Ang Robot ng Stereotyping ng Georgia Tech ay ang Hinaharap ng AI, Hindi Racism

Para sa mga tainga na sensitized ng mga special after-school specials at diversity seminar, ito ay magiging masama, ngunit nais namin ang mga robot na gumawa ng mabilis na hatol batay sa hitsura. Ang pagbubukod ng pag-iisip ay mabuti, ngunit ang kawalan ng kakayahan sa stereotype ay nakakabawas ng katalinuhan - artipisyal at iba pa. Si Alan Wagner, Ph.D., isang roboticist sa Georgia Tech, ang pangunahing tagapagtaguyod ng stereotyping na teknolohiya. Nagtalo siya na ang ganitong uri ng lohika ay hindi kailangang ilapat sa lahi o kasarian, mga sitwasyon at pag-uugali lamang.

Sa isang maagang pagsubok ng kanyang stereotype algorithm, sinanay ni Wagner ang isang walang muwang na robot upang makagawa ng mga konklusyon mula sa kung ano ang nakita nito. Ang robot ay natutunan at naging mapag-unawa, na pinapayagan si Wagner na magsimulang mag-isip tungkol sa mga etika ng mga pagpapalagay ng robot, lalo na ang mga naunang na-program. Nagsalita siya Kabaligtaran tungkol sa kanyang trabaho at ang mga ramifications nito.

Maglakad sa akin sa kung paano gumagana ang eksperimento.

Ang robot ay nakikipag-ugnayan sa iba't ibang uri ng mga indibidwal - firefighter, EMT, o whatnot - ngunit wala itong naunang karanasan sa alinman sa mga kategoryang ito ng indibidwal. Ito ay, talaga, karanasan sa pag-aaral.

Ang ideya ay upang ipakita na ang robot ay maaaring gumamit ng perceptual features mula sa indibidwal upang mahulaan ang kanilang mga pangangailangan sa mga tuntunin ng paggamit ng tool. Ang paraan ng algorithm ay nagtrabaho, ang kamera ng robot ay makakakita ng iba't ibang aspeto ng kung ano ang hitsura ng isang indibidwal - ang kanilang unipormeng kulay, halimbawa, kung mayroon silang balbas, at kulay ng buhok nila.

Itatanong din nito sa kanila ang mga tanong tungkol sa kung anong hitsura nila. Siyempre, ang pagtatanong ay hindi kung ano ang gusto mong gawin sa field, ngunit ang pang-unawa ng robot ay napakalubha ngayon. Kailangan namin ng isang paraan upang bootstrap ang proseso tungkol sa pag-aaral tungkol sa isang tao. Ang tao ay pipiliin ang tool, at pagkatapos ay piliin ng robot ang tool, at sa paglipas ng panahon ay alamin ng robot kung anong gamit ang bawat uri ng tao na ginusto.

Inaasahan ba ninyong matutunan ng robot na ang isang badge ay nangangahulugang pulis o isang mabigat na amerikana ay nangangahulugang isang bombero?

Kami ay inaasahan na ito. Ngunit may mga nakakagulat na bagay din.Halimbawa, ang maling robot ay nakilala na ang isang balbas ay hinulaang sa isang firefighter - na kakaiba, ngunit kapag tiningnan mo ang data, hindi nakakagulat. Ang unang ilang tao na nakipag-ugnayan sa mga ito ay mga bombero na may mga balbas. Kaya't pinagtatalunan natin ang pangangailangan para sa pagkakaiba-iba ng pagkakaunawa, isang ideya na kung ang robot ay makakakita ng malaki, malawak na iba't ibang uri ng mga indibidwal sa isang kategorya, mas mahusay na ito ay bubuo at maunawaan ang kategorya.

Gusto mong sabihin autonomous robot ay dapat na bihasa sa bakal ang mga quirks, kaya ang isang robot ay hindi sa tingin kung ang taong ito ay may balbas, siya ay isang firefighter?

Talagang. Ito ay kritikal na pinalabas natin ang mga bagay na ito. Mahalaga na mayroon kaming mga robot na nagtatrabaho mula sa magkakaibang hanay ng mga indibidwal.

Ano ang magiging hitsura ng pag-aaral na iyon?

Ito ay magpapahintulot sa robot na mag-focus sa mga bagay na mas mahusay na makilala ang mga bumbero. Halimbawa, ang isang bumbero ay hindi maaaring maging suot ng dyaket. Ang robot ay mapansin ang iba pang mga aspeto ng firefighting, marahil ang boots, marahil ang guwantes, marahil helmet. Sasabihin nito, "Magaling nga ang taong ito ay isang firefighter sa kapaligiran na ito."

Kung mayroon kang sapat na mga tao, maaari itong makilala ang isang bumbero sa sunog kumpara sa isang firefighter sa isang Halloween party. Ito ay banayad na perceptual na mga detalye, tulad ng pagkakaiba sa pagitan ng kalidad ng mga uri ng uniporme, o mga kontekstwal na kapaligiran.

Bukod sa pag-uugnay ng mga balbas na may mga bumbero, gaano matagumpay ang algorithm na ito?

Mayroong dalawang bagay na talagang gusto naming tingnan: Isa, ano ang magagawa mo dito? Kung makilala ng mga robot ang mga bumbero, natutulungan ba iyan sa ilang paraan? Ipinakita ng papel na pinapayagan ka na paliitin ang iyong paghahanap. Sa halip na tumitingin sa mga balbas para sa kulay ng buhok, naghahanap ng kulay ng mata o anumang iba pang maaari mong hanapin, maaari kang tumuon sa mga tampok na talagang mahalaga. Ang tao ba ay may suot na amerikana sa firefighter? Na mapabilis ang proseso.

Ang isa pang talagang kritikal na bagay na tiningnan namin ay, ano kung ang kategorya na hinuhulaan ng robot ay mali? Paano ka nakakaapekto sa iyo? Maaari mong isipin na ang mga kapaligiran sa paghahanap at pagsagip ay maaaring may gulo: Maaari kang magtrabaho sa mga kondisyon na puno ng usok, ang robot ay hindi maaaring makita ang lahat nang mabuti, maaaring magkaroon ng mga pagkakamali. Maaari mong isipin ang isang mas masahol na kaso, kung saan sa tingin ng robot ang tao ay isang biktima kapag sa katunayan sila ay isang firefighter. Kaya sinusubukang i-save ang isang firefighter. Iyon ay kakila-kilabot. Nais naming makita kung saan masira ito, kung paano ito masira, anong mga tampok ang pinakamahalaga nito at kung ano ang iba't ibang uri ng mga pagkakamali.

Maaari mong gamitin ang diskarte na ito sa iba't ibang paraan - kung hindi nila makita ang tao sa lahat, ngunit maaaring makita ang mga pagkilos na ginagawa nila. Kung nakikita ko ang taong pumipili ng palakol, maaari ko bang mahuhulaan na mayroon silang helmet.

Paano mo diskarte sa pagkuha ng isang robot upang masuri ang konteksto at gumawa ng isang hula?

Sinubukan naming tingnan ang isang pares ng iba't ibang uri ng mga kapaligiran - isang restaurant, isang paaralan, at isang nursing home. Sinubukan naming makuha ang mga tampok tungkol sa kapaligiran at kung ano ang mga bagay sa kapaligiran, anong mga pagkilos na pinili ng tao, at kung ano ang hitsura ng mga tao sa kapaligiran, at subukang gamitin iyon upang makagawa ng maraming mga hula sa lipunan. Halimbawa, sa isang kapaligiran sa paaralan, ang mga tao ay nagtataas ng kanilang mga kamay bago sila makipag-usap. Kaya kung nakikita ko ang aksyon na itinataas ng mga tao ang kanilang kamay, anong uri ng mga bagay ang inaasahan kong makita sa kapaligiran? Inaasahan ba akong makakita ng pisara; naghihintay ba akong makakita ng mesa? Gusto kong makita ang mga bata.

Ang pag-asa ay magagamit ang impormasyong ito. Kung ang robot ay gumaganap ng isang evacuation procedure, makikita nito kung anong uri ng mga tao ang naroroon at kung saan sila maaaring maging.

Sabihin nating may isang robot na dumarating sa iyong pintuan at nagsasabing, "Mangyaring sundan ako sa exit." Isang bagay na tila simple na totoong masalimuot. Kung ang isang robot ay natutukso sa isang pintuan sa isang gusali ng apartment, wala kang ideya kung sino ang makikipag-ugnay sa iyo. Maaaring ito ay isang apat na taong gulang na bata, maaaring ito ay isang taong 95 taong gulang. Gustung-gusto namin ang robot na maiangkop ang interactive na pag-uugali nito sa uri ng taong nakikita nito upang iligtas sila. Ininom namin ang ilan sa mga lektong ito ayon sa konteksto at sinusubukan na bumuo ng application na iyon.

Gumagamit ka ba ng katulad na kahulugan ng "estereotipiko" para sa mga robot at tao, o may iba pang nangyayari?

Ang salitang stereotyping ay may negatibong konteksto. Ang paraan na ginagamit namin ito ay para lamang bumuo ng mga kategorya ng mga tao, at gumamit ng katangi-tanging impormasyon upang mahulaan ang mga katangian ng isang tao. Alam ko sa sikolohiya, maraming trabaho ang nakatuon sa mga stereotype ng mukha at stereotype ng kasarian. Hindi namin ginagawa ang anumang bagay tulad nito. Ang proseso ba ay pareho? Hindi ko alam. Walang ideya.

Nababahala ka ba ang mga tao ay maaaring magkaroon ng mga maling akala tungkol sa iyong trabaho?

Pagkaraan ng ilang taon, binuo namin ang ideyang ito ng mga robot na maaaring magdaya sa mga tao. Sa media ay may kaunting misperception na ito ay hahantong sa mga robot na pagnanakaw ng mga tao ng mga wallet.

Gusto kong gamitin ang sitwasyong pang-emergency evacuation: Hindi mo laging nais na maging tapat sa isang tao sa isang evacuation, tama ba? Halimbawa, kung may nagtanong sa iyo, "Tama ba ang aking pamilya?" Maaaring kahila-hilakbot kung sinabi ng robot, "Hindi, lahat sila ay namatay. Mangyaring sundin ako sa exit. "May ilang mga sitwasyon kung saan ang robot ay talagang kailangan upang maging maikling hindi tapat. Ngunit ang aking karanasan ay ang mga tao na nadama tulad ng sinusubukan naming humantong sa dulo ng mundo.

Palagi kaming interesado sa mga pro-social na aspeto ng mga diskarte ng human-robot na ito. Sinusubukan naming tulungan ang mga tao, hindi maging masama.