Vi har hørt mer og mer om kunstig intelligens i det siste. Den brukes nesten overalt: fra høyteknologi og komplekse matematiske beregninger til medisin, bilindustrien og til og med smarttelefoner. Teknologiene som ligger til grunn for AIs arbeid i det moderne synet, bruker vi hver dag, og noen ganger tenker vi kanskje ikke engang på det. Men hva er kunstig intelligens? Hvordan fungerer han? Og er det farlig?
Hva er kunstig intelligens
La oss først definere terminologien. Hvis du forestiller deg kunstig intelligens som noe som er i stand til å tenke selvstendig, ta beslutninger og generelt vise tegn på bevissthet, så skynder vi oss å skuffe deg. Nesten alle systemer som eksisterer i dag kommer ikke engang nær denne definisjonen av AI. Og de systemene som viser tegn til slik aktivitet, fungerer faktisk fortsatt innenfor rammen av forhåndsbestemte algoritmer.
Noen ganger er disse algoritmene veldig, veldig avanserte, men de forblir "rammen" som AI fungerer i. Maskiner har ingen "friheter" og enda mer tegn på bevissthet. De er bare veldig kraftige programmer. Men de er "best på det de gjør." Pluss at AI-systemer fortsetter å forbedre seg. Og de er ikke trivielle i det hele tatt. Selv å legge til side det faktum at moderne AI er langt fra perfekt, har det mye til felles med oss.
Hvordan kunstig intelligens fungerer
Først av alt kan AI utføre oppgavene sine (som litt senere) og tilegne seg nye ferdigheter takket være dyp maskinlæring. Vi hører og bruker ofte dette begrepet. Men hva betyr det? I motsetning til “klassiske” metoder, når all nødvendig informasjon er lastet inn i systemet på forhånd, tvinger maskinlæringsalgoritmer systemet til å utvikle seg uavhengig og studere tilgjengelig informasjon. Som for øvrig bilen i noen tilfeller også kan søke etter seg selv.
Salgsfremmende video:
For å lage et program for å oppdage svindel, fungerer for eksempel en maskinlæringsalgoritme med en liste over banktransaksjoner og sluttresultatet (lovlig eller ulovlig). En maskinlæringsmodell ser på eksempler og utvikler et statistisk forhold mellom legitime og uredelige transaksjoner. Når du deretter gir algoritmen detaljene for en ny banktransaksjon, klassifiserer den den basert på mønstrene den tegnet fra eksemplene på forhånd.
Vanligvis, jo mer data du gir, desto mer nøyaktig blir maskinlæringsalgoritmen når du utfører oppgavene. Læring av maskiner er spesielt nyttig for å løse problemer der reglene ikke er forhåndsdefinerte og ikke kan tolkes på binær. Tilbake til eksempelet vårt med bankvirksomhet: faktisk har vi et outputsystem for binær nummerering: 0 - lovlig drift, 1 - ulovlig. Men for å komme til en slik konklusjon, trenger systemet å analysere en hel haug parametere, og hvis du skriver dem inn manuelt, vil det ta mer enn ett år. Og å forutsi alle alternativene uansett vil ikke fungere. Og et system basert på dyp maskinlæring vil kunne gjenkjenne noe, selv om det aldri har møtt nøyaktig et slikt tilfelle før.
Dyp læring og nevrale nettverk
Mens klassiske maskinlæringsalgoritmer løser mange problemer der det er mye informasjon i form av databaser, takler de ikke så å si “visuelle og auditive” data som bilder, videoer, lydfiler og så videre.
Mens klassiske maskinlæringsalgoritmer løser mange problemer der det er mye informasjon i form av databaser, takler de ikke så å si “visuelle og auditive” data som bilder, videoer, lydfiler og så videre.
Å bygge en prediktiv modell for brystkreft ved bruk av klassiske tilnærminger til maskinlæring vil for eksempel kreve dusinvis av medisinske eksperter, programmerere og matematikere, sier AI-forsker Jeremy Howard. Forskere må lage mange mindre algoritmer for maskinlæring for å takle flyten av informasjon. Et eget undersystem for å studere røntgenbilder, et eget for MR, et annet for tolking av blodprøver, og så videre. For hver type analyse ville vi trenge sitt eget system. Da ville de alle bli kombinert til ett stort system … Dette er en veldig vanskelig og ressurskrevende prosess.
Dype læringsalgoritmer løser det samme problemet ved å bruke dype nevrale nettverk, en type programvarearkitektur inspirert av den menneskelige hjernen (selv om nevrale nettverk er forskjellige fra biologiske nevroner, fungerer de omtrent det samme). Nevrale nettverk av datamaskiner er tilkoblinger av "elektroniske nevroner" som er i stand til å behandle og klassifisere informasjon. De er ordnet som i "lag" og hvert "lag" er ansvarlig for noe av sitt eget, og til slutt danner et generelt bilde. Når du for eksempel trener et nevralt nettverk på bilder av forskjellige objekter, finner det måter å trekke ut objekter fra disse bildene. Hvert lag i det nevrale nettverket oppdager visse funksjoner: formen til objekter, farger, gjenstandenes utseende og så videre.
Overflatelagene på nevrale nettverk viser fellestrekk. Dypere lag avslører allerede de virkelige gjenstandene. Figuren viser et diagram av et enkelt nevralt nettverk. Innførte nevroner (innkommende informasjon) vises i grønt, blått - skjulte nevroner (dataanalyse), gul - output neuron (løsning).
Er nevrale nettverk en kunstig menneskelig hjerne?
Til tross for maskinens lignende struktur og menneskelige nevrale nettverk, har de ikke funksjonene i sentralnervesystemet. Nevrale nettverk av datamaskiner er i hovedsak alle de samme hjelpeprogrammene. Det bare skjer slik at hjernen vår er det mest organiserte systemet for databehandling. Du har sikkert hørt uttrykket "hjernen vår er en datamaskin"? Forskere "repliserte" bare noen aspekter av strukturen digitalt. Dette tillot bare å øke hastighet på beregningene, men ikke for å gi maskinene bevissthet.
Nevrale nettverk har eksistert siden 1950-tallet (i alle fall i form av konsepter). Men inntil nylig fikk de ikke mye utvikling, fordi etableringen deres krevde enorme mengder data og datakraft. I løpet av de siste årene har alt dette blitt tilgjengelig, så nevrale nettverk har kommet på spissen etter å ha fått sin utvikling. Det er viktig å forstå at det ikke var nok teknologi for deres fullverdige utseende. Hvordan de ikke er nok nå for å bringe teknologien til et nytt nivå.
Hva brukes dyp læring og nevrale nettverk?
Det er flere områder der disse to teknologiene har bidratt til å gjøre bemerkelsesverdige fremskritt. Dessuten bruker vi noen av dem hver dag i livet vårt og tenker ikke engang på hva som ligger bak dem.
- Datasyn er programvarens evne til å forstå innholdet i bilder og videoer. Dette er et område der dyp læring har gjort mye fremgang. For eksempel kan dyplærende bildebehandlingsalgoritmer oppdage forskjellige typer kreft, lungesykdommer, hjertesykdommer og så videre. Og for å gjøre det raskere og mer effektivt enn leger. Men dyp læring er også inngrodd i mange av applikasjonene du bruker hver dag. Apple Face ID og Google Photos bruker dyp læring for ansiktsgjenkjenning og bildeforbedring. Facebook bruker dyp læring for automatisk å merke folk i opplastede bilder og så videre. Datasyn hjelper også selskaper å automatisk identifisere og blokkere tvilsomt innhold som vold og nakenhet. Og endeligdyp læring spiller en veldig viktig rolle i å gjøre biler til selvkjørende slik at de kan forstå omgivelsene.
- Stemme- og talegjenkjenning. Når du snakker en kommando til Google Assistant, oversetter dype læringsalgoritmer stemmen din til tekstkommandoer. Flere online applikasjoner bruker dyp læring for å transkribere lyd- og videofiler. Selv når du shazam en sang, kommer nevrale nettverk og dype maskinlæringsalgoritmer inn.
- Internett-søk: selv om du leter etter noe i en søkemotor, for at forespørselen skal bli behandlet tydeligere og søkeresultatene skal være så korrekte som mulig, har selskaper begynt å koble nevrale nettverksalgoritmer til søkemotorene sine. Dermed har ytelsen til Googles søkemotor økt flere ganger etter at systemet gikk over til dyp maskinlæring og nevrale nettverk.
Grensene for dyp læring og nevrale nettverk
Til tross for alle fordelene deres, har dyp læring og nevrale nettverk også noen ulemper.
- Datavhengighet: Generelt krever dype læringsalgoritmer enorme mengder treningsdata for å utføre oppgavene sine nøyaktig. Dessverre, for å løse mange problemer, er det ikke nok treningsdata av kvalitet til å lage arbeidsmodeller.
- Uforutsigbarhet: Nevrale nettverk utvikler seg på en eller annen merkelig måte. Noen ganger går alt som planlagt. Og noen ganger (selv om det nevrale nettverket gjør en god jobb), sliter selv skaperne med å forstå hvordan algoritmene fungerer. Mangelen på forutsigbarhet gjør det ekstremt vanskelig å eliminere og rette feil i algoritmene til nevrale nettverk.
- Algoritmiske skjevheter: Dypelæringsalgoritmer er like gode som dataene de blir trent på. Problemet er at treningsdata ofte inneholder skjulte eller åpenbare feil eller mangler, og algoritmer arver dem. For eksempel vil en ansiktsgjenkjenningsalgoritme trent primært på fotografier av hvite mennesker fungere mindre nøyaktig på personer med en annen hudfarge.
- Mangel på generalisering: Dype læringsalgoritmer er bra for å utføre målrettede oppgaver, men generaliserer kunnskapen deres dårlig. I motsetning til mennesker, ville en dyp læringsmodell som er trent for å spille StarCraft, ikke kunne spille et annet lignende spill: si, WarCraft. I tillegg gjør dyp læring en dårlig jobb med å håndtere data som avviker fra treningseksemplene.
Fremtiden for dyp læring, nevrale nettverk og AI
Det er tydelig at arbeidet med dyp læring og nevrale nettverk langt fra er fullført. Ulike anstrengelser blir gjort for å forbedre dype læringsalgoritmer. Deep Learning er en banebrytende teknikk innen kunstig intelligens. Det har blitt mer og mer populært de siste årene på grunn av overflod av data og økningen i prosessorkraft. Dette er kjerneteknologien bak mange av applikasjonene vi bruker hver dag.
Men vil bevissthet noen gang bli født på grunnlag av denne teknologien? Skikkelig kunstig liv? Noen av forskerne mener at i øyeblikket når antall forbindelser mellom komponentene i kunstige nevrale nettverk nærmer seg den samme indikatoren som finnes i den menneskelige hjernen mellom nevronene våre, kan noe lignende skje. Denne påstanden er imidlertid sterkt tvilsom. For at ekte AI skal komme frem, må vi tenke nytt på hvordan vi bygger AI-systemer. Alt som er nå er bare anvendte programmer for et strengt begrenset spekter av oppgaver. Så mye som vi ønsker å tro at fremtiden allerede har kommet …
Hva tror du? Vil mennesker lage AI?
