Når en applikasjon forsikrer deg om at den drives av "kunstig intelligens", ser det ut til at du er i fremtiden. Men hva betyr dette egentlig? Vi kaster store buzzwords - kunstig intelligens, maskinlæring, nevrale nettverk - men hva mener de egentlig og hjelper de virkelig med å forbedre appene?
Mer nylig har Google og Microsoft lagt opplæring i nevralt nettverk til oversettelsesapplikasjonene sine. Google hevder å bruke maskinlæring for å tilby spillelister. Todoist sier at den bruker AI for å gjette når du skal fullføre en oppgave. Any.do hevder at dets kunstige intelligens kan gjøre noen oppgaver for deg. Og det hele var bare forrige uke. Noen av markedsføringsgimmikkene høres imponerende ut og forblir gimmicks, men noen ganger er endringer unektelig gunstige. "Kunstig intelligens", "maskinlæring" og "nevrale nettverk" beskriver alle måtene datamaskiner bruker for å gjøre mer seriøse oppgaver og lære i prosessen. Og selv om du kanskje har hørt at applikasjonsutviklere tar i bruk andres systemer, er de i praksis veldig forskjellige.
Nevrale nettverk analyserer komplekse data for å etterligne den menneskelige hjernen
Kunstige nevrale nettverk (ANN, eller bare "nevrale nettverk") refererer til en spesifikk type læringsmodell som emulerer hvordan synapser fungerer i hjernen din. Tradisjonell databehandling bruker en serie logiske operatører for å utføre en oppgave. Nevrale nettverk bruker derimot et nettverk av noder (som fungerer som nevroner) og analoger av synapser (kanter) for å behandle data. Inngang føres gjennom systemet og utgang genereres.
Funnene blir deretter sammenlignet med kjente data. La oss for eksempel si at du vil trene en datamaskin for å gjenkjenne et bilde av en hund. Du streamer millioner av bilder av hunder over hele nettet for å se hvilke bilder hun velger å se ut som hunder. Personen bekrefter da hvilke bilder som faktisk er hunder. Systemet gir preferanse til banen i det nevrale nettverket som førte til riktig svar. Over tid og etter millioner av iterasjoner vil dette nettverket til slutt forbedre nøyaktigheten av resultatene.
For å se hvordan dette fungerer i aksjon, kan du prøve Google Quick Draw-eksperimentet!.. I dette tilfellet trener Google nettet for å gjenkjenne klotter, raske skisser. Hun sammenligner tegningen du tegner med eksemplene andre mennesker tegner. Nettverket lærer å gjenkjenne fremtidige doodles basert på hva det har sett tidligere. Selv om du tegner som et fem år gammelt barn (som meg), er nettet veldig raskt med å gjenkjenne enkle former - ubåter, planter, ender. Prøv det, gøy.
Nevrale nettverk er ikke et universalmiddel, men de er gode på å håndtere komplekse data. Google og Microsoft bruker nevrale nettverk for å trene oversettelsesapplikasjoner fordi det er vanskelig å oversette språk. Vi har sett dårlige maskinoversettelser mye, men nevrale nettverk er opplært til å forbedre disse oversettelsene basert på riktige oversettelser over tid. Det samme skjer med tale-til-tekst-oversettelse. Siden introduksjonen av det nevrale nettverket drevet av Google Voice, har oversettelsesfeil falt med 49%. Disse systemene er ikke perfekte, men de fungerer på seg selv, og dette er hovedsaken.
Salgsfremmende video:
Maskinlæring lærer datamaskiner å forbedre seg i praksis
Maskinlæring er et bredt begrep som dekker alle øyeblikkene når du prøver å lære en maskin å forbedre seg på egen hånd. Spesielt gjelder dette ethvert system der datamaskinens ytelse når du fullfører en oppgave bare forbedres av mer erfaring med oppgaven. Nevrale nettverk er et eksempel på maskinlæring, men de er ikke den eneste måten å trene en datamaskin på.
For eksempel kalles en av de alternative maskinlæringsmetodene forsterkningslæring. I denne metoden utfører datamaskinen en oppgave og evaluerer deretter resultatet. Hvis for eksempel datamaskinen vinner i sjakk, tildeler den gevinstverdien til en serie trekk som den bruker i løpet av spillet. Etter å ha spilt millioner av spill, kan systemet bestemme hvilke trinn som mest sannsynlig vil føre til seier, basert på resultatene fra tidligere spill.
Mens nevrale nettverk er bra for ting som mønstergjenkjenning i bilder, kan andre typer maskinlæring være mer nyttige for forskjellige oppgaver som å identifisere favorittmusikken din. Google hevder at musikkappen sin vil finne musikken du vil høre på. Det gjør du ved å analysere dine tidligere spillelister. Hvis du ikke liker resultatet, vil maskinen betrakte det som en feil. Men hvis du velger en av de foreslåtte listene, vil hun markere det som en suksess og analysere de vinnende trekkene som brakte henne til ditt hjerte.
I tilfeller som dette vil du ikke få full nytte av maskinlæring hvis du ikke bruker denne funksjonen ofte. Når du åpner Google Music-appen for første gang, vil anbefalingene sannsynligvis være forbi kassen. Men jo mer du bruker det, jo bedre blir forslagene. I teorien, i det minste. Maskinlæring er ikke et universalmiddel. Læring av maskiner er mer vag enn nevrale nettverk, men det innebærer også at programvaren du bruker vil stole på tilbakemeldingene dine for å forbedre ytelsen.
Kunstig intelligens er alt med prefikset "smart"
Akkurat som nevrale nettverk er en form for maskinlæring, er maskinlæring en form for kunstig intelligens. Men kategorien "kunstig intelligens" er fortsatt så dårlig definert at denne frasen ikke har noen praktisk betydning. Ja, det tryller frem bilder av en teknologisk avansert fremtid, men i virkeligheten har vi fremdeles ikke kommet i nærheten. OCR var en gang for vanskelig for en maskin, men nå kan en app på telefonen skanne dokumenter og gjøre dem om til tekst. Å kalle det en bragd med kunstig intelligens er på en eller annen måte upassende.
Årsaken til at grunnleggende telefoni-evner kan betraktes som kunstig intelligens er fordi det faktisk er to typer AI. Svak eller snevert målrettet AI beskriver ethvert system designet for å utføre en smal liste over oppgaver. For eksempel utfører Google Assistant eller Siri, som er ganske kraftig AI, fremdeles en ganske smal liste over oppgaver. De mottar stemmekommandoer og returnerer svar, eller de lanserer applikasjoner. Kunstig intelligensforskning driver disse trekkene, men de blir ansett som "svake."
I kontrast er kraftig AI - også kjent som generell kunstig intelligens, eller "full AI" - et system som er i stand til å utføre enhver menneskelig oppgave. Og det eksisterer ikke. Derfor er enhver "smart" applikasjon fremdeles svak kunstig intelligens.
Selv om implikasjonene kan være vage, er praktisk forskning innen kunstig intelligens så givende at den sannsynligvis allerede har kommet inn i ditt daglige liv. Hver gang telefonen automatisk husker hvor du parkerte, gjenkjenner ansikter på bildene dine, får søkeforslag eller grupperer alle helgebildene dine automatisk, berører du kunstig intelligens på en eller annen måte. Til en viss grad betyr "kunstig intelligens" bare at apper vil være litt smartere enn vi er vant til. Etiketten "AI" betyr neppe noe praktisk fra et praktisk synspunkt nå.
ILYA KHEL
