Problema cu mașinile AI sunt lucruri învățate, dar nu le pot înțelege

Toată lumea vorbește despre "AI" în aceste zile. Dar, fie că te uiți la Siri, Alexa, fie doar la funcțiile de autocorrect găsite în tastatura smartphone, nu creăm inteligență artificială cu scop general. Creăm programe care pot îndeplini sarcini specifice, înguste.

Computerele nu pot "gândi"

Ori de câte ori o companie spune că vine cu o nouă caracteristică "AI", înseamnă că, în general, compania utilizează învățarea automată pentru a construi o rețea neuronală. "Învățarea în mașină" este o tehnică care permite unei mașini să "învețe" cum să efectueze mai bine o anumită sarcină.

Nu atacăm învățarea mașinilor aici! Învățarea în mașină este o tehnologie fantastică cu multe utilizări puternice. Dar nu inteligența artificială cu scop general și înțelegerea limitărilor de învățare în mașină vă ajută să înțelegeți de ce tehnologia actuală AI este atât de limitată.

"Inteligența artificială" a viselor sci-fi este un fel de creier computerizat sau robotic care se gândește la lucruri și le înțelege ca pe oameni. O astfel de inteligență artificială ar fi o inteligență generală artificială (AGI), ceea ce înseamnă că se poate gândi la mai multe lucruri diferite și poate aplica acea inteligență în mai multe domenii diferite. Un concept asociat este "AI puternic", care ar fi o mașină capabilă să experimenteze conștiința umană.

Nu avem încă un fel de AI. Nu suntem aproape de el. O entitate informatică precum Siri, Alexa sau Cortana nu înțelege și nu gândește cum facem noi oamenii. Nu înțelege cu adevărat lucrurile.

Inteligențele artificiale pe care le avem sunt instruite să facă foarte bine o sarcină specifică, presupunând că oamenii pot furniza datele pentru ai ajuta să învețe. Învață să facă ceva, dar încă nu o înțeleg.

Computerele nu înțeleg

Gmail are o nouă caracteristică "Răspuns inteligent" care sugerează răspunsurile la e-mailuri. Funcția Smart Reply a identificat "Trimis de pe iPhone" ca răspuns comun. De asemenea, a vrut să sugereze "Te iubesc" ca răspuns la multe tipuri diferite de e-mailuri, inclusiv e-mailuri de lucru.

Asta pentru că calculatorul nu înțelege ce înseamnă aceste răspunsuri. Tocmai a aflat că mulți oameni trimit aceste fraze în e-mailuri. Nu știe dacă vrei să spui "Te iubesc" șefului tău sau nu.

Ca un alt exemplu, Google Foto a pus împreună un colaj de fotografii accidentale ale covorului într-una din casele noastre. Apoi a identificat colajul ca pe o evidențiere recentă pe un centru de acasă Google. Google Photos știa că fotografiile erau similare, dar nu înțelegeau cât de neimportante erau acestea.

Mașinile se învață adesea să vadă sistemul

Învățarea în mașină vizează atribuirea unei sarcini și permiterea unui computer să decidă modul cel mai eficient de a face acest lucru. Pentru că nu înțeleg, este ușor să ajungeți cu un computer "învățat" cum să rezolvați o problemă diferită de ceea ce ați vrut.

Iată o listă de exemple de distracție în care "inteligența artificială" a fost creată pentru a juca jocuri și obiectivele atribuite tocmai au învățat să joc sistemul. Aceste exemple provin toate din această foaie de calcul excelentă:

• "Creaturile crescute pentru viteza cresc cu adevarat inaltime si genereaza viteze mari prin caderea".
• "Agentul se ucide la sfârșitul nivelului 1 pentru a evita pierderea în nivelul 2."
• "Agentul pauze jocul pe termen nelimitat pentru a evita pierderea."
• "Într-o simulare a vieții artificiale în care supraviețuirea a necesitat energie, dar nașterea nu avea costuri energetice, o specie a evoluat într-un stil de viață sedentar care a constat în majoritatea de împerechere pentru a produce copii noi care ar putea fi mâncați (sau folosiți ca mame pentru a produce copii mai comestibili) .“
• "Avand in vedere ca IA au fost mai multe sanse de a fi" ucise "daca au pierdut un joc, fiind capabil sa prinda jocul a fost un avantaj pentru procesul de selectie genetica. Prin urmare, mai multe AI au dezvoltat modalități de a prăbuși jocul. "
• "Plasele neuronale au evoluat pentru a clasifica ciupercile comestibile și otrăvitoare au profitat de faptul că datele au fost prezentate în ordine alternativă și nu au învățat de fapt nici o caracteristică a imaginilor de intrare".

Unele dintre aceste soluții pot părea inteligente, dar nici una dintre aceste rețele neuronale nu a înțeles ce fac. Ei au primit un scop și au învățat o modalitate de ao realiza. Dacă scopul este de a evita pierderea într-un joc pe calculator, apăsarea butonului de pauză este soluția cea mai ușoară, cea mai rapidă pe care o pot găsi.

Învățarea în mașină și rețelele neuronale

Cu învățarea de mașină, un computer nu este programat să îndeplinească o sarcină specifică. În schimb, datele sunt hrănite și evaluate pe baza performanțelor sale.

Un exemplu elementar de învățare mecanică este recunoașterea imaginii. Să presupunem că vrem să pregătim un program de calculator pentru a identifica fotografiile care au un câine în ele. Putem da un calculator milioane de imagini, dintre care unele au câini în ele, iar altele nu. Imaginile sunt etichetate dacă au un câine în ele sau nu. Programul de calculator "se antrenează" pentru a recunoaște cum arată câinii pe baza acelui set de date.

Procesul de învățare a mașinilor este folosit pentru a instrui o rețea neurală, care este un program de calculator cu mai multe straturi pe care fiecare intrare de date trece și fiecare strat le atribuie greutăți și probabilități diferite înainte de a face o determinare în cele din urmă. Ea se bazează pe modul în care credem că creierul ar putea funcționa, cu diferite straturi de neuroni implicați în gândirea printr-o sarcină. "Învățarea profundă" se referă, în general, la rețele neuronale cu mai multe straturi stivuite între intrare și ieșire.

Deoarece știm care fotografii din setul de date conțin câini și care nu au, putem rula fotografiile prin rețeaua neurală și să vedem dacă acestea duc la răspunsul corect. Dacă rețeaua decide că o anumită fotografie nu are un câine atunci când are, de exemplu, există un mecanism pentru a spune rețelei că a greșit, ajustând unele lucruri și încercând din nou. Computerul se îmbunătățește din ce în ce mai mult în a identifica dacă fotografiile conțin un câine.

Toate acestea se întâmplă automat. Cu software-ul potrivit și o mulțime de date structurate pentru ca computerul să se pregătească, computerul își poate regla rețeaua neuronală pentru a identifica câinii în fotografii. Noi numim acest "AI".

Dar, la sfârșitul zilei, nu aveți un program informatic inteligent care să înțeleagă ce este un câine. Aveți un computer care a învățat să decidă dacă un câine este sau nu într-o fotografie. E încă destul de impresionant, dar asta e tot ce poate face.

Și, în funcție de intrarea pe care ai dat-o, rețeaua neurală ar putea să nu fie la fel de inteligentă cum arată. De exemplu, dacă în setul de date nu există fotografii de pisici, este posibil ca rețeaua neurală să nu vadă o diferență între pisici și câini și să poată eticheta toate pisicile ca câini atunci când o dezvăluie pe fotografiile reale ale oamenilor.

Ce este învățarea mașinilor folosită pentru?

Învățarea în mașină este utilizată pentru toate tipurile de sarcini, inclusiv pentru recunoașterea vorbirii. Asistenții vocali precum Google, Alexa și Siri sunt atât de buni în înțelegerea vocii umane, datorită tehnicilor de învățare mecanică care le-au antrenat să înțeleagă vorbirea umană. Ei s-au antrenat pe o cantitate masivă de mostre de vorbire umană și au devenit mai buni și mai buni în a înțelege care sunete corespund cu ce cuvinte.

Autovehiculele cu autovehicule utilizează tehnici de învățare a mașinilor care antrenează computerul pentru a identifica obiectele de pe șosea și cum să le răspundă corect. Google Foto este plină de funcții precum albume live care identifică automat persoane și animale în fotografii utilizând învățarea în mașină.

Alphabet's DeepMind a folosit masina de invatare pentru a crea AlphaGo, un program de calculator care ar putea juca jocul complex de jocuri Go si bate cei mai buni oameni din lume. Învățarea în mașină a fost, de asemenea, utilizată pentru a crea computere care sunt bune pentru a juca alte jocuri, de la șah la DOTA 2.

Învățarea în mașină este chiar utilizată pentru identificarea feței pe cele mai recente dispozitive iPhone. IPhone-ul dvs. construiește o rețea neuronală care învață să vă identifice chipul, iar Apple include un cip special dedicat unui motor "neural" care efectuează toate crunchingul de numere pentru aceasta și alte sarcini de învățare a mașinilor.

Învățarea în mașină poate fi utilizată pentru multe alte lucruri diferite, de la identificarea fraudei cu cărți de credit la recomandările personalizate ale produselor pe site-urile de cumpărături.

Dar rețelele neuronale create cu învățarea mașinilor nu înțeleg cu adevărat nimic. Sunt programe benefice care pot îndeplini sarcinile înguste pentru care au fost instruiți și asta este.

Credit de imagine: Phonlamai Photo / Shutterstock.com, Tatiana Shepeleva / Shutterstock.com, Fotografii diverse / Shutterstock.com.