paint-brush
प्रतिस्पर्धी एआई भूमिकाओं में अधिक विविधता के लिए इंटर्नशिप पाइपलाइन के पुनर्निर्माण की आवश्यकता क्यों हैद्वारा@nesquena
278 रीडिंग

प्रतिस्पर्धी एआई भूमिकाओं में अधिक विविधता के लिए इंटर्नशिप पाइपलाइन के पुनर्निर्माण की आवश्यकता क्यों है

द्वारा Nathan Esquenazi
Nathan Esquenazi HackerNoon profile picture

Nathan Esquenazi

@nesquena

Co-Founder at CodePath - a 501(c)(3) nonprofit transforming computer science...

3 मिनट read2022/07/12
Read on Terminal Reader
Read this story in a terminal
Print this story
Read this story w/o Javascript
Read this story w/o Javascript

बहुत लंबा; पढ़ने के लिए

एआई सिस्टम मानव निर्णयों द्वारा उत्पन्न डेटा से सीखते हैं, इसलिए वे हमारे अपने समाज के पूर्वाग्रहों को वापस प्रतिबिंबित कर रहे हैं और हमारी तकनीक में बढ़ाए गए हैं। एआई नाउ इंस्टीट्यूट के एक अध्ययन में पाया गया कि प्रमुख तकनीकी कंपनियों में 5% से भी कम कर्मचारी ब्लैक या लैटिनक्स थे। आपके पास डेटा के साथ काम करने वाले अलग-अलग पृष्ठभूमि के जितने अधिक लोग होंगे, उतनी ही अधिक संभावना होगी कि टीम बहुत देर होने से पहले पूर्वाग्रह को पहचानने में सक्षम होगी। नस्ल, लिंग, यौन अभिविन्यास, आयु, आर्थिक स्थितियों और अधिक में अधिक विविध प्रतिनिधित्व अधिक सटीक और नैतिक एआई सिस्टम बनाता है।

Companies Mentioned

Mention Thumbnail
Google
Mention Thumbnail
Tesla
featured image - प्रतिस्पर्धी एआई भूमिकाओं में अधिक विविधता के लिए इंटर्नशिप पाइपलाइन के पुनर्निर्माण की आवश्यकता क्यों है
Nathan Esquenazi HackerNoon profile picture
Nathan Esquenazi

Nathan Esquenazi

@nesquena

Co-Founder at CodePath - a 501(c)(3) nonprofit transforming computer science education. Learn more @ codepath.org

हमारे आर्टिफिशियल इंटेलिजेंस सिस्टम में पूर्वाग्रहों को दूर करना वर्तमान युग की सबसे जरूरी चुनौतियों में से एक है। क्यों? क्योंकि इन प्रणालियों में पूर्वाग्रहों के परिणाम सबसे ज्यादा समस्याग्रस्त और सबसे ज्यादा घातक होते हैं।

एक पेशेवर इंजीनियर के रूप में लगभग 2 दशकों के अनुभव के बाद, मैं कृत्रिम बुद्धिमत्ता को मानवता के सामने रखे हुए दर्पण के रूप में देखता हूं। आखिरकार, एआई सिस्टम मानव निर्णयों द्वारा उत्पन्न डेटा से सीखते हैं, इसलिए वे केवल हमारे अपने समाज के पूर्वाग्रहों को वापस प्रतिबिंबित कर रहे हैं जो हमारी तकनीक में एन्कोड और प्रवर्धित हैं।

2015 के एक कुख्यात उदाहरण में , एक Google इंजीनियर ने देखा कि कंपनी की छवि-पहचान प्रणाली अश्वेत लोगों को "गोरिल्ला" के रूप में लेबल कर रही थी। जब इन प्रणालियों, उदाहरण के लिए, टेस्ला के स्वायत्त वाहनों को प्रशिक्षित करने के लिए उपयोग किया जाता है, तो गहरे रंग की त्वचा वाले मनुष्यों की सही पहचान करने में उनकी अक्षमता के जीवन-धमकाने वाले परिणाम हो सकते हैं।

हालांकि भयानक, इन उदाहरणों का मतलब यह नहीं होना चाहिए कि हमें एआई-सक्षम प्रौद्योगिकी के आगे विकास में सभी आशा खोनी है। वास्तव में, ऐसे बहुत से उपकरण हैं जिनका उपयोग इंजीनियरिंग टीमें अन्यायपूर्ण और विनाशकारी परिणामों को रोकने के लिए अपने डेटा और एल्गोरिथम मॉडल में पूर्वाग्रहों को पहचानने और हटाने के लिए कर सकती हैं।

हालाँकि, हमारे वर्तमान और भविष्य को आकार देने वाले AI सिस्टम के निर्माण के लिए काम करने वाली टीमों की सदस्यता के भीतर विविधता होने के साथ कुंजी शुरू होती है।

नस्ल, लिंग, यौन अभिविन्यास, आयु, आर्थिक स्थितियों, और अधिक में विविध प्रतिनिधित्व के साथ एआई टीमों का निर्माण अधिक सटीक और नैतिक एआई सिस्टम के लिए बनाते हैं। आपके पास डेटा के साथ काम करने वाले विभिन्न पृष्ठभूमि के जितने अधिक लोग होंगे, उतनी ही अधिक संभावना होगी कि टीम बहुत देर होने से पहले पूर्वाग्रह को पहचानने में सक्षम होगी। विविधता अधिक रचनात्मक सोच को भी प्रेरित करती है और साथ ही बड़े और व्यापक बाजारों में स्केल करने की आपकी क्षमता में सुधार करती है।

अधिक विविध AI टीम को कैसे नियुक्त करें

जैसा कि यह खड़ा है, तकनीकी कंपनियों में विविधता की भारी कमी है। एआई नाउ इंस्टीट्यूट के 2019 के एक अध्ययन में पाया गया कि प्रमुख प्रौद्योगिकी कंपनियों में 5% से कम कार्यबल ब्लैक या लैटिनक्स थे। इस बीच, अमेरिका की आबादी 13.4% अश्वेत और 18.4% लैटिनक्स लोगों से बनी है।

इन अंतरालों के स्पष्टीकरण को कई कारकों के लिए जिम्मेदार ठहराया जा सकता है - जिसमें अल्पसंख्यक छात्रों और संभावित नौकरी उम्मीदवारों द्वारा सामना की जाने वाली ऐतिहासिक और संरचनात्मक बाधाएं शामिल हैं।

डेटा से पता चलता है कि 80% ब्लैक, लैटिनक्स, स्वदेशी, पहली पीढ़ी और कम आय वाले छात्र, जो सीएस डिग्री शुरू करते हैं, अपने कार्यक्रम से बाहर हो जाते हैं।

इस डेटा का उपयोग करते हुए, हमने एक छात्र के प्रक्षेपवक्र के साथ एक महत्वपूर्ण बिंदु पर हस्तक्षेप करना चुना - उनके कॉलेज के वर्षों में - और कंप्यूटर विज्ञान में उनके निरंतर निवेश का समर्थन करने के लिए प्रोग्रामिंग का निर्माण किया और एक डिग्री हासिल करने के साथ-साथ प्रतिस्पर्धी इंटर्नशिप और पूर्ण में प्रवेश करने में अंततः सफलता मिली। -समय तकनीकी सॉफ्टवेयर भूमिकाएँ।

यह महत्वपूर्ण है कि व्यावहारिक कौशल, कनेक्शन और आत्मविश्वास का निर्माण करने वाली सशुल्क इंटर्नशिप को एक छात्र की सीखने की यात्रा की शुरुआत में और उसके दौरान बेक किया जाना चाहिए।

इन शुरुआती इंटर्नशिप का लक्ष्य, जो विशेष रूप से उभरते हुए जूनियर्स के लिए डिज़ाइन किया गया है, कई कम प्रतिनिधित्व वाले छात्रों को तकनीकी अनुभव प्रदान करना और उनके कॉलेज के करियर की शुरुआत में सहायता प्रदान करना है, इससे पहले कि वे मेजर को छोड़ने या स्विच करने का निर्णय लें।

उदाहरण के लिए, कम प्रतिनिधित्व वाले सीएस छात्रों के लिए द समर इंटर्नशिप फॉर टेक एक्सीलेंस (एसआईटीई) कार्यक्रम को पहले ही सफलता मिल चुकी है, जिसमें 2021 में से लगभग 86% स्नातकों ने जूनियर ईयर पेड इंटर्नशिप के अवसर हासिल किए हैं। फ्यूचरफोर्स टेक लॉन्चपैड नामक एक अन्य प्री-इंटर्नशिप प्रोग्राम जून में 25 प्री-इंटर्न के अपने पहले समूह के साथ शुरू हो रहा है।

ये कंपनियां और अन्य कुछ ऐसे नेता हैं जो कृत्रिम बुद्धिमत्ता के भविष्य को आकार देंगे, जिसमें हम कदम रख रहे हैं, यही कारण है कि यह आवश्यक है कि वे अपनी उत्पाद टीमों में विविधता को नियोजित करें।

लेकिन अगर कोई कंपनी सीधे एआई पर काम नहीं कर रही है, तो भी वे शायद इसे काम पर रखने के लिए इस्तेमाल कर रहे हैं, जिसका मतलब है कि संभावित प्रतिभा का आकलन करने के लिए इस्तेमाल किए जा रहे सॉफ़्टवेयर में लगातार बहिष्करण शामिल हैं।

यह केवल अधिक मानव-केंद्रित पुलों की आवश्यकता को प्रदर्शित करता है - संबंधों को बढ़ावा देना और सलाह प्रदान करना - ठोस कम प्रतिनिधित्व वाले इंजीनियरिंग उम्मीदवारों और कामकाजी तकनीकी पेशेवरों के बीच।

एआई हर जगह है। और जब तक हम इसे डिजाइन और निर्माण करने के लिए जानबूझकर अधिक विविध टीमों की भर्ती करना शुरू नहीं करते, हम अपनी दुनिया पर इस तकनीक के समस्याग्रस्त और खतरनाक प्रभावों को देखना जारी रखेंगे।

हालांकि, क्रॉस-सेक्टर साझेदारी के माध्यम से - विश्वविद्यालयों, प्रौद्योगिकी कंपनियों और अन्य गैर-लाभकारी संस्थाओं को एक साथ लाना - हम तकनीकी कार्यबल के लिए पाइपलाइन को फिर से शुरू कर सकते हैं और शायद हमारे द्वारा निर्मित कृत्रिम बुद्धिमत्ता के दर्पण के माध्यम से एक अधिक न्यायसंगत दुनिया को हम पर वापस देखना शुरू कर सकते हैं। .

L O A D I N G
. . . comments & more!

About Author

Nathan Esquenazi HackerNoon profile picture
Nathan Esquenazi@nesquena
Co-Founder at CodePath - a 501(c)(3) nonprofit transforming computer science education. Learn more @ codepath.org

लेबल

इस लेख में चित्रित किया गया था...

Arweave
Read on Terminal Reader
Read this story in a terminal
 Terminal
Read this story w/o Javascript
Read this story w/o Javascript
 Lite

Mentioned in this story

companies
X REMOVE AD