Problém s AI strojmi sa učia veci, ale nedokážu ich pochopiť

Všetci dnes hovoria o "AI". Ale či už hľadáte na Siri, Alexa, alebo len funkcie autokorektáže, ktoré sa nachádzajú vo vašej klávesnici smartphonu, nevytvárame univerzálnu umeleckú inteligenciu. Vytvárame programy, ktoré môžu vykonávať špecifické úzke úlohy.

Počítače nemôžu "premýšľať"

Kedykoľvek spoločnosť hovorí, že prichádza s novou funkciou "AI", zvyčajne to znamená, že spoločnosť používa strojové učenie na budovanie neurónovej siete. "Strojové učenie" je technika, ktorá umožňuje stroju "naučiť sa", ako lepšie vykonávať konkrétnu úlohu.

Nie sme útočili na strojové učenie tu! Strojové učenie je fantastická technológia s veľkým výkonom. Ale nie je to univerzálna umelecká inteligencia a pochopenie obmedzení strojového učenia vám pomôže pochopiť, prečo je naša súčasná AI technológia tak obmedzená.

"Umelá inteligencia" sci-fi snov je počítačový alebo robotický druh mozgu, ktorý premýšľa o veciach a rozumie im ako človek. Takáto umelá inteligencia by bola umelá všeobecná inteligencia (AGI), čo znamená, že môže premýšľať nad viacerými rôznymi vecami a aplikovať túto inteligenciu na viacero rôznych oblastí. Súvisiaci koncept je "silný AI", ktorý by bol stroj schopný prežívať ľudské vedomie.

Tento druh AI ešte nemáme. Nie sme nikde blízko k nej. Počítačová entita ako Siri, Alexa alebo Cortana nerozumie a nerozmýšľa ako my. V skutočnosti to skutočne "nerozumie".

Umelé inteligencie, ktoré máme, sú vyškolené, aby vykonali konkrétnu úlohu veľmi dobre, za predpokladu, že ľudia môžu poskytnúť dáta, aby im pomohli učiť sa. Naučia sa niečo robiť, ale stále tomu nerozumejú.

Počítače nerozumejú

Služba Gmail má novú funkciu inteligentnej odpovede, ktorá naznačuje odpovede na e-maily. Funkcia inteligentnej odozvy bola označená ako "Odoslaná z môjho iPhone" ako bežná odpoveď. Tiež chcel navrhnúť "Milujem ťa" ako odpoveď na rôzne typy e-mailov, vrátane pracovných e-mailov.

Je to preto, že počítač nechápe, čo tieto reakcie znamenajú. Práve sa dozvedeli, že veľa ľudí posiela tieto frázy do e-mailov. Nevie, či chcete povedať "Milujem ťa" svojmu šéfovi alebo nie.

Ďalším príkladom je, že Fotky Google zhromaždili koláž náhodných fotografií koberca v jednom z našich domovov. Následne identifikovala koláž ako nedávne miesto v domácom Hub Google. Spoločnosť Google Photos poznala, že fotografie sú podobné, ale nerozumeli tomu, aké boli bezvýznamné.

Stroje sa často naučia hrať systém

Strojové učenie sa týka priradenia úlohy a umožnenia počítaču rozhodnúť o najefektívnejšom spôsobe, ako to urobiť. Pretože nerozumejú, je ľahké skončiť s počítačom "učiac sa", ako vyriešiť iný problém, než ste chceli.

Tu je zoznam zábavných príkladov, kde sa vytvorili "umelé inteligencie" na hranie hier a priradené ciele, ktoré sa práve naučili hrať systém. Tieto príklady pochádzajú z tejto vynikajúcej tabuľky:

• "Stvorenia chované pre rýchlosť rastú naozaj vysoko a vytvárajú vysoké rýchlosti tým, že padajú."
• "Agent sa zabije na konci úrovne 1, aby nedošlo k strate na úrovni 2."
• "Agent zastaví hru neurčito, aby sa vyhla stratám."
• "V umelom simulácii života, kde prežitie vyžadovalo energiu, ale pôrod nemal žiadne energetické náklady, jeden druh vyvinul sedavý životný štýl, ktorý pozostával väčšinou z párenia, aby produkoval nové deti, ktoré by mohli byť konzumované (alebo použité ako kamaráti na výrobu viac jedlých detí) . "
• "Keďže AI mali väčšiu pravdepodobnosť, že sa dostanú" zabití ", ak stratili hru, schopnosť havarovať hru bola výhodou pre proces genetickej selekcie. Preto niekoľko AI vyvinulo spôsoby, ako zničiť hru. "
• "Neurónové siete, ktoré sa vyvinuli na klasifikáciu jedlých a jedovatých húb, využili výhody predkladaných údajov v striedavom poradí a nepoznali sa žiadne vlastnosti vstupných obrázkov."

Niektoré z týchto riešení môžu znieť šikovne, ale žiadna z týchto neurónových sietí nerozumie tomu, čo robia. Bol im pridelený cieľ a zistil spôsob, ako to dosiahnuť. Ak je cieľom zabrániť strate v počítačovej hre, stlačením tlačidla pozastavenia je najjednoduchšie, najrýchlejšie riešenie, ktoré nájdu.

Strojové učenie a neurónové siete

Pri strojovom vzdelávaní nie je počítač naprogramovaný na vykonávanie konkrétnej úlohy. Namiesto toho sa podávajú údaje a vyhodnocujú sa na základe výkonnosti úlohy.

Základným príkladom strojového učenia je rozpoznávanie obrázkov. Povedzme, že chceme pripraviť počítačový program na identifikáciu fotografií, ktoré majú v nich psa. Môžeme počítačom poskytnúť milióny obrázkov, z ktorých niektoré majú v nich psov a niektorí nie. Obrázky sú označené, či majú psa v sebe alebo nie. Počítačový program "trénuje", aby rozpoznal, aké psy vyzerajú na základe tohto súboru údajov.

Strojový učebný proces sa používa na tréning neurónovej siete, ktorá je počítačovým programom s viacerými vrstvami, cez ktoré prechádza každý dátový vstup, a každá vrstva priraďuje rôznym váhám a pravdepodobnostiam, než sa nakoniec rozhodne. Je to modelované tým, ako si myslíme, že mozog môže fungovať, s rôznymi vrstvami neurónov, ktoré sa podieľajú na premýšľaní prostredníctvom úlohy. "Hlbšie učenie" vo všeobecnosti odkazuje na neurónové siete s mnohými vrstvami, ktoré sa skladajú medzi vstupom a výstupom.

Keďže vieme, ktoré fotky v súbore údajov obsahujú psy a ktoré nemajú, môžeme spustiť fotografie prostredníctvom neurónovej siete a zistiť, či vedú k správnej odpovedi. Ak sa v sieti rozhodne, že konkrétna fotografia nemá psa, keď to robí, napríklad existuje mechanizmus, ktorý hovorí, že sieť je nesprávna, upravuje niektoré veci a skúša to znova. Počítač sa stále zlepšuje pri zisťovaní, či fotografie obsahujú psa.

To všetko sa deje automaticky. So správnym softvérom a množstvom štruktúrovaných údajov, na ktorých sa počítač môže trénovať, môže počítač naladiť svoju neurónovú sieť na identifikáciu psov na fotografiách. Nazývame toto "AI".

Ale na konci dňa nemáte inteligentný počítačový program, ktorý rozumie tomu, čo je pes. Máte počítač, ktorý sa naučil rozhodnúť, či je pes na fotografii. To je stále dosť pôsobivé, ale to je všetko, čo môže urobiť.

A v závislosti od toho, čo ste uviedli, táto neurónová sieť nemusí byť taká inteligentná, ako vyzerá. Napríklad, ak v súbore údajov neboli žiadne fotografie mačiek, neurónová sieť nemusí vidieť rozdiely medzi mačkami a psami a môže označiť všetky mačky ako psy, keď ich odkryjete na skutočných fotografiách ľudí.

Čo sa vzdelávanie strojov používa?

Strojové učenie sa používa pre všetky druhy úloh vrátane rozpoznávania reči. Hlasové asistenti, ako sú Google, Alexa a Siri, sú tak dobrí, že chápu ľudské hlasy vďaka strojovým učebným postupom, ktoré ich vycvičili na pochopenie ľudskej reči. Vycvičili sa na obrovskom množstve ľudských rečových vzoriek a lepšie a lepšie pochopili, ktoré zvuky zodpovedajú slovám.

Samohybné autá používajú techniky strojového učenia, ktoré školia počítač na identifikáciu objektov na ceste a na to, ako na ne odpovedať správne. Fotky Google sú plné funkcií, ako sú živé albumy, ktoré automaticky identifikujú ľudí a zvieratá na fotografiách pomocou strojového učenia.

Abeceda DeepMind používa strojové učenie na vytvorenie AlphaGo, počítačového programu, ktorý by mohol hrať komplexnú stolovú hru Go a porazil najlepších ľudí na svete. Strojové učenie bolo tiež použité na vytvorenie počítača, ktorý je dobrý na hranie iných hier, od šachu po DOTA 2.

Strojové vzdelávanie sa dokonca používa aj pre ID tváre na najnovších telefónoch iPhone. Váš iPhone vytvára neurónovú sieť, ktorá sa naučí identifikovať vašu tvár, a Apple obsahuje špecializovaný čip "neuronového motora", ktorý vykonáva všetky črty s číslom pre túto a ďalšie strojové vzdelávacie úlohy.

Strojové vzdelávanie sa môže používať na mnoho ďalších vecí od identifikovania podvodov s kreditnými kartami až po osobné odporúčania produktov na webových stránkach na nákupy.

Neurónové siete vytvorené pomocou strojového učenia však nič nerozumejú. Sú to prínosné programy, ktoré dokážu splniť úzke úlohy, na ktoré boli vyškolení, a to je všetko.

Image Credit: Phonlamai Foto / Shutterstock.com, Tatiana Shepeleva / Shutterstock.com, Rôzne fotografie / Shutterstock.com.