Problem z AI stroji se učijo stvari, vendar jih ne morejo razumeti

Danes vsi govorijo o »AI«. Ne glede na to, ali iščete Siri, Alexa ali samo samodejne popravke na tipkovnici pametnega telefona, ne ustvarjamo umetne inteligence splošnega namena. Ustvarjamo programe, ki lahko opravljajo določene, ozke naloge.

Računalniki ne morejo „misliti“

Kadarkoli podjetje pravi, da prihaja z novo funkcijo »AI«, na splošno pomeni, da podjetje uporablja strojno učenje za izgradnjo nevronske mreže. »Strojno učenje« je tehnika, ki omogoča stroju »učenje«, kako bolje opraviti določeno nalogo.

Tu ne napadamo strojnega učenja! Strojno učenje je fantastična tehnologija z veliko močnimi uporabami. Vendar to ni umetna inteligenca splošnega namena in razumevanje omejitev strojnega učenja vam pomaga razumeti, zakaj je naša trenutna tehnologija AI tako omejena.

"Umetna inteligenca" sci-fi sanj je računalniška ali robotska vrsta možganov, ki razmišlja o stvareh in jih razume kot ljudi. Takšna umetna inteligenca bi bila umetna splošna inteligenca (AGI), kar pomeni, da lahko razmišlja o več različnih stvari in uporabi to inteligenco na več različnih področjih. Povezan koncept je »močan AI«, ki bi bil stroj, ki je sposoben doživeti človeško zavest.

Te vrste AI še nimamo. Nismo nikjer blizu nje. Računalniška entiteta, kot so Siri, Alexa ali Cortana, ne razume in ne misli tako kot mi. Sploh ne razume resnično stvari.

Umetne inteligence, ki jih imamo, so usposobljene za opravljanje določene naloge zelo dobro, ob predpostavki, da lahko ljudje zagotovijo podatke, ki jim pomagajo pri učenju. Naučijo se nekaj narediti, a ga še vedno ne razumejo.

Računalniki ne razumejo

Gmail ima novo funkcijo »pametnega odgovora«, ki predlaga odgovore na e-poštna sporočila. Funkcija pametnega odgovora je kot skupen odgovor označila »Poslano iz mojega iPhone«. Prav tako je želel predlagati »ljubim te« kot odgovor na veliko različnih vrst e-poštnih sporočil, vključno z delovnimi e-poštnimi sporočili.

To je zato, ker računalnik ne razume, kaj ti odgovori pomenijo. To je šele izvedela, da veliko ljudi pošlje te stavke v e-pošto. Ne ve, ali želite svojemu šefu reči »ljubim te« ali ne.

Drug primer je, da je Google Photos v enem od naših domovih sestavil kolaž slučajnih fotografij preproge. Nato je ta kolaž identificiral kot nedavno poudarjanje Googlovega spletnega središča. Google Photos je vedel, da so fotografije podobne, vendar ne razumejo, kako nepomembne so.

Stroji se pogosto naučijo igrati sistem

Strojno učenje je vse v zvezi z dodelitvijo naloge in odločitvijo, da se računalnik odloči za najučinkovitejši način. Ker ne razumejo, je enostavno končati z računalniškim učenjem, kako rešiti drugačno težavo od tistega, kar ste želeli.

Tukaj je seznam zabavnih primerov, ko so se »umetne inteligence«, ki so bile ustvarjene za igranje iger in dodeljene cilje, naučile igranja sistema. Vsi ti primeri prihajajo iz te odlične preglednice:

• "Bitja, ki se gojijo za hitrost, rastejo res visoko in ustvarjajo visoke hitrosti, ko padajo."
• "Agent se ubije na koncu prvega nivoja, da ne bi izgubil na ravni 2."
• "Agent premakne igro za nedoločen čas, da se izogne ​​izgubi."
• »V simulaciji umetnega življenja, kjer je preživetje zahtevalo energijo, porod pa ni imel stroškov za energijo, je ena vrsta razvila sedeči življenjski slog, ki je večinoma vseboval parjenje, da bi ustvaril nove otroke, ki bi jih lahko pojedli (ali uporabili kot družabniki za proizvodnjo bolj užitnih otrok) . «
• »Ker je bila AIs bolj verjetno, da se bodo» ubili «, če bi izgubili igro, je bila zmožnost, da bi uničila igro, prednost za postopek genetske selekcije. Zato je več AI razvilo načine, kako razbiti igro. "
• "Nevronske mreže, ki so se razvile, da bi uvrstile užitne in strupene gobe, so izkoristile podatke, ki so bili predstavljeni v izmeničnem vrstnem redu, in dejansko niso spoznali nobenih lastnosti vhodnih slik."

Nekatere od teh rešitev so lahko pametne, vendar nobena od teh nevronskih mrež ni razumela, kaj počnejo. Določili so jim cilj in se naučili način, kako ga doseči. Če je cilj preprečiti izgubo v računalniški igri, je pritisk na gumb za pavzo najlažja in najhitrejša rešitev, ki jo lahko najdejo.

Strojno učenje in nevronske mreže

S strojnim učenjem računalnik ni programiran za opravljanje določene naloge. Namesto tega se hranijo podatki in se ocenjuje glede na njihovo uspešnost pri nalogi.

Osnovni primer strojnega učenja je prepoznavanje slik. Recimo, da želimo trenirati računalniški program za identifikacijo fotografij, ki imajo psa v njih. Računalniki lahko damo milijone slik, od katerih imajo nekateri pse, nekatere pa ne. Slike so označene, ali imajo psa v njih ali ne. Računalniški program se na podlagi tega nabora podatkov "trenira", da prepozna, kakšni so psi.

Proces strojnega učenja se uporablja za usposabljanje nevronske mreže, ki je računalniški program z več plastmi, skozi katere vsak vnos podatkov prehaja, in vsakemu sloju dodeli različne uteži in verjetnosti, preden se končno odloči. Vzorec je po tem, kako mislimo, da lahko možgani delujejo, z različnimi plastmi nevronov, ki sodelujejo pri razmišljanju skozi nalogo. »Globoko učenje« se na splošno nanaša na nevronske mreže, kjer je med vhodi in izhodom veliko slojev.

Ker vemo, katere fotografije v podatkovnem nizu vsebujejo pse in ki jih ne, lahko fotografije vodimo skozi nevronsko mrežo in vidimo, ali povzročajo pravilen odgovor. Če se omrežje odloči, da določena fotografija nima psa, na primer, obstaja mehanizem za sporočanje omrežju, da je bil napačen, prilagoditi nekatere stvari in poskusiti znova. Računalnik je vedno boljši pri ugotavljanju, ali fotografije vsebujejo psa.

Vse se zgodi samodejno. Z ustrezno programsko opremo in veliko strukturiranimi podatki, s katerimi se bo računalnik lahko treniral, lahko računalnik prilagodi svojo nevronsko mrežo, da bo na fotografijah prepoznal pse. To imenujemo »AI«.

Vendar na koncu dneva nimate inteligentnega računalniškega programa, ki razume, kaj je pes. Imate računalnik, ki se je naučil odločiti, ali je pes na fotografiji. To je še vedno precej impresivno, vendar je to vse, kar lahko stori.

In odvisno od vhoda, ki ste ga dali, ta nevronska mreža morda ni tako pametna, kot izgleda. Na primer, če v vašem podatkovnem nizu ni bilo nobenih fotografij mačk, nevronska mreža morda ne vidi razlike med mačkami in psi in lahko vse mačke označi kot pse, ko jo sprožite na dejanskih fotografijah ljudi.

Kaj je strojno učenje, uporabljeno za?

Strojno učenje se uporablja za vse vrste nalog, vključno z prepoznavanjem govora. Glasovni pomočniki, kot so Google, Alexa in Siri, so tako dobri pri razumevanju človeških glasov zaradi tehnik strojnega učenja, ki so jih naučile razumeti človeški govor. Usposobili so se za množico vzorcev človeškega govora in postali boljši in boljši pri razumevanju, kateri zvoki ustrezajo besedam.

Avtomobili, ki vozijo sami, uporabljajo tehnike strojnega učenja, ki učijo računalnik, da prepozna predmete na cesti in kako se pravilno odzvati nanje. Google Foto je poln funkcij, kot so albumi v živo, ki samodejno prepoznajo ljudi in živali na fotografijah s pomočjo strojnega učenja.

Alphabet's DeepMind je uporabljal strojno učenje za ustvarjanje AlphaGo, računalniškega programa, ki bi lahko igral zapleteno družabno igro Go in premagal najboljše ljudi na svetu. Strojno učenje se uporablja tudi za ustvarjanje računalnikov, ki so dobri pri igranju drugih iger, od šaha do DOTA 2.

Strojno učenje se uporablja tudi za obraz ID na najnovejših telefonih iPhone. Vaš iPhone zgradi nevronsko mrežo, ki se nauči identificirati vaš obraz, Apple pa ima tudi poseben čip »nevralnega motorja«, ki opravlja vse številne funkcije za to in druge naloge strojnega učenja..

Strojno učenje se lahko uporablja za veliko drugih stvari, od prepoznavanja goljufij s kreditnimi karticami do osebnih priporočil za izdelke na spletnih mestih za nakupovanje.

Toda nevronske mreže, ustvarjene s strojnim učenjem, ne razumejo ničesar. So koristni programi, ki lahko izpolnijo ozke naloge, za katere so bili usposobljeni, in to je to.

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