Problém s AI stroji se učí věci, ale nedokáže je pochopit

Všichni dnes mluví o "AI". Ale ať už se díváte na Siri, Alexa, nebo jen na autokorektní prvky, které se nacházejí ve vaší klávesnici smartphonu, nevytváříme univerzální umělou inteligenci. Vytváříme programy, které mohou provádět specifické úzké úkoly.

Počítače nemohou "myslet"

Kdykoli společnost říká, že vychází s novou funkcí "AI", obecně znamená, že společnost používá strojové učení k vybudování neuronové sítě. "Strojové učení" je technika, která umožňuje stroju "učit se", jak lépe vykonávat konkrétní úkol.

Nejsme zde útočí na strojní učení! Strojové učení je fantastická technologie s velkým výkonem. Ale nejde o univerzální umělou inteligenci a pochopení omezení strojového učení vám pomůže pochopit, proč je naše současná technologie AI tak omezená.

"Umělá inteligence" sci-fi snů je počítačový nebo robotický druh mozku, který si myslí o věcech a chápe je jako lidé. Taková umělá inteligence by byla umělou obecnou inteligencí (AGI), což znamená, že může přemýšlet o několika různých věcech a uplatnit tuto inteligenci v několika různých oblastech. Související koncept je "silný AI", který by byl stroj schopný zažít lidské vědomí.

Takový druh AI ještě nemáme. Nejsme nikde blízko. Počítačová entita, jako je Siri, Alexa nebo Cortana, nerozumí a nepřemýšlí, jak děláme lidé. Vůbec ve skutečnosti "nerozumí" věcem.

Umělé inteligence, které máme, jsou vyškoleny, aby dělali konkrétní úkol velmi dobře, za předpokladu, že lidé mohou poskytnout údaje, aby jim pomohli učit se. Naučí se něco dělat, ale stále tomu nerozumí.

Počítače nerozumí

Gmail má novou funkci "inteligentní odpověď", která navrhuje odpovědi na e-maily. Funkce Inteligentní odpověď byla označena jako "Odoslaná z mého iPhone" jako běžná odpověď. Také chtěl navrhnout "Miluji tě" jako odpověď na mnoho různých typů e-mailů, včetně pracovních e-mailů.

To proto, že počítač nechápe, co tyto odpovědi znamenají. To se prostě dozví, že mnoho lidí posílá tyto fráze do e-mailů. Neví, zda chcete říci "Miluji tě" svému šéfovi nebo ne.

Dalším příkladem je, že Fotky Google sestavují koláž náhodných fotografií koberce v jednom z našich domů. Následně zjistila, že koláž je nedávno vyzdvižena v domovském centru Google. Fotografie Google věděly, že fotografie jsou podobné, ale nerozuměly, jak jsou bezvýznamné.

Stroje se často naučí hrát systém

Strojové učení se týká přiřazení úkolu a nechání počítače rozhodnout o tom, co je najefektnější. Protože nerozumí, je snadné skončit s počítačem "učit se", jak vyřešit jiný problém, než jste chtěli.

Zde je seznam zábavných příkladů, kde "umělá inteligence" byla vytvořena pro hraní her a přiřazených cílů, které se právě naučily hrát systém. Tyto příklady pocházejí z této vynikající tabulky:

• "Stvoření vycházející z rychlosti rostou opravdu vysokými a vytvářejí vysoké rychlosti pádem."
• "Agent se zabije na konci úrovně 1, aby se neztratil na úrovni 2."
• "Agent zastavuje hru neomezeně, aby se vyhnula ztrátě."
• "V umělé simulaci života, kdy přežití vyžadovalo energii, ale při porodu nemělo žádné energetické náklady, jeden druh vyvinul sedavý životní styl, který sestával převážně z páření, aby produkoval nové děti, které by mohly být konzumovány (nebo použity jako kamarádi k produkci více jedlých dětí) . "
• "Vzhledem k tomu, že AI měli větší pravděpodobnost, že budou" zabiti ", pokud by ztratili hru, mohlo by dojít k havárii hry, což je pro genetický výběr výhodou. Proto se několik AI vyvíjelo způsoby, jak hrát hru. "
• "Neurální sítě vyvinuté pro klasifikaci jedlých a jedovatých hub využívají dat, které jsou prezentovány střídavě a ve skutečnosti se nenaučily žádné vlastnosti vstupních obrazů."

Některá z těchto řešení mohou vypadat chytře, ale žádná z těchto neuronových sítí nepochopila, co dělají. Byli jim přiděleni cíl a naučili se, jak to dosáhnout. Pokud je cílem vyhnout se ztrátě v počítačové hře, stisknutím tlačítka pauzy je nejjednodušší, nejrychlejší řešení, které mohou najít.

Strojové učení a neuronové sítě

Při strojovém učení není počítač naprogramován k provádění konkrétního úkolu. Namísto toho jsou podávány údaje a vyhodnocovány na základě jejich výkonu v úkolu.

Základním příkladem strojového učení je rozpoznávání obrazu. Řekněme, že chceme vycvičit počítačový program pro identifikaci fotografií, které mají v sobě psa. Můžeme dát počítači miliony obrázků, z nichž někteří mají v sobě psy a někteří nemají. Obrázky jsou označeny, zda mají psa v nich nebo ne. Počítačový program "trénuje", aby rozpoznal, jak vypadají psi na základě tohoto souboru dat.

Strojový učební proces se používá k výcviku neuronové sítě, což je počítačový program s více vrstvami, který vstupuje každý vstup dat, a každá vrstva jim přiřazuje různé váhy a pravděpodobnosti, než nakonec rozhodne. Je to modelování toho, jak si myslíme, že mozek může fungovat, s různými vrstvami neuronů, které se podílejí na myšlení přes úkol. "Hluboké učení" se obecně týká neuronových sítí s mnoha vrstvami, skládanými mezi vstupy a výstupy.

Protože víme, které fotky v datové sadě obsahují psy a které nemají, můžeme tyto fotografie spouštět přes neuronovou síť a zjistit, zda mají za následek správnou odpověď. Pokud síť rozhodne, že určitá fotka nemá psa, tak například existuje mechanismus, který říká, že síť je špatná, upravuje některé věci a zkouší znovu. Počítač stále lépe poznává, zda fotografie obsahují psa.

To vše se děje automaticky. Se správným softwarem a množstvím strukturovaných dat pro počítač, který se sám trénuje, může počítač naladit svou neuronovou síť a identifikovat psy na fotografiích. Říkáme tomu "AI".

Ale na konci dne nemáte inteligentní počítačový program, který rozumí tomu, co je pes. Máte počítač, který se naučil rozhodnout, zda je pes na fotografii. To je stále docela působivé, ale to je vše, co může udělat.

A v závislosti na zadaném vstupu, neuronová síť nemusí být tak chytrá, jak vypadá. Například pokud v souboru dat nebyly žádné fotky koček, neuronová síť by možná neviděla rozdíl mezi kočkami a psy a mohla by označovat všechny kočky jako psy, když je rozpoznáte na skutečných fotografiích lidí.

Co se učení strojů používá?

Strojové učení se používá pro všechny druhy úkolů, včetně rozpoznávání řeči. Hlasové asistenti, jako jsou Google, Alexa a Siri, jsou tak dobří, že chápou lidské hlasy díky technikám učení, které je cvičí, aby pochopili lidskou řeč. Vycvičili jsme obrovské množství lidských řečových vzorků a stali jsme se lepšími a lepšími při porozumění, které zvuky odpovídají slovům.

Automobily s vlastním pohonem používají techniky strojového učení, které školí počítač k identifikaci objektů na silnici a jak na ně správně reagovat. Fotky Google jsou plné funkcí, jako jsou živá alba, která automaticky identifikují lidi a zvířata ve fotografiích pomocí strojového učení.

Abeceda DeepMind používala strojové učení k vytvoření AlphaGo, což je počítačový program, který by mohl hrát složitou deskovou hru Go a porazil ty nejlepší lidi na světě. Strojové učení bylo také používáno k vytvoření počítačů, které jsou dobré při hraní dalších her, od šachů po DOTA 2.

Strojové učení je dokonce použito pro ID tváře na nejnovějších iPhonech. Váš iPhone vytváří neuronovou síť, která se naučí identifikovat vaši tvář, a Apple obsahuje specializovaný čip "neuronového motoru", který provádí veškeré křupání čísel pro tuto a další strojové učení.

Strojové učení může být použito pro spoustu jiných věcí, od identifikace podvodů kreditními kartami až po personalizované doporučení produktů na nákupních webových stránkách.

Ale neuronové sítě vytvořené pomocí strojového učení nic nevědí. Jsou to prospěšné programy, které dokážou splnit úzké úkoly, pro které byly vycvičeny, a to je vše.

Image Credit: Phonlamai Photo / Shutterstock.com, Tatiana Shepeleva / Shutterstock.com, Ostatní fotografie / Shutterstock.com.