جنیفر نوویل: شکست‌های غافلگیرکننده نشان می‌دهند هوش مصنوعی کجا در فهم پیچیدگی کم می‌آورد

جنیفر نوویل، مدیر پژوهشی شریک در Microsoft و استاد علوم کامپیوتر و آمار دانشگاه Purdue، در گفت‌وگویی با چد آتالا از Microsoft Research دربارهٔ محدودیت‌های هوش مصنوعی و نقش ارزیابی در بهبود عملکرد آن صحبت کرده است. محور بحث، «شکست‌های غافلگیرکننده‌ای» است که هنگام آزمودن مدل‌ها فراتر از معیارهای متعارف آشکار می‌شوند و نشان می‌دهند سیستم‌ها در مواجهه با پیچیدگی کجا به مشکل می‌خورند.

نوویل پژوهش خود را بر یادگیری ماشین و هوش مصنوعی در حوزه‌های تعاملی و داده‌های ساختاریافته متمرکز کرده است؛ از جمله اینکه داده‌های آموزشی چگونه بر رفتار مدل‌ها اثر می‌گذارند و این رفتار تا چه حد با خواسته‌های کاربران هم‌خوان است. او همچنین بر بررسی دقیق داده‌ها، به‌ویژه زمانی که نتایج با انتظارها جور درنمی‌آیند، و شناخت عملی شیوهٔ کار با سامانه‌های فعلی هوش مصنوعی تأکید می‌کند.

نوویل در این گفت‌وگو از مسیر شغلی پرپیچ‌وخم خود نیز می‌گوید: او از ریاضیات و فیزیک به علوم شناختی رفت و سرانجام، با وجود تلاش برای دوری از این حوزه، وارد علوم کامپیوتر شد. به گفتهٔ او، تجربهٔ دوره‌هایی که پژوهش پیش نمی‌رفت و سپس رسیدن به درکی تازه از مسئله، از جذابیت‌های کار در مرز دانش بوده است.