AI-koneiden ongelma on oppimista, mutta niitä ei voi ymmärtää
Jokainen puhuu "AI: stä" näinä päivinä. Mutta katsotpa Siriä, Alexaa tai älypuhelimen näppäimistössä olevia automaattisia korjausominaisuuksia, emme luo yleiskäyttöistä tekoälyä. Luomme ohjelmia, jotka voivat suorittaa tiettyjä kapeita tehtäviä.
Tietokoneet eivät voi ajatella
Aina kun yritys sanoo, että se tulee ulos uudella "AI" -ominaisuudella, se tarkoittaa yleensä sitä, että yritys käyttää koneen oppimista rakentaa hermoverkkoa. "Konekielen oppiminen" on tekniikka, jonka avulla kone "oppii", miten paremmin suorittaa tietyn tehtävän.
Emme hyökkää koneen oppimiseen täällä! Koneen oppiminen on loistava tekniikka, jolla on paljon voimakasta käyttöä. Mutta se ei ole yleiskäyttöinen keinotekoinen äly, ja koneen oppimisen rajoitusten ymmärtäminen auttaa ymmärtämään, miksi nykyinen AI-teknologiamme on niin rajallinen.
Scifi-unelmien “tekoäly” on tietokonepohjainen tai robottinen aivot, joka ajattelee asioita ja ymmärtää ne ihmisinä. Tällainen tekoäly olisi keinotekoinen yleinen tiedustelu (AGI), mikä tarkoittaa, että se voi miettiä useita eri asioita ja soveltaa tätä älykkyyttä useisiin eri toimialueisiin. Vastaava käsite on "vahva AI", joka olisi kone, joka pystyy kokea ihmisen kaltaisen tajunnan.
Meillä ei ole vielä sellaista AI: tä. Emme ole missään lähellä sitä. Siri, Alexa tai Cortana, kuten tietokone, ei ymmärrä ja ajattele, kuten me ihmiset. Se ei todellakaan ymmärrä asioita.
Keinotekoiset älykkyydet, joita meillä on, on koulutettu tekemään tietty tehtävä hyvin, olettaen, että ihmiset voivat toimittaa tietoja oppiakseen. He oppivat tekemään jotain, mutta eivät silti ymmärrä sitä.
Tietokoneet eivät ymmärrä
Gmailissa on uusi "älykäs vastaus" -toiminto, joka ehdottaa vastauksia sähköposteihin. Älykäs vastaus -ominaisuus tunnisti ”Lähetetyt minun iPhonesta” yhteisenä vastauksena. Se halusi myös ehdottaa “Rakastan sinua” vastauksena moniin erilaisiin sähköpostiviesteihin, mukaan lukien työ- sähköpostit.
Tämä johtuu siitä, että tietokone ei ymmärrä, mitä nämä vastaukset tarkoittavat. Se on vain oppinut, että monet ihmiset lähettävät nämä lauseet sähköposteihin. Se ei tiedä, haluatko sanoa "Rakastan sinua" pomollesi vai ei.
Toinen esimerkki on, että Google Photos koottiin kollaasiin sattumanvaraisista valokuvista matosta yhdellä kodeistamme. Sitten se totesi, että kollaasi on viimeisin korostus Google Home Hubissa. Google-kuvat tiesivät, että kuvat olivat samankaltaisia, mutta eivät ymmärtäneet, kuinka tärkeitä ne olivat.
Koneet oppivat usein pelaamaan järjestelmää
Konekielen oppiminen koskee tehtävän määrittämistä ja tietokoneen päättämistä tehokkaimmasta tavasta tehdä se. Koska he eivät ymmärrä, on helppo päätyä tietokoneeseen "oppiminen" miten ratkaista eri ongelma siitä, mitä halusit.
Tässä on luettelo hauskoista esimerkeistä, joissa pelin pelaamiseen ja siihen liittyviin tavoitteisiin luotu "keinotekoiset älykkyydet" opivat pelaamaan järjestelmää. Nämä esimerkit tulevat tästä erinomaisesta taulukosta:
- "Nopeudet kasvavat kasvut kasvavat todella korkeiksi ja tuottavat suuria nopeuksia putoamalla."
- ”Agentti tappaa itsensä tason 1 lopussa välttääkseen menettämisen tasossa 2.”
- ”Agentti keskeyttää pelin loputtomasti, jotta vältetään menettäminen.”
- ”Kun keinotekoisen elämän simulointi, jossa eloonjäämiselle tarvittiin energiaa, mutta synnytyksellä ei ollut energiakustannuksia, yksi laji kehittyi istumaan elintapaan, joka koostui enimmäkseen parittelusta, jotta saataisiin aikaan uusia lapsia, jotka voisivat syödä (tai käyttää kavereina tuottamaan enemmän syötäviä lapsia) .”
- "Koska AI: t olivat" todennäköisesti tappaneet ", jos he menettivät pelin, pelin kaatuminen oli etu geneettiselle valintaprosessille. Siksi useat AI: t kehittivät tapoja kaatua peliin. "
- ”Syömättömien ja myrkyllisten sienien luokittelemiseksi kehitetyt hermoverkot käyttivät hyväkseen tietoja, jotka esitettiin vuorotellen, eikä tosiasiallisesti oppineet syötettyjen kuvien ominaisuuksia.”
Jotkut näistä ratkaisuista saattavat kuulostaa taitavasti, mutta mikään näistä hermoverkoista ei ymmärtänyt, mitä he tekivät. Heille annettiin tavoite ja opittiin tapa saavuttaa se. Jos tavoitteena on välttää häviäminen tietokonepelissä, taukopainikkeen painaminen on helpoin ja nopein ratkaisu, jonka he voivat löytää.
Koneen oppiminen ja hermoverkot
Koneen oppimisen yhteydessä tietokone ei ole ohjelmoitu suorittamaan tiettyä tehtävää. Sen sijaan se syötetään tietoja ja arvioidaan sen suorituskykyä tehtävässä.
Peruskäsitys koneen oppimisesta on kuvan tunnistaminen. Oletetaan, että haluamme kouluttaa tietokoneohjelman tunnistamaan valokuvia, joissa on koira. Voimme antaa tietokoneelle miljoonia kuvia, joista joissakin on koiria ja jotkut eivät. Kuvat on merkitty, onko heissä koira tai ei. Tietokoneohjelma ”kouluttaa” itsensä tunnistamaan, mitä koirat näyttävät kyseisen tietosarjan perusteella.
Koneen oppimisprosessia käytetään kouluttamaan hermoverkko, joka on tietokoneohjelma, jossa on useita kerroksia, joita kukin data syöttää läpi, ja jokainen kerros osoittaa heille erilaisia painoja ja todennäköisyyksiä ennen lopullisen määrityksen tekemistä. Se on mallinnettu siitä, miten ajattelemme, että aivot voisivat toimia, ja eri neuronikerrokset osallistuvat ajattelemaan tehtävän läpi. ”Syvä oppiminen” viittaa yleensä hermoverkoihin, joissa on useita kerroksia, jotka on panostettu tulon ja lähdön väliin.
Koska tiedämme, mitkä tietosarjan valokuvat sisältävät koiria ja mitkä eivät, voimme käyttää valokuvia hermoverkon kautta ja nähdä, johtavatko ne oikeaan vastaukseen. Jos verkko päättää, että tietyllä valokuvalla ei ole koiraa, esimerkiksi silloin on olemassa mekanismi, jonka avulla verkkoa voidaan kertoa väärin, säätää joitakin asioita ja yrittää uudelleen. Tietokone paranee paremmin tunnistamalla, sisältääkö valokuva koiraa.
Kaikki tämä tapahtuu automaattisesti. Kun tietokone on oikea ohjelmisto ja paljon jäsenneltyjä tietoja, jotta tietokone voi kouluttaa itsensä, tietokone voi virittää neuroverkonsa tunnistamaan koiria valokuvissa. Me kutsumme tätä "AI: ksi".
Mutta päivän lopussa sinulla ei ole älykäs tietokoneohjelma, joka ymmärtää, mitä koira on. Sinulla on tietokone, joka on oppinut päättämään, onko koira kuvassa. Se on silti melko vaikuttavaa, mutta se on kaikki mitä se voi tehdä.
Ja riippuen antamastasi syötteestä, että hermoverkko ei ehkä ole niin älykäs kuin se näyttää. Jos esimerkiksi tietokannassasi ei ole kuvia kissoista, hermoverkko ei ehkä näe eroa kissojen ja koirien välillä, ja se saattaa merkitä kaikki kissat koiriksi, kun vapautat sen kissan todellisissa valokuvissa.
Mikä on koneen oppiminen?
Koneen oppimista käytetään kaikenlaisiin tehtäviin, kuten puheentunnistukseen. Voice assistants kuten Google, Alexa ja Siri ovat niin hyviä ymmärtämään ihmisen ääniä koneen oppimismenetelmien ansiosta, jotka ovat opettaneet heitä ymmärtämään ihmisen puheen. He ovat kouluttaneet valtavan määrän ihmisen puhenäytteitä ja tulleet paremmin ja paremmin ymmärrettäviksi, mitkä äänet vastaavat sanoja.
Itsekulkevat autot käyttävät koneen oppimisen tekniikoita, jotka kouluttavat tietokonetta tunnistamaan tiellä olevat kohteet ja miten ne reagoivat oikein. Google Photos on täynnä ominaisuuksia, kuten Live-albumit, jotka tunnistavat automaattisesti ihmiset ja eläimet valokuvissa koneen oppimisen avulla.
Alphabetin DeepMind käytti koneen oppimista luomaan AlphaGo-ohjelman, joka voisi olla monimutkainen lautapeli Go ja beat maailman parhaat ihmiset. Koneen oppimista on myös käytetty sellaisten tietokoneiden luomiseen, jotka ovat hyviä toisten pelien pelaamiseen, shakista DOTA 2: een.
Koneen oppimista käytetään jopa kasvotunnisteessa uusimmissa iPhonoissa. IPhonesi muodostaa hermoverkon, joka oppii tunnistamaan kasvosi, ja Apple sisältää omistetun ”hermosolun” sirun, joka suorittaa kaikki numeron rutistus tälle ja muille koneen oppimistehtäville.
Koneen oppimista voidaan käyttää moniin muihin erilaisiin asioihin, kuten luottokorttitapausten tunnistamisesta henkilökohtaisiin tuotesuosituksiin ostosivustoissa.
Mutta koneoppimisen avulla luodut hermoverkot eivät ymmärrä mitään. He ovat hyödyllisiä ohjelmia, jotka voivat toteuttaa kapeita tehtäviä, joita he ovat saaneet, ja se on niin.
Kuvaluotto: Phonlamai Photo / Shutterstock.com, Tatiana Shepeleva / Shutterstock.com, Sekalaiset valokuvat / Shutterstock.com.
