Adimen artifizialak ez du aurrerapen zientifikoaren logika jarraitzen
Askotan idatzi dugu MTn ikasketa automatikoko sistemak "kutxa beltz" gisa (1) aldarrikatzen dituzten ikertzaile eta profesionalei buruz, baita horiek eraikitzen dituztenentzat ere. Horrek zaildu egiten du emaitzak ebaluatzea eta sortzen ari diren algoritmoak berrerabiltzea.
Sare neuronalak -bihurketa-bot adimentsuak eta poesia sor dezaketen testu-sorgailu burutsuak eskaintzen dizkiguten teknikak- misterio ulertezina izaten jarraitzen dute kanpoko behatzaileentzat.
Gero eta handiagoak eta konplexuagoak dira, datu multzo handiak maneiatzen dituzte eta konputazio-matrize masiboak erabiltzen dituzte. Horri esker, lortutako ereduen erreplika eta azterketa garestia eta batzuetan ezinezkoa da beste ikertzaileentzat, aurrekontu handiak dituzten zentro handientzat izan ezik.
Zientzialari askok ondo dakite arazo hau. Horien artean Joel Pino dago (2), NeurIPSeko presidentea, erreproduzigarritasunari buruzko konferentzia nagusia. Bere gidaritzapean dauden adituek "erreproduzigarritasun-zerrenda" bat sortu nahi dute.
Ideia, Pinoren esanetan, ikertzaileak bultzatzea da besteei bide orri bat eskain diezaieten, lehendik egindako lana birsortu eta erabil dezaten. Testu-sorgailu berri baten elokuentziaz edo bideo-jokoko robot baten giza gaindiko trebetasunaz harritu zaitezke, baina aditu onenek ere ez dute ideiarik nola funtzionatzen duten mirariak. Horregatik, AI ereduen erreprodukzioa garrantzitsua da ikerketarako helburu eta norabide berriak identifikatzeko ez ezik, erabiltzeko gida praktiko huts gisa ere.
Beste batzuk arazo hau konpontzen saiatzen ari dira. Google ikertzaileek "eredu-txartelak" eskaini zituzten sistemak nola probatu ziren zehatz-mehatz deskribatzeko, balizko akatsak adierazten dituzten emaitzak barne. Allen Institute for Artificial Intelligence (AI2) erakundeko ikertzaileek Pinot-en erreproduzigarritasunaren kontrol-zerrenda prozesu esperimentalaren beste urrats batzuetara zabaltzea helburu duen dokumentu bat argitaratu dute. "Erakutsi zure lana", eskatzen dute.
Batzuetan oinarrizko informazioa falta da ikerketa-proiektuaren jabetzakoa delako, batez ere enpresarako lan egiten duten laborategiak. Sarritan, ordea, ikerketa-metodo aldakorrak eta gero eta konplexuagoak deskribatzeko ezintasunaren seinale da. Sare neuronalak oso eremu konplexua dira. Emaitza onenak lortzeko, milaka "botoi eta botoi"ren sintonizazio finak behar izaten dira, batzuek "magia beltza" deitzen dutena. Eredu optimoa aukeratzea sarritan esperimentu ugarirekin lotzen da. Magia oso garestia bihurtzen da.
Adibidez, Facebook DeepMind Alphabet-ek garatutako AlphaGo-ren lana errepikatzen saiatu zenean, zeregina oso zaila izan zen. Konputazio-eskakizun handiak, milaka gailutan milaka esperimentu egun askotan zehar, kode faltarekin batera, sistema "oso zaila, ezinezkoa ez bada, birsortzea, probatzea, hobetzea eta hedatzea", Facebookeko langileen arabera.
Badirudi arazoa espezializatua dela. Hala ere, gehiago pentsatzen badugu, ikerketa talde baten eta besteen arteko emaitzen eta funtzioen erreproduzigarritasunaren arazoen fenomenoak ahultzen du ezagutzen ditugun zientziaren eta ikerketa prozesuen funtzionamenduaren logika guztia. Oro har, aurreko ikerketen emaitzak ezagutzaren, teknologiaren eta aurrerapen orokorraren garapena suspertzen dituen ikerketa gehiago egiteko oinarri gisa erabil daitezke.
