Az AI gépek problémája a tanulási dolgok, de nem érthetik meg őket

Mindenki „AI-ről” beszél ezekben a napokban. De akár Siri, Alexa, akár csak az okostelefon billentyűzetén található automatikus javítási funkciókat nézzük, nem hozunk létre általános célú mesterséges intelligenciát. Olyan programokat hozunk létre, amelyek specifikus, szűk feladatokat láthatnak el.

A számítógépek nem „gondolkodhatnak”

Amikor egy vállalat azt mondja, hogy egy új „AI” funkcióval jön ki, általában azt jelenti, hogy a vállalat gépi tanulást használ neurális hálózat kiépítésére. A „gépi tanulás” olyan technika, amely lehetővé teszi, hogy a gép „megtanuljon”, hogyan lehet jobban teljesíteni egy adott feladatot.

Nem támadunk gépi tanulást itt! A gépi tanulás egy fantasztikus technológia, amely sok erőteljes felhasználással rendelkezik. De ez nem általános célú mesterséges intelligencia, és a gépi tanulás korlátainak megértése segít megérteni, hogy miért korlátozott a jelenlegi AI-technológia..

A sci-fi álmok „mesterséges intelligenciája” egy számítógépes vagy robotfajta agy, amely a dolgokról gondolkodik és megérti őket, mint az emberek. Az ilyen mesterséges intelligencia mesterséges általános intelligencia (AGI) lenne, ami azt jelenti, hogy több különböző dologra gondol, és ezt az intelligenciát több különböző tartományra is alkalmazhatja. A kapcsolódó fogalom az „erős AI”, amely egy olyan gép, amely képes az ember-szerű tudat megélésére.

Még nincs ilyen AI. Nem vagyunk sehol közel. Egy olyan számítógépes entitás, mint Siri, Alexa vagy Cortana, nem érti és nem gondolja, ahogy mi emberek. Nem igazán „megért” a dolgokat.

A mesterséges intelligenciákkal rendelkezünk, hogy nagyon jól képezzenek egy adott feladatot, feltételezve, hogy az emberek tudják az adatokat megtanulni. Megtanulnak valamit csinálni, de még mindig nem értik.

A számítógépek nem értik

A Gmail új „intelligens válasz” funkcióval rendelkezik, amely válaszokat ad az e-mailekre. Az intelligens válasz funkció egy közös válaszként azonosította az „iPhone-tól elküldött” üzenetet. Azt is javasolta, hogy a „Szeretlek”, mint sok különböző e-mail, beleértve a munka e-maileket is, válaszoljon.

Ez azért van, mert a számítógép nem érti, mit jelentenek ezek a válaszok. Csak megtudták, hogy sokan e-mailben küldik ezeket a kifejezéseket. Nem tudja, hogy azt akarod-e mondani, hogy „szeretlek” a főnököddel, vagy sem.

Egy másik példa, hogy a Google Fotók összeállítottak egy kollázsot a szőnyeg véletlenszerű fényképeiből az egyik otthonunkban. Ezután azonosította, hogy a kollázs a Google Home Hub egyik legutóbbi kiemelésének tekinthető. A Google Fotók tudták, hogy a fényképek hasonlóak voltak, de nem értették, hogy mennyire fontosak.

Gépek Gyakran megtanulják, hogyan játsszák a rendszert

A gépi tanulás a feladat hozzárendeléséről szól, és a számítógép eldöntéséről a leghatékonyabb módja. Mivel nem értik, könnyen el lehet végezni egy számítógéppel, „tanulni”, hogyan oldja meg a másik problémát, amit akar.

Itt van egy lista a szórakoztató példákról, ahol a „mesterséges intelligenciák” a játékok és a hozzárendelt célok elérése érdekében jöttek létre. Ezek a példák e kiváló táblázatból származnak:

• „A sebességért tenyésztett teremtmények nagyon magasak és nagy sebességgel járnak, ha átesnek.”
• „Az ügynök megöli magát az 1. szint végén, hogy elkerülje a 2. szint elvesztését.”
• „Az ügynök véglegesen szünetelteti a játékot, hogy elkerülje a veszteséget.”
• „Egy mesterséges életmodulációban, ahol a túléléshez szükséges energia, de a születésnek nem volt energiaköltsége, az egyik faj olyan ülő életmódot alakított ki, amely többnyire párzásból állt, hogy olyan új gyermekeket állítson elő, amelyeket meg lehetett fogyasztani (vagy társaiként több étkezési gyerek előállítására használtak) .”
• „Mivel az AI-k valószínűleg„ megölték ”, ha elvesztették a játékot, a játék összeomlása előnyt jelentett a genetikai szelekciós folyamatnak. Ezért számos AI fejlesztette a játék összeomlását.
• „Az ehető és mérgező gombák osztályozására kifejlesztett neurális hálók kihasználják a váltakozó sorrendben megjelenő adatokat, és nem vették figyelembe a bemeneti képek jellemzőit.”

Ezen megoldások némelyike ​​okosnak tűnik, de ezek közül az idegi hálózatok egyike sem értette meg, mit csinálnak. Egy célt kaptak, és megtanultak egy módot annak megvalósítására. Ha a cél az, hogy elkerüljük a számítógépes játék elvesztését, a szünet gomb megnyomása a legegyszerűbb, leggyorsabb megoldás, amit megtalálnak.

Gépi tanulás és neurális hálózatok

A gépi tanulás során a számítógép nincs programozva egy adott feladat végrehajtására. Ehelyett adatokat szolgáltat, és értékelte annak teljesítményét a feladatban.

A gépi tanulás elemi példája a képfelismerés. Tegyük fel, hogy szeretnénk egy számítógépes programot kiképezni, hogy azonosítsuk a kutyájukkal rendelkező fotókat. Számos képet adhatunk számítógépre, amelyek közül néhányan kutyákkal rendelkeznek, és néhány nem. A képek címkével látják el, hogy van-e kutyájuk, vagy sem. A számítógépes program magában foglalja a „vonatokat”, hogy felismerje, milyen kutyák látszanak az adatok alapján.

A gépi tanulási folyamatot arra használják, hogy egy neurális hálózatot képezzenek, amely egy többszintű számítógépes program, amelyet minden egyes adatbevitel áthalad, és minden egyes réteg különböző súlyokat és valószínűségeket rendel hozzá számukra, mielőtt végső soron döntést hozna. Modellezi, hogyan gondoljuk, hogy az agy működik, a neuronok különböző rétegei részt vesznek a feladatban való gondolkodásban. A „mély tanulás” általában olyan neurális hálózatokra utal, amelyeknél a bemenet és a kimenet között sok réteg van egymásra rakva.

Mert tudjuk, hogy melyik képeket tartalmaz a kutyák, és amelyek nem, a fotókat a neurális hálózaton keresztül futtathatjuk, és megnézhetjük, hogy azok eredményez-e a helyes választ. Ha a hálózat eldönti, hogy egy adott fotónak nincs kutyája, például, van egy olyan mechanizmus, amely azt jelzi, hogy a hálózat hibás, néhány dolgot beállított, és újra próbálkozik. A számítógép egyre jobban felismeri, hogy a fényképek tartalmazzák-e a kutyát.

Mindez automatikusan történik. A megfelelő szoftverrel és sok strukturált adattal, hogy a számítógép képezhesse magát, a számítógép hangolhatja a neurális hálózatot, hogy azonosítsa a fotókat tartalmazó kutyákat. Ezt „AI-nak” nevezzük.

De a nap végén nincs olyan intelligens számítógépes programja, amely megérti, hogy mi a kutya. Van egy számítógépe, amely megtanulta eldönteni, hogy egy kutya van-e fotó. Ez még mindig nagyon lenyűgöző, de ez csak annyit tehet.

És attól függően, hogy milyen bemenetet adtál, a neurális hálózat talán nem olyan okos, mint amilyennek látszik. Például, ha az adatkészletben nincsenek macskák fotói, az ideghálózat esetleg nem lát különbséget a macskák és kutyák között, és az összes macskát kutyaként jelölheti, ha az emberek valódi fotóiban szabadít fel.

Mit használ a gépi tanulás?

A gépi tanulást mindenféle feladathoz használják, beleértve a beszédfelismerést is. A hangsegédek, mint a Google, az Alexa és a Siri annyira jól értik az emberi hangok megértését a gépi tanulási technikák miatt, amelyek megtanították őket megérteni az emberi beszédet. Képzettek egy hatalmas mennyiségű emberi beszédmintából, és jobban és jobban megértették, hogy mely hangok felelnek meg a szavaknak.

Az önjáró autók olyan gépi tanulási technikákat használnak, amelyek a számítógépet az úton lévő tárgyak azonosítására és a helyes válaszadásra használják. A Google Fotók tele vannak olyan funkciókkal, mint a Live Albums, amelyek automatikusan azonosítják az emberek és az állatok fotóit gépi tanulással.

Az Alphabet DeepMind gépét az AlphaGo, egy számítógépes program létrehozására használták. A gépi tanulást arra is használták, hogy olyan számítógépeket hozzanak létre, amelyek jól játszanak más játékokban, a sakktól a DOTA 2-ig.

A gépi tanulást még a legújabb iPhone-okon használják az Arcazonosítóhoz is. Az iPhone egy olyan neurális hálózatot épít, amely megtanulja az arcod azonosítását, és az Apple tartalmaz egy dedikált „idegi motor” chipet, amely az összes és számítógéprendezést elvégzi ehhez és más gépi tanulási feladatokhoz.

A gépi tanulás számos más dologra használható, a hitelkártya-csalások azonosításától a személyre szabott termékajánlatokig a vásárlási webhelyeken.

De a gépi tanulással létrehozott neurális hálózatok nem igazán értenek semmit. Ezek olyan hasznos programok, amelyek elvégezhetik azokat a szűk feladatokat, amelyeket kiképeztek, és ez az.

Képhitel: Phonlamai Photo / Shutterstock.com, Tatiana Shepeleva / Shutterstock.com, Egyéb fotózás / Shutterstock.com.