[ad_1]
Haben Sie sich jemals gefragt, wie (generative) KI so intelligent werden kann? Es sind nicht nur Algorithmen und Code. Es ist die Arbeit menschlicher Annotatoren, der Geister in der Maschine, Menschen, die Berge von Rohdaten durchsuchen, sie kategorisieren und kennzeichnen, um die Maschinen zu trainieren, auf die wir uns mittlerweile verlassen. Dieser „Geist“ ist keine ätherische Präsenz, sondern eine Darstellung der menschlichen Anstrengung hinter den Kulissen, der sorgfältigen und akribischen Arbeit, die die Intelligenz der KI formt.
KI wird nicht mit der Fähigkeit geboren, zwischen einem Fahrrad und einem Fußgänger zu unterscheiden. Es wird trainiert und von den geisterhaften Händen dieser verborgenen Arbeiter geleitet, die rohe, unstrukturierte Daten in das strukturierte Format umwandeln, das Maschinen verstehen können. Diese Arbeitskräfte sind größtenteils hinter den Maschinen verborgen, und ihr Beitrag ist im Endprodukt oft unsichtbar, ähnlich wie Geister.
Die Arbeit selbst ist oft mühsam und eintönig, etwa jedes Fahrzeug, jeden Fußgänger, jeden Radfahrer usw. in Filmmaterial für selbstfahrende Autos Bild für Bild aus jedem möglichen Kamerawinkel zu identifizieren. Diese „gespenstische“ Task Force, die im Schatten arbeitet, spielt eine wesentliche Rolle, indem sie dem mechanischen Körper der KI den „Geist“ des Verstehens verleiht und es der Maschine ermöglicht, die Welt in gewisser Weise zu „sehen“ und zu „verstehen“. das die menschliche Wahrnehmung nachahmt. Im Wesentlichen ist der Geist in der Maschine die unsichtbare menschliche Intelligenz, die den künstlichen Antrieb antreibt.
In einigen Fällen werden Personen wie „Joe“ erwähnt ein Verge-Artikel führte Anmerkungs-Bootcamps für Unternehmen durch, die Etikettierer benötigten. Diese Etikettierer wurden mit einer Vielzahl von Aufgaben betraut, beispielsweise mit der Kategorisierung von Kleidungsstücken, die in Spiegel-Selfies zu sehen waren, der Identifizierung von Räumen aus der Perspektive von Roboterstaubsaugern oder der Kennzeichnung von Lidar-Scans von Motorrädern. Obwohl diese Arbeit von entscheidender Bedeutung ist, kann sie banal sein und viele Leute brechen ab, bevor sie das Bootcamp abgeschlossen haben.
Etikettierer sind oft mit Aufgaben beschäftigt, die rätselhaft abstrakt erscheinen und keinen Bezug zu einem erkennbaren Ziel haben. Ihre Aufgaben können von der Kennzeichnung von Objekten für selbstfahrende Autos über die Kategorisierung von Ausschnitten verzerrter Dialoge bis hin zum Hochladen von Fotos von sich selbst mit unterschiedlichen Gesichtsausdrücken oder in unterschiedlichen Outfits reichen. Doch diese Aufgaben, so banal oder bizarr sie auch erscheinen mögen, sind entscheidende Teile des größeren KI-Puzzles.
Die Herausforderung liegt jedoch in der Undurchsichtigkeit des Prozesses. Diese Aufgaben sind oft Teil größerer Projekte mit obskuren Codenamen wie „Crab Generation“ oder „Whale Segment“. Diese kryptischen Spitznamen geben keinen Einblick in das Endziel der jeweiligen Aufgabe und lassen die Etikettierer im Unklaren darüber, wofür die ultimative KI trainiert wird. Dies kann dem Zusammensetzen eines komplexen Puzzles ähneln, ohne Zugriff auf das Bild auf der Schachtel zu haben. Sie sind sich bewusst, dass jedes Teil wichtig ist, sind sich aber nicht sicher, welchen Beitrag es zum Gesamtbild leistet.
Diese Aufteilung der Aufgaben ist zwar effizient für die Bewältigung großer Arbeitsmengen, kann aber zu einer beunruhigenden Trennung führen. Die Etikettierer, im Grunde die „Geister in der Maschine“, investieren stundenlange Arbeit in den Aufbau eines KI-Systems, ohne das Gesamtdesign oder die Endanwendung ihres Labors vollständig zu verstehen. Sie sind die unsichtbare Kraft, die die Intelligenz von KI-Systemen formt, sind sich jedoch nicht darüber im Klaren, wie ihre Bemühungen im Gesamtzusammenhang genutzt werden.
Der aktuelle KI-Boom begann mit einer beispiellosen Leistung sich wiederholender Arbeit. Im Jahr 2007 fand der KI-Forscher Fei-Fei Li Tausende von Arbeitern auf Amazons Mechanical Turk, um etwas zu erschaffen ImageNet, ein kommentierter Datensatz, der Durchbrüche im maschinellen Lernen ermöglichte. Diese Art der Anmerkung bleibt ein grundlegender Bestandteil der KI-Erstellung, auch wenn sie oft als vorübergehende, unbequeme Voraussetzung für die glamourösere Arbeit der Modellerstellung angesehen wird. Es ist jedoch wichtig zu beachten, dass die Annotation nie wirklich abgeschlossen ist, da maschinelle Lernsysteme dazu neigen, auszufallen, wenn sie auf etwas stoßen, das in ihren Trainingsdaten nicht gut dargestellt ist, was eine kontinuierliche menschliche Eingabe erfordert.
Viele Menschen auf der ganzen Welt erledigen die alltägliche Handarbeit, die erforderlich ist, um die KI am Laufen zu halten. Zu den Aufgaben gehören unter anderem die Klassifizierung des emotionalen Inhalts von TikTok-Videos, neue Varianten von E-Mail-Spam, die genaue sexuelle Provokation von Online-Anzeigen, die Kategorisierung der Emotionen von Menschen bei Videoanrufen, die Kennzeichnung von Lebensmitteln für intelligente Kühlschränke, die Überprüfung automatischer Überwachungskameras vor dem Auslösen von Alarmen, und Identifizierung von Mais für autonome Traktoren.
Auch wenn wir uns dessen vielleicht nicht bewusst sind, wird jede unserer Interaktionen mit der KI durch diese unsichtbaren Helfer erleichtert. Wenn man sie jedoch als diejenigen bezeichnet, die die Technologie menschlich erscheinen lassen, wird die Realität ihrer oft eintönigen und unterschätzten Arbeit etwas romantisiert. Sie überbrücken nicht nur die Lücke zwischen Binärcode und unserer komplizierten, chaotischen Welt; Sie kennzeichnen und kommentieren Daten mühsam, oft ohne den größeren Kontext oder das Endziel ihrer Arbeit zu verstehen. Bevor Sie also über die Fähigkeiten einer KI staunen, denken Sie an die menschlichen Kommentatoren. Sie sind die übersehenen Geister in der KI-Maschine, die mühsame Aufgaben ausführen, um die Illusion von „Magie“ zu erzeugen.
[ad_2]