Incuriosito dall’idea di poter predire il futuro, il programmatore di applicazioni Wayde Gilliam si è immerso nell’apprendimento automatico e nell’intelligenza artificiale. In queste domande e risposte, il membro del team Tritonlytics racconta come ha portato questa passione per l’intelligenza artificiale all’università, creando strumenti che aiutano il team a concentrarsi sugli aspetti più importanti del proprio lavoro.
Wayde Gilliam, membro del team Tritonlytics, racconta come ha portato questa passione per l’intelligenza artificiale all’università, creando strumenti che aiutano il team a concentrarsi sugli aspetti più importanti del proprio lavoro. Credito immagine: UCSD
Come ti sei interessato all’Intelligenza Artificiale?
Il mio background è principalmente quello di ingegnere del software. Quattro o cinque anni fa, ho seguito un corso sull’apprendimento automatico e me ne sono innamorato: l’idea di essere in grado di predire il futuro in qualche modo. La domanda con cui ho lottato è stata: “Come si applica sul posto di lavoro e si distribuisce qualcosa che le persone possono usare?”
Fortunatamente, ho trovato questa comunità e questo corso chiamato veloce.ai guidato da un esperto di intelligenza artificiale e imprenditore di nome Jeremy Howard. Insegna l’intelligenza artificiale con un approccio dall’alto verso il basso, un po’ come allenerei i miei figli a giocare a baseball. Ad esempio, non inizierei con la fisica delle oscillazioni della mazza o come si muove la palla, inizierei dalle basi: la palla verrà verso di te e tu oscillerai e prenderai contatto.
Ho iniziato il corso, sono stato davvero coinvolto nella comunità e, come collaboratore della loro libreria di deep learning, ho creato una libreria open source, ho guidato gruppi di studio e alla fine sono diventato un leader della comunità fast.ai.
Come molti altri, sono davvero entusiasta di esplorare come utilizzare lo stesso tipo di modelli linguistici di grandi dimensioni apprezzati dagli strumenti elettrici ChatGPT.
Sito web ChatGPT sullo schermo di un computer – interpretazione artistica. Credito immagine: Jonathan Kemper tramite Unsplash, licenza gratuita
Quando le persone usano ChatGPT pensano che sia AI, quando in realtà è semplicemente un’applicazione web basata sull’intelligenza artificiale e il potere dell’IA si presenta sotto forma di questa cosa chiamata modello linguistico di grandi dimensioni (o LLM). Fondamentalmente, gli LLM sono gigantesche reti neurali che sono state addestrate su un’enorme quantità di dati per prevedere la parola successiva, a volte utilizzando il feedback di esseri umani reali.
I ricercatori hanno scoperto che quando si forniscono a questi modelli molti dati, possono diventare così bravi nel prevedere cosa accadrà dopo che gli utenti finali potrebbero iniziare a pensare di aver raggiunto un certo senso di sensibilità. Anche se può quasi sembrare che siano una sorta di creatura, è meglio pensarli come un copilota che può aiutarci a essere più efficienti e ad automatizzare il banale grazie a ciò che ha imparato sul modo in cui parliamo.
Quando hai potuto applicare per la prima volta questa nuova passione al tuo lavoro all’università?
Stavo seguendo il corso fast.ai e stavo contribuendo a una varietà di progetti open source incentrati sulle attività di elaborazione del linguaggio naturale (PNL), poiché probabilmente sembrava essere molto utile qui.
Lavoro con Angela Song e il Squadra Tritonlytics. La maggior parte del nostro lavoro riguarda l’implementazione di sondaggi e la fornitura di analisi agli utenti finali per aiutarli a farsi un’idea di come si sentono docenti, personale e studenti in modo da intraprendere azioni significative.
Abbiamo iniziato con un unico sondaggio presso l’UC San Diego e da allora abbiamo ampliato i nostri servizi in tutto il campus a tutte le aree del Vicerettore, alla sanità e anche esternamente alle università Cal State, alle università fuori dalla California e alle organizzazioni no-profit.
Per quanto riguarda il mio lavoro con il team Tritonlytics e i nostri sondaggi, ho pensato che l’applicazione più utile dell’apprendimento automatico sarebbe arrivata sotto forma di lavoro con i nostri dati qualitativi, che sono i commenti.
La mia idea è che quando qualcuno passa del tempo a scrivere un commento anonimo, hai un’idea di come si sente veramente. Inoltre, è davvero difficile analizzare dati qualitativi: non è così semplice come poter semplicemente osservare e tracciare i dati numerici che puoi ottenere da domande in cui chiedi a qualcuno di valutare un dipartimento su una scala da uno a cinque.
Poiché queste domande qualitative possono essere impegnative e richiedere molto tempo per il mio gruppo, una delle prime cose che ho costruito è stato un modello di classificazione in grado di analizzare il sentiment. Quando al modello vengono forniti commenti sul sondaggio, tenterà di suddividerli per area tematica.
Un commento può menzionare cinque cose diverse e vogliamo valutare il sentiment per tutte. Quindi il modello analizza tutto ciò ed è addestrato a identificare sette o otto diversi tipi di sentimento: diversi livelli di positività, la sensazione che l’utente possa sentirsi minacciato, se c’è linguaggio volgare e anche se il commento potrebbe essere considerato senza senso.
Questo modello è stato inizialmente addestrato su diverse migliaia di commenti al sondaggio che abbiamo annotato manualmente. Questa era la linea di base. Con il passare del tempo, abbiamo apportato correzioni al sentiment previsto e reinserito tali correzioni nel modello per migliorarlo continuamente.
Mi sono poi rivolto a un’altra area che richiede molto tempo al nostro team. Forniamo un servizio in cui raccogliamo i commenti dei sondaggi, tentiamo di trovare temi e quindi riportiamo ai clienti i temi e i commenti ad essi associati. Richiede tempo ed è anche soggettivo.
Ciò che una persona pensa si applica al tema A, un’altra può attribuirlo al tema B. È difficile esaminare 5-10.000 commenti e catturare i temi in modo corretto e coerente. Detto questo, ho creato una pipeline di machine learning che tenta di raggruppare segmenti di testo e prevedere un nome per il cluster sotto forma di tema.
Eliminando il lavoro manuale, utilizziamo il nostro tempo per rivedere e correggere i nomi dei temi che non catturano realmente lo spirito dei commenti.
Il risultato netto è un enorme risparmio di tempo e la capacità di correlare meglio i nostri risultati attraverso visualizzazioni create dal nostro team, come nuvole di parole. Possiamo quindi fornire questo servizio a un numero maggiore di clienti che saranno meglio informati su come agire a sostegno del proprio personale.
Per quanto riguarda i sondaggi, le persone chiedono sempre se qualcuno sta guardando i loro commenti e se i loro commenti sono anonimi. Spero che i nuovi strumenti basati sull’intelligenza artificiale come quelli che abbiamo ora e che stiamo creando facciano capire alle persone che vogliamo assolutamente ascoltare e comprendere il loro feedback.
Ci impegniamo a trattare i commenti con il massimo rispetto e a garantire che l’anonimato delle persone non venga mai messo a repentaglio durante tutto il processo di creazione di feedback significativi per la leadership. I nuovi strumenti basati sull’intelligenza artificiale e il nostro coinvolgimento degli esseri umani contribuiscono a far sì che tutto ciò avvenga in modo più fluido.
Tutto questo era pre-Chat GPT: a cosa state lavorando adesso?
C’è molto slancio per utilizzare i modelli dietro ChatGPT per creare sofisticate applicazioni personalizzate. Ecco un esempio. I nostri clienti hanno sempre domande sui dati che potrebbero non essere catturati nel report che forniamo.
Sarebbe molto dispendioso in termini di tempo, o forse addirittura impossibile, creare un report con tutto ciò che potrebbero chiedere, quindi speriamo di implementare nel nostro prodotto di analisi la possibilità di utilizzare un chat bot che consentirà ai clienti di parlare con i dati del loro sondaggio . Potranno porre domande come: Quali sono le cinque cose di cui le persone sono più insoddisfatte? Quali sono le tre cose principali che possiamo fare per migliorare? In cosa le persone sono più positive?
Il chatbot sarà in grado di fornire risposte sulla base dei commenti del sondaggio insieme alle citazioni in modo che possa essere verificato. È inoltre in fase di creazione in modo che i clienti possano fornire feedback sulle risposte dei bot di chat che possono a loro volta essere utilizzati per monitorare e migliorare il modello col passare del tempo.
Stiamo anche lavorando su un prodotto per generare dinamicamente report basati sulla descrizione dell’utente di ciò che desidera vedere.
Attualmente, se qualcuno di Tritonlytics vuole sapere come è andato un sondaggio specifico, gli sviluppatori e il resto dello staff possono crearlo, ma stiamo cercando un modo per creare report semplicemente facendo parlare i project manager con un’applicazione e descrivendo cosa stanno facendo. Volere. L’applicazione genererà il codice per creare quel report senza dover rivolgersi a uno sviluppatore.
Cosa pensi del futuro dell’IA?
Secondo la mia esperienza, l’intelligenza artificiale funziona meglio quando gli esseri umani sono coinvolti. Automatizzi le attività noiose in modo che le persone possano concentrarsi sulle cose importanti. Questo ci rende più efficienti e migliora la qualità della nostra produzione.
Prevedo un netto aumento del numero di applicazioni basate sull’intelligenza artificiale all’interno del nostro dipartimento e dell’università nei prossimi tre-cinque anni.
In questo momento, sono convinto che la maggior parte delle persone non capisca veramente cosa sia l’intelligenza artificiale e non sappia se averne paura o addirittura come potrebbe essere utilizzata. Spero di contribuire a chiarire questi malintesi e aiutare gli altri a capire come lavorare con l’intelligenza artificiale, qui alla UC San Diego e oltre.
Fonte: UCSD
Da un’altra testata giornalistica. news de www.technology.org
