyta iš Haft perspektyvos; per naratyvą suskirstytos plokštelės, kuriose vaizduojami „Haft“ prisiminimai apie svarbius asmeninius įvykius.

Humanitarinis požiūris būtų analizuoti ir kontekstualizuoti istorijos ar pasakos kaip visumos elementus. Grafinis „Kleist“ romanas - tai Hafto sūnaus Allano 2009 m. Biografinio romano interpretacija, pagrįsta tuo, ką Allanas žinojo apie savo tėvo patirtį. Analizuojant šį sudėtingą autorių interpretacijų ir supratimų rinkinį, galima tik papildyti dar vieną subjektyvų sluoksnį.

Mokslo filosofijos požiūriu, šis analizės lygis tik apsunkintų dalykus. Mokslininkai gali turėti skirtingus aiškinimus, bet net jei jie visi sutiktų, jie vis dar nežinotų, ar jų įžvalga buvo objektyviai teisinga, ar jei visi kenčia nuo tos pačios iliuzijos. Norint išspręsti dilemą, reikalingas eksperimentas, kuriuo siekiama sukurti matavimą, o kiti galėtų atgaminti savarankiškai.

Atkuriamas vaizdų aiškinimas?

Užuot interpretavę vaizdus patys, laikydamiesi jų savo šališkumo ir prielaidų, tikėjomės, kad A.I. galėtų suteikti objektyvesnį vaizdą. Pradėjome nuskaityti visas knygos plokštes. Tuomet „Google“ vizija buvo A.I. ir „Microsoft AZURE“ veido atpažinimas ir emocinio pobūdžio anotacija.

Analizuojantys algoritmai Bokseris „Google“ ar „Microsoft“ anksčiau buvo apmokę šimtus tūkstančių vaizdų, kurie jau buvo paženklinti aprašytais aprašymais. Šiame mokymo etape A.I. sistemos buvo paprašytos nustatyti, ką parodė vaizdai, ir šie atsakymai buvo lyginami su esamais aprašymais, kad sužinotumėte, ar mokomoji sistema buvo teisinga ar neteisinga. Mokymo sistema sustiprino pagrindinių gilių nervų tinklų elementus, kurie pateikė teisingus atsakymus, ir susilpnino dalis, kurios prisidėjo prie klaidingų atsakymų. Metodas ir mokymo medžiaga - vaizdai ir anotacijos - yra labai svarbūs sistemos veikimui.

Tada mes pasukome A.I. atsilaisvinkite ant knygos vaizdų. Tiesiog kaip ir Šeimos šeima, kai parodos gamintojai klausia 100 svetimų žmonių ir suskaičiuoja, kiek pasirinko kiekvieną galimą atsakymą, mūsų metodas prašo A.I. nustatyti, kokios emocijos yra veidas. Šis metodas prideda vieną pagrindinį elementą, kurio dažnai trūksta subjektyviai interpretuojant turinį: atkuriamumą. Kiekvienas tyrinėtojas, norintis patikrinti, vėl gali paleisti algoritmą ir gauti tuos pačius rezultatus.

Deja, mes nustatėme, kad šie A.I. įrankiai yra optimizuoti skaitmeninėms nuotraukoms, o ne juodos ir baltos spalvos brėžiniai. Tai reiškė, kad negavome daug patikimų duomenų apie emocijas nuotraukose. Mums taip pat buvo trukdoma pastebėti, kad nė vienas iš algoritmų neatpažįsta jokių vaizdų, susijusių su holokausto ar koncentracijos stovyklomis - nors žmonių žiūrovai lengvai nustatytų šias temas. Tikimės, kad tai yra todėl, kad A.I.s turėjo problemų su pačiais juodais ir baltais vaizdais, o ne dėl neatsargumo ar šališkumo jų treniruočių rinkiniuose ar anotacijose.

Šališkumas yra gerai žinomas mašininio mokymosi reiškinys, kuris gali turėti tikrai įžeidžiančių rezultatų. Šių vaizdų analizė, pagrįsta vien tik turimais duomenimis, nebūtų aptarusi ir nepripažįsta holokausto, neveikimo, kuris prieštarauja Vokietijos įstatymams, tarp kitų šalių. Šie trūkumai rodo, kaip svarbu kritiškai įvertinti naujas technologijas, prieš jas plačiau naudojant.

Kitų reprodukcinių rezultatų paieška

Nusprendę surasti alternatyvų būdą kiekybiniams metodams, padedantiems humanitariniams mokslams, mes galėjome analizuoti nuotraukų ryškumą, lygindami atkuriamuosius scenus su kitomis Haft gyvenimo akimirkomis. Tuo tikslu apskaičiavome nuskaitytų vaizdų ryškumą naudojant vaizdo analizės programinę įrangą.

Mes nustatėme, kad visoje knygoje emociškai laimingi ir šviesūs etapai, pavyzdžiui, jo kalėjimo pabėgimas arba Haft pokario gyvenimas JAV, rodomi naudojant ryškius vaizdus. Traumuojančios ir liūdnos fazės, tokios kaip jo koncentracijos stovyklos patirtis, rodomos kaip tamsūs vaizdai. Tai suderinama su spalvoto psichologinio baltojo tapatumo nustatymu kaip grynu ir laimingu tonu, o juoda - kaip liūdesys ir sielvartas.

Nustačius bendrą supratimą apie tai, kaip ryškumas naudojamas knygos vaizduose, atidžiau žiūrėjome į „flashback“ sceną. Visi jie vaizdavo emociškai intensyvius įvykius, o kai kurie iš jų buvo tamsūs, pavyzdžiui, kitų koncentracijos stovyklų kalinių kremavimo prisiminimai ir palikimas jo gyvenimo meilė.

Vis dėlto nustebome, kad pastebėjome, kad „Haft“ parodymai apie priešininkus žudyti buvo ryškūs ir aiškūs, o tai rodo, kad jis turi teigiamų emocijų apie artėjančią mirtį. Tai yra visiškai priešingas tam, ką skaitytojai, kaip ir mes, greičiausiai jaučiasi sekdami pasakojimu, galbūt matydami Hafto priešininką kaip silpną ir suvokdami, kad jis bus nužudytas. Kai skaitytojas jaučia gailą ir empatiją, kodėl Haft jaučiasi teigiamas?

Šis prieštaravimas, rastas matuojant nuotraukų ryškumą, gali atskleisti gilesnį supratimą apie tai, kaip nacių mirties stovyklos paveikė Haftą emociškai. Mums, dabar, neįsivaizduojama, kaip būtų galima teigti, kad kažkas kito mirtimi bokso rungtynėse būtų nugalėta. Bet galbūt Haft buvo tokia beviltiška situacija, kad pamatė viltį išgyventi, kai susidūrė su priešininku, kuris buvo dar daugiau bado nei jis.

Naudojant A.I. įrankiai analizuoti šią literatūrą naujai atskleidė pagrindinius emocijų ir atminties elementus knygoje - tačiau jie nepakeisė eksperto ar mokslininko įgūdžių interpretuojant tekstus ar nuotraukas. Mūsų eksperimento rezultatas, mes manome, kad A.I. ir kiti skaičiavimo metodai yra įdomi galimybė su galimybe daugiau kiekybiškai įvertinti, atkurti ir galbūt objektyvius mokslinius tyrimus humanitariniuose moksluose.

Bus sudėtinga rasti būdų, kaip naudoti A.I. humanitariniuose moksluose - ir ypač todėl, kad dabartinis A.I. sistemos dar nėra pakankamai sudėtingos, kad galėtų patikimai veikti visose situacijose. Mokslininkai taip pat turėtų būti budrūs dėl šių priemonių šališkumo. Jei galutinis A.I. moksliniai tyrimai yra sukurti mašinas, kurios konkuruoja su žmogaus pažinimu, dirbtinio intelekto sistemomis gali prireikti ne tik elgtis kaip žmonės, bet ir suprasti bei interpretuoti jausmus, kaip ir žmonės.

Šis straipsnis iš pradžių buvo paskelbtas Leonie Hintze ir Arend Hintze pokalbyje http://theconversation.com/profiles/arend-hintze-225106. Skaitykite originalų straipsnį čia.