AI模型在實際運用中可能出現(xiàn)性能下降而達不到最初的標準，這種情況并不罕見。例如，也許你已經(jīng)注意到你經(jīng)常使用的生成人工智能服務的響應質(zhì)量發(fā)生了變化。這些說法經(jīng)常出現(xiàn)在新聞網(wǎng)站和社交媒體上。

但人工智能模型的性能是否會隨著時間的推移而惡化？

事實上，人工智能模型的有效性可能會下降，并且容易產(chǎn)生“幻覺”。

用人工智能專家的語言來說，這種現(xiàn)象通常被稱為“模型衰退”或“模型漂移”，這兩種術(shù)語經(jīng)?；Q使用。

發(fā)生這種情況的原因多種多樣。

“

為什么它很重要

人工智能越來越多地應用于日常生活的各個方面，包括拯救生命的行動和大額投資等。2023年3月，IEEE Spectrum上的一篇文章（https://spectrum.ieee.org/self-driving-cars-2662494269）強調(diào)了一個顯著的現(xiàn)實風險：自動駕駛汽車中的人工智能模型出現(xiàn)故障，導致了嚴重的車禍。

定期更新和使用當前數(shù)據(jù)進行重新培訓是維持這些模型在不斷變化環(huán)境中有效的關(guān)鍵。

“

什么是AI模型漂移

IEEE會員Eleanor “Nell” Watson解釋說，人工智能模型的準確性經(jīng)常會因為現(xiàn)實世界中不斷變化的環(huán)境而發(fā)生變化。

“例如，”Watson說，“考慮一個經(jīng)過訓練以預測消費者購買模式的模型。它是在代表某個時間點的消費者行為的數(shù)據(jù)集上訓練的。部署后，消費者偏好和市場動態(tài)可能會因新趨勢、經(jīng)濟變化甚至全球事件等各種因素而演變。由于該模型是在舊數(shù)據(jù)上訓練的，它可能無法準確捕捉這些新模式，導致其預測的準確性或相關(guān)性降低。這是模型衰減的表現(xiàn)?！?/p>

對抗數(shù)據(jù)漂移非常重要。為了做到這一點，人工智能研究人員傾向于將人工智能漂移進一步分類。如果你想了解更多，請查看這篇IEEEXplore的論文：https://ieeexplore.ieee.org/document/9808752。

Watson說：“解決模型衰退問題包括定期監(jiān)測、調(diào)整和用新數(shù)據(jù)更新模型，完善模型的架構(gòu)，甚至在某些情況下從頭開始重新訓練?！蓖瑫r還指出：“確保模型與當前數(shù)據(jù)的狀態(tài)和動態(tài)保持一致，以及對于數(shù)據(jù)的合理使用，對于維護AI模型的準確性至關(guān)重要。”

“

合成數(shù)據(jù)：一個新出現(xiàn)的挑戰(zhàn)

訓練人工智能模型需要大量的數(shù)據(jù)，有時這些數(shù)據(jù)是稀缺的。為了彌補這一不足，研究人員轉(zhuǎn)向了合成數(shù)據(jù)。

從本質(zhì)上講，合成數(shù)據(jù)是基于真實數(shù)據(jù)集生成的人工數(shù)據(jù)（https://standards.ieee.org/industry-connections/synthetic-data/#:~:text=Synthetic%20data%20is%20artificial%20data,e.g.%2C%20for%20AI%20training).）。它是實際的，同時也能夠在統(tǒng)計上代表原來存在的數(shù)據(jù)。

研究人員明白，盡管合成數(shù)據(jù)有其存在的用途，但過度的依賴合成數(shù)據(jù)也可能導致性能下降，IEEE Spectrum發(fā)表的兩篇研究論文探討了這一想法：https://spectrum.ieee.org/ai-collapse。

Watson說，過度依賴合成數(shù)據(jù)“可能會縮小視角并強化偏見，因為模型可能會根據(jù)類似系統(tǒng)生成的數(shù)據(jù)進行訓練”。生成人工智能的快速內(nèi)容生產(chǎn)速度往往加劇了這個問題。

挑戰(zhàn)可能更加嚴峻。人工智能模型的開發(fā)者經(jīng)常通過人們的幫助來標記數(shù)據(jù)。例如，如果你想開發(fā)一個識別圖像情感內(nèi)容的人工智能模型，通常需要人們來對圖像進行評分?；蛘哂袝r，研究人員需要大量的調(diào)查數(shù)據(jù)，這種勞動力極其廉價——時薪不到1美元。這些被稱為人類智能任務（https://www.designboom.com/technology/ai-has-generated-150-years-worth-of-photographs-in-less-than-12-months-study-shows-08-21-2023/）。

“一些人為生成的數(shù)據(jù)可能是不真實的，”Watson說，“外包給人工智能任務工作者的任務使用人工智能越來越自動化，導致潛在的偏見和不準確。公司所需要的自然、高質(zhì)量的數(shù)據(jù)，可能需要額外的身份驗證層來確保人工生成內(nèi)容的真實性?！?/p>

審核編輯：黃飛