Probleem AI masinatega on õppimise asjad, kuid neid ei saa aru saada

Igaüks räägib nendest päevadest “AI” -st. Aga kas te vaatate Siri, Alexa või lihtsalt nutitelefoni klaviatuuri autokorrektsioone, ei loo me üldotstarbelist tehisintellekti. Loome programme, mis suudavad täita konkreetseid, kitsaseid ülesandeid.

Arvutid ei saa mõelda

Kui ettevõte ütleb, et tegemist on uue AI-funktsiooniga, tähendab see tavaliselt, et ettevõte kasutab masinaõpetust, et ehitada närvivõrk. “Masinõpe” on tehnika, mis võimaldab masinal „õppida”, kuidas konkreetset ülesannet paremini täita.

Me ei rünnata masinaõpet siin! Masinõpe on fantastiline tehnoloogia, millel on palju võimsat kasutamist. Kuid see ei ole üldotstarbeline tehisintellekt ning masinaõppe piirangute mõistmine aitab teil mõista, miks meie praegune AI-tehnoloogia on nii piiratud.

Sci-fi unistuste “tehisintellekt” on arvutipõhine või robootiline aju, mis mõtleb asjadest ja mõistab neid kui inimesed. Selline tehisintellekt oleks kunstlik üldteave (AGI), mis tähendab, et ta võib mõelda mitmetele erinevatele asjadele ja rakendada seda intelligentsust mitmele eri domeenile. Seotud kontseptsioon on “tugev AI”, mis oleks masin, mis suudab kogeda inimese sarnast teadvust.

Meil pole veel sellist AI-d. Me ei ole selle lähedusse. Arvutiüksus nagu Siri, Alexa või Cortana ei mõista ega mõtle, nagu me inimesed. See ei mõista tõepoolest asju üldse.

Tehisintellektid, mida meil on, on välja töötatud selleks, et teha konkreetne ülesanne väga hästi, eeldades, et inimesed saavad anda andmeid, et aidata neil õppida. Nad õpivad midagi tegema, kuid siiski ei mõista.

Arvutid ei mõista

Gmailil on uus nutika vastuse funktsioon, mis pakub vastuseid e-kirjadele. Nutika vastuse funktsioon tuvastas ühise vastusena „Minu iPhone'ist saadetud”. Samuti soovis ta soovitada, et ma armastan sind, vastuseks paljudele erinevatele e-kirjade tüüpidele, sealhulgas töölehele.

Seda seetõttu, et arvuti ei mõista, mida need vastused tähendavad. See on lihtsalt teada, et paljud inimesed saadavad need laused e-kirjadesse. See ei tea, kas sa tahad öelda „Ma armastan sind“ oma ülemusele või mitte.

Teiseks näiteks on Google Photos üheskoos meie kodudes kokku pandud vaiba juhuslike fotode kollaaž. Seejärel tuvastas ta selle kollaaži Google Home Hubis hiljutiseks esiletõstmiseks. Google'i fotod teadsid, et fotod olid sarnased, kuid ei mõistnud, kui tähtsad nad olid.

Masinad Õpivad sageli süsteemi mängima

Masinõpe tähendab ülesande määramist ja arvuti otsustamist kõige tõhusamal viisil seda teha. Kuna nad ei saa aru, on lihtne lõpetada arvuti "õppimine", kuidas teist probleemi lahendada sellest, mida soovisite.

Siin on nimekiri lõbusatest näidetest, kus mängude ja määratud eesmärkide saavutamiseks loodud „tehisintellektid” õppisid süsteemi mängima. Need näited pärinevad sellest suurepärasest tabelist:

• „Kiiruse jaoks kasvatatud olendid kasvavad tõesti kõrged ja tekitavad suured kiirused langedes.”
• “Agent tapab 1. taseme lõpus, et vältida 2. taseme kaotamist.”
• „Agent peatab mängu lõputult, et kaotada.”
• „Kunstlikul elu simulatsioonil, kus ellujäämine ei nõudnud energiat, kuid sünnitusel ei olnud energiakulu, arenes üks liik istuv eluviis, mis koosnes enamasti paaritamisest, et toota uusi lapsi, keda võiks süüa (või kasutada rohkem sõprade valmistamiseks) . ”
• „Kuna AI-d said tõenäoliselt„ tappa ”, kui nad kaotasid mängu, siis oli see võimalus geneetilise valiku protsessi eeliseks. Seetõttu on mitmed AI-d arendanud võimalusi mängu katkestamiseks. ”
• „Söödavate ja mürgiste seente klassifitseerimiseks arenenud närvivõrgud kasutasid ära vahelduvas järjekorras esitatud andmed ja ei osanud tegelikult sisendkujutiste omadusi.”

Mõned neist lahendustest võivad tunduda nutikad, kuid ükski neist närvivõrkudest ei mõistnud, mida nad teevad. Neile määrati eesmärk ja õpiti viis selle saavutamiseks. Kui eesmärk on vältida arvutimängu kaotamist, on pausinupu vajutamine lihtsaim ja kiireim lahendus, mida nad leiavad.

Masinõppimine ja närvivõrgud

Masinõppega ei ole arvuti programmeeritud konkreetse ülesande täitmiseks. Selle asemel toidetakse andmeid ja hinnatakse ülesannete täitmist.

Masinaõppe elementaarne näide on kujutise tuvastamine. Oletame, et tahame koolitada arvutiprogrammi, et tuvastada nendes fotod, millel on koer. Me võime anda arvutile miljoneid pilte, millest mõnedel on nendes koerad ja mõned ei. Pildid on märgistatud, kas neil on nendes koerad või mitte. Arvutiprogramm „rongib” ise, et ära tunda, millised koerad näevad välja selle andmete põhjal.

Masinõppeprotsessi kasutatakse närvivõrgu koolitamiseks, mis on arvukate kihtidega arvutiprogramm, mida iga andmesisend läbib, ja iga kiht määrab neile enne nende määramist lõplikult erinevad kaalud ja tõenäosused. See on modelleeritud sellele, kuidas me mõtleme, et aju võib töötada, erinevate ülesannetega mõtlemisega seotud neuronite kihid. “Sügav õppimine” viitab üldiselt neuraalsetele võrkudele, mille sisend- ja väljundi vahel on palju kihte.

Kuna me teame, millised pildid fotosid sisaldavad koeri ja mis ei ole, saame fotosid läbi närvivõrgu käivitada ja näha, kas need annavad õige vastuse. Kui võrk otsustab, et konkreetsel fotol ei ole koera, siis näiteks on olemas mehhanism võrgule räägimiseks, et see oli vale, mõningaid asju reguleerides ja uuesti proovides. Arvuti hoiab paremini ära, kas fotod sisaldavad koera.

Kõik see toimub automaatselt. Õige tarkvaraga ja arvukate struktureeritud andmetega, et arvuti saaks ennast koolitada, saab arvuti oma närvivõrku häälestada, et fotosid koeri tuvastada. Me nimetame seda “AI-ks”.

Aga päeva lõpus ei ole sul intelligentset arvutiprogrammi, mis mõistab, mida koer on. Sul on arvuti, mis on õppinud otsustama, kas koer on fotol või mitte. See on ikka päris muljetavaldav, kuid see on kõik, mida ta saab teha.

Ja sõltuvalt sisendist, mida sa andsid, ei pruugi see närvivõrk olla nii arukas kui tundub. Näiteks, kui teie andmekogus ei olnud kassidest fotosid, ei pruugi närvivõrk näha kasside ja koerte vahel erinevust ja võib tähistada koeri kui koeri, kui vabastate selle inimeste tegelikel fotodel.

Mida kasutatakse masinõppeks?

Masinõpet kasutatakse igasuguste ülesannete, sealhulgas kõnetuvastuse jaoks. Hääliassistendid nagu Google, Alexa ja Siri on nii head, et mõista inimeste hääli tänu masinõppemeetoditele, mis on õpetanud neid mõistma inimese kõnet. Nad on koolitanud tohutu hulga inimese kõne näidiseid ja muutunud paremaks ja paremaks mõistmaks, millised helid vastavad sellele, milliseid sõnu.

Iset juhtivad autod kasutavad masinõppemeetodeid, mis õpetavad arvutit teedel olevate objektide identifitseerimiseks ja neile õigesti reageerimiseks. Google'i fotod on täis selliseid funktsioone nagu Live Albums, mis automaatselt õpivad masinaõppimisel tuvastama inimesi ja loomi.

Tähestiku DeepMind kasutas masinaõpetust, et luua AlphaGo, arvutiprogramm, mis võiks mängida keerulist lauamängu Go ja võita maailma parimad inimesed. Masinõpet on kasutatud ka arvutite loomiseks, mis sobivad teiste mängude mängimiseks, alates male ja DOTA 2 vahel.

Masinõpet kasutatakse isegi näo ID-s viimastes iPhone'ides. Teie iPhone konstrueerib närvivõrgu, mis õpib teie nägu tuvastama, ja Apple sisaldab spetsiaalset närvimootori kiipi, mis täidab kõik selle ja teiste masinõppega seotud ülesannete nummerdamise.

Masinõpet saab kasutada paljude teiste asjade puhul, alates krediitkaardipettuste kindlakstegemisest isikupärastatud tootenõuetele ostude veebisaitidel.

Kuid masinõppega loodud närvivõrgud ei mõista midagi. Nad on kasulikud programmid, mis suudavad täita kitsad ülesanded, mida nad koolitasid, ja see ongi nii.

Pildikrediit: Phonlamai Foto / Shutterstock.com, Tatiana Shepeleva / Shutterstock.com, mitmesugused fotograafia / Shutterstock.com.