Problem s AI strojevima uče stvari, ali ih ne mogu razumjeti

Svi ovih dana pričaju o "AI". No, bez obzira na to tražite li Siri, Alexa ili samo automatske ispravke koje se nalaze na tipkovnici pametnog telefona, ne stvaramo umjetnu inteligenciju opće namjene. Stvaramo programe koji mogu obavljati određene, uske zadatke.

Računala ne mogu "misliti"

Kad god tvrtka kaže da izlazi s novom “AI” značajkom, to općenito znači da tvrtka koristi strojno učenje za izgradnju neuronske mreže. “Strojno učenje” je tehnika koja omogućuje stroju da “nauči” kako bolje obavljati određeni zadatak.

Ovdje ne napadamo strojno učenje! Strojno učenje je fantastična tehnologija s mnogo moćnih načina korištenja. Ali to nije umjetna inteligencija opće namjene, a razumijevanje ograničenja strojnog učenja pomaže vam razumjeti zašto je naša trenutna AI tehnologija toliko ograničena.

"Umjetna inteligencija" sci-fi snova je kompjuterizirana ili robotska vrsta mozga koja razmišlja o stvarima i razumije ih kao ljude. Takva umjetna inteligencija bila bi umjetna opća inteligencija (AGI), što znači da može razmišljati o više različitih stvari i primijeniti tu inteligenciju na više različitih domena. Srodan pojam je “snažan AI”, koji bi bio stroj sposoban doživjeti ljudsku svijest.

Još nemamo takvu vrstu AI. Nismo ni blizu toga. Računalni entitet poput Siri, Alexa ili Cortane ne razumije i ne misli kao mi ljudi. To uopće ne 'razumije' stvari.

Umjetne inteligencije koje imamo jesu obučene da vrlo dobro obavljaju određeni zadatak, pod pretpostavkom da ljudi mogu dati podatke koji će im pomoći u učenju. Oni uče nešto učiniti, ali ga još uvijek ne razumiju.

Računala ne razumiju

Gmail ima novu značajku "Pametan odgovor" koja sugerira odgovore na poruke e-pošte. Značajka pametnog odgovora identificirala je "Sent from my iPhone" kao zajednički odgovor. Također je htjela predložiti "Volim te" kao odgovor na mnoge različite vrste poruka e-pošte, uključujući radne poruke e-pošte.

To je zato što računalo ne razumije što znače ti odgovori. To je samo saznao da mnogi ljudi poslati ove fraze u e-mailove. Ne zna želite li reći "volim te" svom šefu ili ne.

Kao još jedan primjer, Google fotografije sastavljaju kolaž slučajnih fotografija tepiha u jednom od naših domova. Zatim je taj kolaž identificirao kao nedavno istaknuto mjesto na Google Home Hubu. Google fotografije su znale da su fotografije slične, ali nisu razumjele koliko su one nevažne.

Strojevi često nauče igrati sustav

Strojno učenje je sve o dodjeli zadatka i puštanju računala da odluči najučinkovitiji način za to. Budući da ne razumiju, lako je završiti s računalom “učeći” kako riješiti drugi problem od onoga što ste željeli.

Evo popisa zabavnih primjera gdje su “umjetne inteligencije” stvorene za igranje igara i dodijeljene ciljeve upravo naučili da igraju sustav. Svi ti primjeri potječu iz ove izvrsne proračunske tablice:

"Stvorenja koja se uzgajaju za brzinu postaju vrlo visoki i stvaraju velike brzine padanjem."
"Agent se ubija na kraju razine 1 kako ne bi izgubio na razini 2."
"Agent zaustavlja igru na neodređeno vrijeme kako bi se izbjeglo gubljenje."
"U umjetnoj simulaciji života gdje je preživljavanje zahtijevalo energiju, ali porod nije imao troškove energije, jedna je vrsta razvila sjedeći način života koji se uglavnom sastojao od parenja kako bi se proizvela nova djeca koja se mogu jesti (ili koristiti kao partneri za proizvodnju više jestive djece) „.
“Budući da je vjerojatnije da će se AI 'ubiti' ako su izgubili utakmicu, mogućnost pada u igru bila je prednost za proces genetske selekcije. Stoga je nekoliko AI-a razvilo načine za rušenje igre.
"Neuralne mreže evoluirale su kako bi klasificirale jestive i otrovne gljive iskoristile su podatke koji se prikazuju u naizmjeničnom redoslijedu i zapravo nisu naučili nikakve značajke ulaznih slika."

Neka od tih rješenja mogu zvučati pametno, ali nijedna od tih neuronskih mreža nije razumjela što rade. Dobili su cilj i naučili način da to ostvare. Ako je cilj izbjeći gubitak u računalnoj igri, pritiskanje gumba za pauzu je najlakše, najbrže rješenje koje mogu pronaći.

Strojno učenje i neuronske mreže

Uz strojno učenje, računalo nije programirano za obavljanje određenog zadatka. Umjesto toga, on je hranio podatke i ocjenjivao se o njegovoj izvedbi na zadatku.

Osnovni primjer strojnog učenja je prepoznavanje slika. Recimo da želimo trenirati računalni program kako bismo identificirali fotografije koje imaju psa u njima. Računalu možemo dati milijune slika, od kojih neke imaju pse u njima, a neke ne. Slike su označene da li u njima ima psa ili ne. Računalni program se “trenira” da bi na temelju tog skupa podataka prepoznao kako psi izgledaju.

Proces strojnog učenja koristi se za osposobljavanje neuronske mreže, koja je računalni program s više slojeva kroz koji prolazi svaki ulaz podataka, te im svaki sloj dodjeljuje različite težine i vjerojatnosti prije konačnog određivanja. To je modelirano na način na koji mislimo da mozak može raditi, s različitim slojevima neurona koji su uključeni u razmišljanje kroz zadatak. "Duboko učenje" se općenito odnosi na neuronske mreže s mnogo slojeva složenih između ulaza i izlaza.

Budući da znamo koje fotografije u skupu podataka sadrže pse i koje ne, možemo pokrenuti fotografije kroz neuronsku mrežu i vidjeti hoće li rezultirati točnim odgovorom. Ako mreža odluči da određena fotografija nema psa, na primjer, postoji mehanizam koji govori mreži da je pogrešan, da neke stvari prilagođava i pokušava ponovo. Računalo postaje sve bolje u utvrđivanju sadrži li fotografije psa.

Sve se to događa automatski. S pravim softverom i mnogo strukturiranih podataka na kojima se računalo može trenirati, računalo može podesiti svoju neuronsku mrežu da identificira pse na fotografijama. Mi to zovemo "AI".

No, na kraju dana nemate inteligentni računalni program koji razumije što je pas. Računalo je naučeno da odlučuje hoće li se na fotografiji nalaziti pas. To je još uvijek prilično impresivno, ali to je sve što može.

I, ovisno o ulazu koji ste mu dali, ta neuronska mreža možda nije tako pametna kao što izgleda. Na primjer, ako u vašem skupu podataka nije bilo fotografija mačaka, neuronska mreža možda neće vidjeti razliku između mačaka i pasa i možda će označiti sve mačke kao pse kada ih oslobodite na stvarnim fotografijama ljudi.

Što je strojno učenje??

Strojno učenje koristi se za sve vrste zadataka, uključujući i prepoznavanje govora. Glasovni asistenti poput Googlea, Alexa i Sirija su tako dobri u razumijevanju ljudskih glasova zbog tehnika strojnog učenja koje su ih naučile razumjeti ljudski govor. Oni su trenirali na velikom broju uzoraka ljudskog govora i postali bolji i bolji u razumijevanju koji zvukovi odgovaraju riječima.

Automobili koji sami voze koriste tehnike strojnog učenja koje poučavaju računalo da identificira objekte na cesti i kako na njih ispravno odgovoriti. Google fotografije prepune su značajki kao što su live albumi koji automatski prepoznaju osobe i životinje na fotografijama pomoću strojnog učenja.

Alphabet's DeepMind koristi strojno učenje kako bi stvorio AlphaGo, računalni program koji bi mogao igrati složenu igru na ploči. Idi i pobijedi najbolje ljude na svijetu. Strojno učenje je također korišteno za stvaranje računala koja dobro igraju druge igre, od šaha do DOTA 2.

Strojno učenje se čak koristi za Face ID na najnovijim iPhone uređajima. Vaš iPhone konstruira neuronsku mrežu koja uči identificirati vaše lice, a Apple uključuje i posvećeni "neuronski motor" čip koji izvodi sve brojčane crunching za ovu i druge zadatke strojnog učenja..

Strojno učenje može se koristiti za mnoge druge stvari, od prepoznavanja prijevare s kreditnim karticama do personaliziranih preporuka proizvoda na web-lokacijama za kupnju.

No, neuronske mreže stvorene strojnim učenjem ne razumiju ništa. Oni su korisni programi koji mogu ostvariti uske zadatke za koje su bili obučeni, i to je to.

Zasluge za sliku: Phonlamai Photo / Shutterstock.com, Tatiana Shepeleva / Shutterstock.com, Sundry Photography / Shutterstock.com.