2017年2月欧洲议会通过了一项关于“机器人民事法规则”的决议。 决议建议欧盟委员会为机器人创建特殊法律地位, 以便至少最先进自主机器人能被确定为拥有电子人员的地位 负责补偿他们可能造成的任何损害,并可能应用电子人格处理机器人自主决策或与第三方独立交互的案件 。
至今日期分组近300名欧洲联盟(欧盟)政治领导人、人工智能/机器人研究人员和行业领袖、体格和心理健康专家以及法律和道德专家对这一做法表示了关切。表示他们同意人工智能(AI)和机器人的经济、法律、社会和伦理影响必须被视为“不仓促或偏向; ”, 但他们的反应显示他们发现解决方案如提议有某些明显漏洞并显示“浅度理解不可预测性和自学能力”, 并显示机器人感知“受科幻小说和最近几则突发新闻公告扭曲”。
正像当前欧盟辩论机器人的法律地位和保有人权能力一样引人入胜,它与业界日常机器人和AI完全脱节。并整合设备系统作为物联网或4.0创举的一部分
帮助我更好地了解计算机科学和数据研究今日会如何影响产业未来, Georgia技术开发应用中心常务主管Alain Louchez邀请我主持与Georgia技术一些顶尖专家的圆桌讨论会。除Louchez外,圆桌会议参与者包括Jeff Evans、Georgia技术研究所首席研究工程师和学院高级通信政策中心数字变换主管博士计算理工学院海松园博士UmakishoreRamachandran计算机科学学院博士机械工程学院燕王和Dr.Margaret Loper首席科学家GTRI信息通信实验室Elizabeth Whitaker,GTRI信息和通信实验室首席研究工程师;Barry Drake,GTRI信息和通信实验室高级研究科学家
中间无人
Evans表示:「你可能听说过`数据即新油'短语正因如此 数据控制对商业变得同[任何其他类型 知识财产一样重要正在出现的最大挑战是,所有事物都集成后, 你自然想分享数据从中获取最大值可你必须理解,在这些综合数据分享分析环境中, 绝大多数数据将自动处理-机器对机器处理而无人参与数据中只有极小百分比 格式对用户友好
这些意见强调欧盟开发机器人方法与业界处理数据之间的联系在上述两种情况下,人的决定和活动将越来越多地由机器首先分析驱动。重要的是要认识到依赖机器驱动决策不是行业未来可选择的如此多数据由工业设备、机器和系统生成这一事实使我们有必要使用自动化分析归根结底,有太多数据 供人类自主处理
Ramachandran表示:「用户积聚了大量数据,正因如此 源头裁剪数据挑战
大数据不表示所有相关数据,她说你必须先理解数据的其他角度,如四维数据量、种类、速度和真实性她提醒说,对数据的任何裁剪必须谨慎处理。数据以多格式存取多源和值因端目标不同而异,
数据安全隐私至关紧要,过去几年中业界、学术界和标准组织都成绩卓著, 以确保数据保密性、完整性和可用性,
Wang补充道,为理解应如何处理数据对产业产生有意义的影响,必须在三个知识社区持续对话协作-计算机科学家、数据科学家和域专家数据有限难决策使用大量数据, 人和系统超载,领域知识早期必须参与到“对决策人有意义的层次上收集并处理数据”。
即操作技术专业人士 开发自动化数据解析
IT需要OT输入需要域专家查找焦点公司必须改变自身领域知识 解决跨领域问题
数据消化
描述电容制造公司最近经历的产值问题, Ramachandran表示公司期望分析生产数据,Ramachandran指出,制造商已识别出生产过程每一步所生产的具体数据集,但由于这些数据没有以特定方式使用,故没有数据从生产阶段传递到下一阶段
拥有公共数据平面将数据编入格式 共享分析关键数据输入到这样一个格式中,在工厂域专家帮助下,电容制造解决产值问题并导致生产大为改善
Ramachandran补充道,没有域专家帮助你理解数据最终使用, 很难知道如何设计系统正因如此数据科学家总得开始项目 与终端用户合作
Drake表示:「设计[数据解 只处理终端用户需要理解并排除噪声的信息很重要。”最大阻力是识别数据终极值和数据使用方式
Evans表示在写解析算法前 将数据分解为离散元素很重要数据相关性分析会随应用而改变,例如延时问题控制程序或边缘和云中分析AI算法可驱动数据排序使用
即便域专家参与数据分析过程 惠特克注意到许多用户 仍在费解理解 最终使用数据分析正因如此 人类必须尽可能容易地 与这些系统交互难易交互性需求是制造中使用剪切板获取数据仍然如此普遍的一个大原因系统必须像剪贴板一样容易交互
从使用厂底专家分解数据开发算法到移工离剪切板并转向使用自动化系统-需要执行层参与Louchez表示, 问题目前似乎介于C公司和植物楼层间多例工程师生成大量数据 可用以提取值 一种或另一种方式, 但顶部没有视觉 如何做要想最终有效, 企业层次需要总体规划,
王表示部分断线由多公司所引起 仍在IoT大数据阶段
Evans补充道,当前通信中“WildWest”环境正在促成等待-阅读问题说道 道 道 道 道 道 道通信标准仍在演进时 如何提高操作效率
向前推进
Drake说,分享数据时,信任始终是一个大问题,无论你指的是机器对机器,机器对人或甚至是人间。联系现实,他说我们必须回答问题:为什么我们要信任AI?并启动黑盒机器对人和人对机连接, 让人们参与分析数据建立信任过程。并理解它, 并不只是信任黑盒问题,
国家标准技术学院认为它包含网络安全、隐私、安全、可靠性和应变能力, 正在确保机器使用自适应算法规则来确定如何信任交换数据和其他机器决策, Loper指出 。
名声和过去经验是建立信任的大因素 并加惠特克, 并将在提高人与系统间信任度方面发挥重要作用人循环需要简单化方法与系统交互并用知识化方法工作,以便以混合方式工作并用数据解析至今为止,还没有做很多工作 关于自上而下,以人为中心的方法
参加圆桌会议者一致认为,教育系统必须发挥重大作用,使人民做好准备,成为数据分析驱动的未来员工队伍的一部分,未来劳动力队伍正快速赶到我们面前。
问题在于“我们今天的教育制度稍有破损,未来防患于未然的人力资源, 我们不应该产生单行知识, 而是训练人们跨学科理解
Evans补充道,他是GeorgiaTech团队成员,该团队正“整合员工开发概念,作为优化基础操作程序的一部分,为美国服务国防部客户 数据分析是我们当前工作的关键数据分析成功前,人们需要理解通信协议,以便能够评估系统并创建仪表板供广泛使用。” 这是一项关键需求-没有清晰的近距离定位-行业中每个人都通过与各种行业协议互动而充分意识到-Evans认为具体的员工开发培训应通过两年教育课程集中到这里
Louchez从更高层次观察这些脱节时表示, 当他观察一些失效IoT创举时, 他认为,“它们像隔热活动一样引导而不是无缝融入全公司。IoT性质上是一个内外部整合如果它不是公司内大局的一部分 开始,它会失败
他补充道,当公司多咬多嚼多嚼时,会发生另一个常见IoT故障问题开始大规模变换并期望快速结果, 但他们需要认识到IoT面向变换是一项长期和固有复杂任务,
