Η πρόοδος της τεχνητής νοημοσύνης επιβραδύνει λόγω υπερβολικής ποσότητας άχρηστων δεδομένων – είναι υπερβολικά πολλά.

Κύριος συμπέρασμα: για να μεταβούμε από το ChatGPT σε «ζωντανούς» ρομπότ, χρειάζονται όχι απλώς μεγάλα σύνολα δεδομένων, αλλά ποιοτικά και σχετικές πληροφορίες.

Η Fortune τονίζει ότι η βιομηχανία ΤΝ βρίσκεται στην πύλη μιας νέας εποχής – του φυσικού νοημοσύνης και των μοντέλων του περιβάλλοντος. Έτοιμα συστήματα πρέπει να μπορούν να προσανατολίζονται στον πραγματικό χώρο: να κινούνται στη διαδρομή, να βάζουν το πλυντήριο ή να βοηθούν σε περίπλοκες χειρουργικές επεμβάσεις. Για αυτόν τον σκοπό χρειάζονται όχι απλά «φορτωμένα» δεδομένα, αλλά πλούσια, πολυδιάστατα σύνολα πληροφοριών.

Γιατί η ποιότητα των δεδομένων είναι κρίσιμη
1. Υπερβολικότητα και αχρησιμοποίητο

Στο περιβάλλον της ενθουσιασμού γύρω από την ΤΝ εμφανίστηκαν πολλοί νεοφυείς (Scale AI, Surge AI, Mercor) που επιδιώκουν να συλλέξουν όσο το δυνατόν περισσότερα δεδομένα. Αυτό οδηγεί στην αποθήκευση τεράστιων όγκων «κενών» αρχείων που δεν συμβάλλουν στη μάθηση των μοντέλων. Αν οι ερευνητές δεν τα φιλτράρουν, το δυναμικό της φυσικής ΤΝ θα παραμείνει ανεξ exploited.

2. Πολυδιάστατη πολυπλοκότητα

Η κατανόηση του σύνθετου κόσμου απαιτεί ακόμη μεγαλύτερους όγκους δεδομένων, αλλά είναι εξαιρετικά δύσκολα προσβάσιμα. Γι’ αυτό οι μηχανικοί χρησιμοποιούν μοντελοποίηση: δημιουργούν εικονικές αναπαραστάσεις πραγματικών σενάριων για να παράγουν εκπαιδευτικά παραδείγματα για ρομπότ και αυτόνομα οχήματα.

3. Κίνδυνοι χαμηλής ποιότητας συνόλων

Τα μη ποιοτικά δεδομένα μπορεί να οδηγήσουν σε απρόβλεπτα αποτελέσματα. Ένα παράδειγμα είναι η διακοπή υποστήριξης της εφαρμογής βίντεο Sora του OpenAI: το μοντέλο δεν ανταποκρίθηκε στη φυσική, εμποδίζοντας ρεαλιστικές προβλέψεις.

Πώς να αντιμετωπίσουμε το πρόβλημα
- Εργαλεία καθαρισμού

Οι ειδικοί στην μηχανική μάθηση χρειάζονται τεχνολογίες που αυτοματοποιούν την αφαίρεση περιττών δεδομένων, αναλύουν, κανονικοποιούν και διορθώνουν τα σύνολα. Αυτό θα επιτρέψει να εξάγουμε πολύτιμες πληροφορίες από το «θόρυβο».

- Εστίαση στην ποιότητα

Τώρα ο περιοριστικός παράγοντας είναι η έλλειψη ποιοτικών δεδομένων. Οι εταιρείες που πρώτα θα καταλάβουν αυτό και θα αρχίσουν να επενδύουν στη συλλογή και επεξεργασία τους, θα γίνουν οι ηγέτες στην δημιουργία πραγματικά λειτουργικών συστημάτων ΤΝ.

Έτσι, η μετάβαση από τα κειμενικά μοντέλα σε ρομπότ που μπορούν να ενεργήσουν στον πραγματικό κόσμο είναι αδύνατη χωρίς μια συστηματική προσέγγιση για την ποιότητα των εκπαιδευτικών δεδομένων. Η Fortune τονίζει ότι αυτός ο παράγοντας θα καθορίσει το μέλλον της φυσικής νοημοσύνης.