เกิดอะไรขึ้น
edhat รายงานว่านักวิจัย นักพัฒนา และนักวิเคราะห์ข้อมูลที่ 22 คนจากศูนย์การวิเคราะห์และการสังเคราะห์เชิงนิเวศน์แห่งชาติของ UC Santa Barbara ร่วมเขียน "กฎง่ายๆ 10 ข้อสำหรับการใช้ อย่างมีประสิทธิภาพสำหรับการพัฒนาโค้ดในสาขาวิทยาศาสตร์สิ่งแวดล้อม" ตีพิมพ์ใน PLOS Computational Biology คำแนะนำดังกล่าวเกิดขึ้นจากการจัดทำดัชนี Wildfire Resilience Index ซึ่งเป็นโครงการแบบเปิดที่รวมภาพถ่ายดาวเทียม ข้อมูลปกคลุมพื้นดิน และตัวแปรทางเศรษฐกิจและสังคมในสองประเทศและเขตอำนาจศาล 13 แห่ง
edhat รายงานว่านักวิจัยจากศูนย์วิเคราะห์และสังเคราะห์ระบบนิเวศแห่งชาติของ UC Santa Barbara ได้พัฒนาแนวทางนี้หลังจากเผชิญกับคำถามเดียวกันซ้ำแล้วซ้ำเล่าในระหว่างโครงการข้อมูลด้านสิ่งแวดล้อม คำถามเหล่านั้นรวมถึงการเชื่อถือคำแนะนำที่สร้างโดย AI หรือไม่ สิทธิ์ในการเข้าถึงตัวแทน AI มากน้อยเพียงใด และจะทำอย่างไรเมื่อเซสชั่นการสนทนาที่ยาวนานสูญเสียการติดตามการตัดสินใจก่อนหน้านี้ เป้าหมายที่รายงานคือการเปลี่ยนการอภิปรายแบบไม่เป็นทางการทีละโครงการให้เป็นแนวทางร่วมกันสำหรับสาขาที่กว้างขึ้น
จากข้อมูลของ edhat งานนี้จัดทำขึ้นโดย Wildfire Resilience Index ซึ่งเป็นเครื่องมือแบบเปิดที่มีจุดประสงค์เพื่อวัดว่าชุมชนและภูมิทัศน์เตรียมพร้อมสำหรับไฟป่าอย่างไร โครงการสำหรับ 6 คนนี้ได้รวมภาพถ่ายดาวเทียม ข้อมูลพื้นที่ปกคลุม และตัวแปรทางเศรษฐกิจและสังคมผ่านท่อส่ง R และ Python ที่ครอบคลุมสองประเทศและเขตอำนาจศาล 13 แห่ง รายงานระบุว่าโครงการนี้เริ่มต้นในปี 2023 และการพัฒนาอย่างรวดเร็วของเครื่องมือเขียนโค้ด AI ส่งผลให้บทเรียนที่ได้เรียนรู้ตั้งแต่เนิ่นๆ ในการทำงานอาจล้าสมัยอย่างรวดเร็ว
edhat รายงานว่า NCEAS ได้รวบรวมนักวิจัย นักพัฒนาซอฟต์แวร์ นักวิเคราะห์ข้อมูล และอาจารย์มารวมตัวกัน คำแนะนำที่เป็นผลลัพธ์ได้รับการปรับปรุงผ่านการทบทวนวรรณกรรมและการเขียนร่วมหลายเดือนโดยผู้เข้าร่วม 22 คน รายงานระบุว่าคำแนะนำถูกแบ่งออกเป็นสามขั้นตอน ได้แก่ ก่อนการเขียนโค้ด ระหว่างการเขียนโค้ด และหลังการเขียนโค้ด โดยครอบคลุมถึงการเลือกระบบ AI แนวทางปฏิบัติในการใช้ AI ในระหว่างการพัฒนา การตรวจสอบโค้ดที่สร้างขึ้น และเอกสารประกอบของกระบวนการ
บทความนี้กล่าวว่านักวิจัยไม่ได้กำหนดว่าควรใช้ สำหรับงานทางวิทยาศาสตร์ใดๆ หรือไม่ แต่พวกเขาปฏิบัติต่อการใช้งานอย่างรับผิดชอบหลังจากการตัดสินใจครั้งนั้นว่าเป็นทักษะที่นักวิจัยจำเป็นต้องพัฒนา แหล่งที่มาไม่ได้ยืนยันการตีพิมพ์ของ PLOS Computational Biology อย่างอิสระ ทำซ้ำกฎเกณฑ์ทั้งหมดของรายงาน หรืออธิบายกระบวนการทบทวนและประเมินผลของรายงาน ดัชนีความสามารถในการฟื้นตัวของไฟป่าได้รับการระบุในรายงานว่ามีอยู่ที่ wildfireindex.org
ทำไมมันถึงสำคัญ
รายงานอธิบายถึงความพยายามในการจัดการกับช่องว่างในทางปฏิบัติระหว่างคำแนะนำ AI อย่างกว้างๆ และเงื่อนไขของการวิจัยด้านสิ่งแวดล้อม โดยที่ทีมขนาดเล็กทำงานกับข้อมูลหลายแหล่งที่ยุ่งเหยิง และประสบการณ์การเขียนโค้ดในระดับต่างๆ คำแนะนำยังเน้นคำถามที่ยังไม่ได้รับการแก้ไขเกี่ยวกับการเข้าถึงที่ไม่เท่าเทียมกัน ต้นทุนด้านสิ่งแวดล้อม การหยุดชะงักของพนักงาน และความรับผิดชอบในการตรวจสอบโค้ดที่สร้างโดย AI
ความสำคัญเชิงปฏิบัติที่ edhat อธิบายไว้นั้นอยู่ที่ความไม่ตรงกันระหว่างคำแนะนำทั่วไปของ AI และขั้นตอนการทำงานด้านวิทยาศาสตร์สิ่งแวดล้อม รายงานระบุลักษณะขั้นตอนการทำงานที่เกี่ยวข้องกับข้อมูลหลายแหล่งที่ยุ่งเหยิง ทีมขนาดเล็ก และประสบการณ์การเขียนโค้ดที่ไม่สม่ำเสมอ ในการตั้งค่านั้น โค้ดที่ดูเป็นไปได้ยังคงสามารถจัดการการเตรียมข้อมูล สมมติฐาน หรือเอกสารประกอบในทางที่ผิดได้ กรอบงานเฉพาะสาขาที่เน้นการตรวจสอบอาจทำให้ทีมมีกระบวนการทั่วไปในการตรวจสอบงานที่ได้รับความช่วยเหลือจาก AI แม้ว่าแหล่งที่มาจะยังไม่มีหลักฐานว่ากฎจะลดข้อผิดพลาดหรือปรับปรุงความสามารถในการทำซ้ำได้
รายงานยังกำหนดกรอบการเข้าถึงเป็นปัญหาด้านทุนด้วย edhat อ้างคำพูดของนักวิจัย Rachel King โดยกล่าวว่านักวิจัยชายรายงานประสิทธิภาพการผลิตที่เพิ่มขึ้นมากกว่านักวิจัยหญิง และอ้างถึงรายงานล่าสุดขององค์การสหประชาชาติเกี่ยวกับช่องว่างขนาดใหญ่ในการใช้ generative-AI ระหว่างประเทศที่มีรายได้สูงและมีรายได้ต่ำบางประเทศ นักวิจัยยังให้เหตุผลอีกว่าระดับที่จ่ายเงินอาจทำให้สถาบันและนักวิจัยในประเทศที่มีรายได้น้อยสามารถเข้าถึงเครื่องมือที่มีความสามารถมากที่สุดได้น้อยลง การอ้างสิทธิ์เหล่านี้รายงานโดย edhat และไม่ได้รับการยืนยันอย่างอิสระในเอกสารที่ให้มา แหล่งที่มาไม่ได้ให้การออกแบบการศึกษา ประชากร วันที่ หรือคำจำกัดความสำหรับการเปรียบเทียบ
ต้นทุนด้านสิ่งแวดล้อมเป็นข้อกังวลอีกประการหนึ่งในบทความนี้ edhat รายงานว่านักวิจัยมองเห็นความไม่แน่นอนเกี่ยวกับการใช้พลังงานและน้ำของ เนื่องจากเทคโนโลยีมีการเปลี่ยนแปลงอย่างรวดเร็วและข้อมูลที่จำเป็นส่วนใหญ่ถูกเก็บไว้เป็นส่วนตัว แหล่งที่มาอ้างอิงการคาดการณ์ว่าศูนย์ข้อมูลอาจใช้ไฟฟ้า 4% ถึง 12% ของสหรัฐอเมริกาภายในปี 2573 และมากถึง 32 พันล้านแกลลอนต่อปีภายในปี 2571 ตัวเลขเหล่านั้นถูกนำเสนอในรายงาน แต่แหล่งที่มาไม่ได้ระบุการศึกษาพื้นฐานหรืออธิบายว่าความต้องการดังกล่าวมีสาเหตุมาจาก generative AI มากน้อยเพียงใด
บทความนี้ยังเชื่อมโยงการแพร่กระจายของ กับการว่างงานที่เพิ่มขึ้นในหมู่ผู้สำเร็จการศึกษาด้านวิทยาการคอมพิวเตอร์เมื่อเร็ว ๆ นี้ และตำแหน่งงานด้านการพัฒนาซอฟต์แวร์ที่ลดลง โดยอ้างอิงจากคำพูดของ Cat Fong ผู้เขียนอาวุโสว่าทำให้เกิดคำถามเกี่ยวกับความรับผิดชอบต่อโครงการที่มีความสามารถซึ่งสร้างขึ้นบางส่วนผ่านการลงทุนสาธารณะ edhat ไม่ได้ให้ข้อมูลตลาดแรงงาน ระบุสาเหตุ หรือรายงานปฏิกิริยาจากนายจ้าง นักการศึกษา หรือคนงานที่ได้รับผลกระทบ ความสำคัญที่กว้างขึ้นจึงเป็นชุดคำถามที่นักวิจัยต้องการให้ภาคสนามเผชิญหน้า มากกว่าที่จะแสดงให้เห็นผลกระทบทางเศรษฐกิจและสังคมของแนวทางดังกล่าว
กลไกเชิงโต้ตอบ: มันทำงานอย่างไร
สำรวจเทคโนโลยีเบื้องหลังการพัฒนานี้แบบโต้ตอบ
crm_get_transaction(id='4092').A route planner searches possible journeys using explicit rules. What does this illustrate about AI?
จะดูอะไรต่อไป.
แหล่งที่มาไม่ได้ระบุรายการกฎ 10 ข้อฉบับสมบูรณ์ หลักฐานที่แสดงว่าการปฏิบัติตามกฎช่วยปรับปรุงผลการวิจัย หรือรายละเอียดเกี่ยวกับวิธีการประเมินข้อเสนอแนะ การรายงานการติดตามผลควรตรวจสอบรายงานที่ตีพิมพ์ กฎเกณฑ์ การนำไปใช้นอกเหนือจาก NCEAS และนักวิจัยสามารถตรวจสอบโค้ดที่ได้รับความช่วยเหลือจาก AI ในโครงการจริงได้อย่างน่าเชื่อถือหรือไม่
ลำดับความสำคัญในการตรวจสอบอันดับแรกคือเอกสาร PLOS Computational Biology ที่เกี่ยวข้อง รายงานที่ให้มาจะระบุชื่อสิ่งตีพิมพ์และชื่อเรื่อง แต่ไม่รวมถึงการอ้างอิง DOI วันที่ตีพิมพ์ บริบทของการทบทวนโดยผู้ทรงคุณวุฒิ หรือข้อความฉบับเต็ม การทบทวนบทความนี้จะให้ความกระจ่างถึงกฎ 10 ข้อ เอกสารที่ใช้ในการพัฒนา ผู้ที่มีส่วนร่วมในกระบวนการ และคำแนะนำต่างๆ จะถูกนำเสนอเป็นแนวปฏิบัติที่ได้รับการทดสอบหรือคำแนะนำจากผู้เชี่ยวชาญ
คำถามต่อไปคือกรอบการทำงานเปลี่ยนแปลงพฤติกรรมหรือผลลัพธ์หรือไม่ แหล่งที่มาไม่ได้รายงานการเปรียบเทียบที่มีการควบคุม การใช้งานภาคสนาม อัตราข้อผิดพลาด การวัดความสามารถในการทำซ้ำ หรือการตรวจสอบโค้ดที่สร้างขึ้นโดยมีและไม่มีกฎ หลักฐานในอนาคตอาจแสดงให้เห็นว่าคำแนะนำนี้ช่วยให้นักวิจัยตรวจจับการทำงานของประสาทหลอน สมมติฐานที่ไม่ถูกต้อง ข้อมูลรั่วไหล การเปลี่ยนแปลงที่ไม่มีเอกสาร หรือความล้มเหลวอื่นๆ ก่อนหน้านั้น บทความนี้สนับสนุนการปฏิบัติตามกฎเสมือนข้อเสนอเชิงปฏิบัติมากกว่ามาตรฐานความปลอดภัยที่ผ่านการตรวจสอบแล้ว
การเข้าถึงและการกำกับดูแลจะต้องได้รับการดูแลด้วย edhat รายงานข้อกังวลเกี่ยวกับระดับ AI ที่เสียค่าใช้จ่ายและผลผลิตที่เพิ่มขึ้นไม่เท่ากัน แต่ไม่ได้ระบุว่ามีเครื่องมือ แผน หรือสถาบันใดบ้างที่เกี่ยวข้อง ความครอบคลุมในการติดตามผลควรตรวจสอบว่าคำแนะนำถือว่ามีการเข้าถึงระบบพรีเมียมหรือไม่ ทีมสามารถปกป้องข้อมูลการวิจัยที่ละเอียดอ่อนได้อย่างไร ใครเป็นผู้อนุมัติการอนุญาตของตัวแทน และใครเป็นผู้รับผิดชอบเมื่อโค้ดที่สร้างขึ้นก่อให้เกิดข้อผิดพลาดทางวิทยาศาสตร์
สุดท้าย สาขาวิชานี้จะต้องตัดสินใจว่าคำแนะนำเหล่านี้สอดคล้องกับบรรทัดฐานทางวิทยาศาสตร์ที่มีอยู่อย่างไร รายงานกล่าวว่านักวิจัยเน้นการตรวจสอบและจัดทำเอกสาร ในขณะที่ทิ้งคำถามว่าจะใช้ AI สำหรับงานเฉพาะเพื่อแยกการตรวจสอบทางจริยธรรมหรือไม่ สิ่งที่ไม่ทราบที่สำคัญ ได้แก่ วารสาร ผู้ให้ทุน หรือสถาบันวิจัยจะนำข้อกำหนดที่คล้ายกันไปใช้หรือไม่ ความช่วยเหลือด้าน AI ควรได้รับการเปิดเผยในสื่อสิ่งพิมพ์อย่างไร และคำแนะนำยังคงมีประโยชน์หรือไม่เมื่อระบบการเข้ารหัสและรูปแบบการเข้าถึงเปลี่ยนแปลงไป