Problem z maszynami AI uczy się rzeczy, ale ich nie rozumie

W dzisiejszych czasach wszyscy mówią o "sztucznej inteligencji". Ale bez względu na to, czy patrzysz na Siri, Alexę, czy tylko na autokorekty znajdujące się na klawiaturze smartfona, nie tworzymy sztucznej inteligencji ogólnego przeznaczenia. Tworzymy programy, które mogą wykonywać określone, wąskie zadania.

Komputery nie "myślą"

Ilekroć firma mówi, że wychodzi z nową funkcją "AI", oznacza to, że firma używa uczenia maszynowego do budowy sieci neuronowej. "Uczenie maszynowe" to technika pozwalająca maszynie "nauczyć się", jak lepiej wykonywać określone zadania.

Nie atakujemy tu uczenia maszynowego! Uczenie maszynowe to fantastyczna technologia z wieloma potężnymi zastosowaniami. Ale to nie jest sztuczna inteligencja o ogólnym przeznaczeniu, a zrozumienie ograniczeń uczenia maszynowego pomaga zrozumieć, dlaczego nasza obecna technologia sztucznej inteligencji jest tak ograniczona.

"Sztuczna inteligencja" snów science-fiction jest skomputeryzowanym lub zrobotyzowanym rodzajem mózgu, który myśli o rzeczach i rozumie je tak jak ludzie. Taka sztuczna inteligencja byłaby sztuczną inteligencją ogólną (AGI), co oznacza, że ​​może myśleć o wielu różnych rzeczach i stosować tę inteligencję do wielu różnych dziedzin. Powiązana koncepcja to "silna sztuczna inteligencja", która byłaby maszyną zdolną do doświadczania ludzkiej świadomości.

Nie mamy jeszcze tego rodzaju sztucznej inteligencji. Nie jesteśmy blisko tego. Jednostka komputerowa, taka jak Siri, Alexa czy Cortana, nie rozumie i nie myśli tak, jak my, ludzie. W rzeczywistości nie "naprawdę" rozumie.

Sztuczna inteligencja, którą mamy, jest przygotowana do tego, by wykonać określone zadanie bardzo dobrze, zakładając, że ludzie mogą dostarczyć dane, aby pomóc im się uczyć. Uczą się robić coś, ale nadal nie rozumieją tego.

Komputery nie rozumieją

Gmail ma nową funkcję "Inteligentna odpowiedź", która sugeruje odpowiedzi na e-maile. Funkcja inteligentnej odpowiedzi zidentyfikowała "Wysłane z mojego iPhone'a" jako wspólną odpowiedź. Chciał również zasugerować "Kocham Cię" jako odpowiedź na wiele różnych rodzajów wiadomości e-mail, w tym e-maile z pracy.

Dzieje się tak, ponieważ komputer nie rozumie, co oznaczają te odpowiedzi. Właśnie dowiedziałem się, że wiele osób wysyła te zwroty w wiadomościach e-mail. Nie wie, czy chcesz powiedzieć "kocham cię" swojemu szefowi, czy nie.

Jako inny przykład, Zdjęcia Google zestawiają kolaż przypadkowych zdjęć dywanu w jednym z naszych domów. Następnie zidentyfikował ten kolaż jako ostatnią atrakcję w Google Home Hub. Zdjęcia Google wiedziały, że zdjęcia są podobne, ale nie rozumieją, jak nieważne były.

Maszyny często uczą się gry w systemie

Uczenie maszynowe polega na przypisaniu zadania i umożliwieniu komputerowi podjęcia decyzji o najbardziej efektywnym sposobie jego wykonania. Ponieważ nie rozumieją, łatwo jest skończyć z komputerem "uczącym się", jak rozwiązać inny problem z tego, co chciałeś.

Oto lista zabawnych przykładów, w których "sztuczne inteligencje" stworzone do grania w gry i przypisane cele właśnie nauczyły się grać w system. Wszystkie te przykłady pochodzą z tego doskonałego arkusza kalkulacyjnego:

• "Stworzenia stworzone dla szybkości rosną naprawdę wysoko i generują wysokie prędkości przez przewrócenie się."
• "Agent zabija się na końcu poziomu 1, aby uniknąć straty na poziomie 2."
• "Agent zatrzymuje grę na czas nieokreślony, aby uniknąć przegranej."
• "W symulacjach sztucznego życia, w których przetrwanie wymagało energii, ale poród nie kosztował energii, jeden gatunek rozwinął siedzący tryb życia, który polegał głównie na krzyżowaniu się w celu wytworzenia nowych dzieci, które mogłyby być zjedzone (lub użyte jako partnerzy do produkcji bardziej jadalnych dzieci) . "
• "Ponieważ AI były bardziej narażone na" zabicie ", gdyby przegrały grę, możliwość ich rozbicia była zaletą w procesie selekcji genetycznej. Dlatego kilka AI opracowało sposoby na zawieszenie gry. "
• "Sieci neuronowe ewoluowały, aby klasyfikować grzyby jadalne i trujące, korzystając z danych przedstawianych w naprzemiennej kolejności i nie nauczyły się żadnych funkcji obrazów wejściowych".

Niektóre z tych rozwiązań mogą brzmieć sprytnie, ale żadna z tych sieci neuronowych nie rozumiała, co robią. Zostali przypisani do celu i nauczyli się go zrealizować. Jeśli celem jest uniknięcie przegranej w grze komputerowej, naciśnięcie przycisku pauzy jest najłatwiejszym, najszybszym rozwiązaniem, jakie mogą znaleźć.

Uczenie maszynowe i sieci neuronowe

Dzięki uczeniu maszynowemu komputer nie jest zaprogramowany do wykonywania określonego zadania. Zamiast tego jest przekazywana dane i oceniana na jego wydajność w zadaniu.

Elementarnym przykładem uczenia maszynowego jest rozpoznawanie obrazu. Powiedzmy, że chcemy wyszkolić program komputerowy do identyfikacji zdjęć, które mają w sobie psa. Możemy dać komputerowi miliony obrazów, z których niektóre zawierają psy, a niektóre nie. Obrazy są oznaczone, czy mają psa, czy nie. Program komputerowy "szkoli się", aby rozpoznać, jak wyglądają psy na podstawie tego zestawu danych.

Proces uczenia maszynowego służy do szkolenia sieci neuronowej, która jest programem komputerowym z wieloma warstwami, przez którą przechodzi każde wprowadzenie danych, a każda warstwa przypisuje im różne wagi i prawdopodobieństwa, zanim ostatecznie podejmie decyzję. Jest on wzorowany na tym, jak myślimy, że mózg może działać, z różnymi warstwami neuronów zaangażowanymi w myślenie przez zadanie. "Głębokie uczenie się" odnosi się ogólnie do sieci neuronowych z wieloma warstwami ułożonymi między wejściem a wyjściem.

Ponieważ wiemy, które zdjęcia w zbiorze danych zawierają psy, a które nie, możemy uruchomić zdjęcia przez sieć neuronową i sprawdzić, czy dają one prawidłową odpowiedź. Jeśli sieć zdecyduje, że konkretne zdjęcie nie ma psa, na przykład, istnieje mechanizm powiadamiający sieć, że jest źle, dostosowujący niektóre rzeczy i próbujący ponownie. Komputer coraz lepiej sprawdza, czy zdjęcia zawierają psa.

Wszystko dzieje się automatycznie. Dzięki odpowiedniemu oprogramowaniu i dużej liczbie uporządkowanych danych, na których komputer może się samodzielnie trenować, komputer może dostroić swoją sieć neuronową, aby identyfikować psy na zdjęciach. Nazywamy to "AI".

Ale na koniec dnia nie masz inteligentnego programu komputerowego, który rozumie, czym jest pies. Masz komputer, który nauczył się decydować, czy pies jest na zdjęciu. To wciąż imponujące, ale to wszystko, co może zrobić.

I, w zależności od wprowadzonego przez ciebie wejścia, sieć neuronowa może nie być tak inteligentna, jak wygląda. Na przykład, jeśli w zestawie danych nie ma żadnych zdjęć kotów, sieć neuronowa może nie widzieć różnicy między kotami i psami i może oznaczać wszystkie koty jako psy, gdy wyzwolisz je na prawdziwe zdjęcia ludzi..

Do czego służy nauka maszynowa?

Uczenie maszynowe służy do wykonywania wszystkich zadań, w tym rozpoznawania mowy. Asystenci głosowi, tacy jak Google, Alexa i Siri są tak dobrzy w zrozumieniu ludzkiego głosu dzięki technikom uczenia maszynowego, które nauczyły ich rozumienia mowy ludzkiej. Przeszkolili się na ogromnej ilości próbek mowy ludzkiej i coraz lepiej rozumieją, które dźwięki odpowiadają jakim słowom.

Samochody do samodzielnej jazdy używają technik uczenia maszynowego, które szkolą komputer w celu rozpoznawania obiektów na drodze i prawidłowego reagowania na nie. Zdjęcia Google są pełne funkcji, takich jak albumy na żywo, które automatycznie identyfikują osoby i zwierzęta na zdjęciach za pomocą uczenia maszynowego.

DeepMind Alphabet wykorzystał uczenie maszynowe do stworzenia AlphaGo, programu komputerowego, który mógłby zagrać w złożoną grę planszową Go i pokonać najlepszych ludzi na świecie. Uczenie maszynowe zostało również użyte do tworzenia komputerów, które są dobre w graniu w inne gry, od szachów do DOTA 2.

Uczenie maszynowe jest nawet używane w Face ID na najnowszych iPhone'ach. Twój iPhone tworzy sieć neuronową, która uczy się rozpoznawać twoją twarz, a Apple zawiera dedykowany układ "silnika neuronowego", który wykonuje wszystkie operacje numerowania dla tego i innych zadań uczenia maszynowego.

Uczenie maszynowe może być wykorzystywane do wielu innych rzeczy, od identyfikacji oszustw związanych z kartami kredytowymi do spersonalizowanych zaleceń dotyczących produktów na stronach internetowych sklepów.

Ale sieci neuronowe stworzone w procesie uczenia maszynowego naprawdę niczego nie rozumieją. Są to korzystne programy, które mogą wykonać wąskie zadania, do których zostali przeszkoleni, i to wszystko.

Image Credit: Phonlamai Photo / Shutterstock.com, Tatiana Shepeleva / Shutterstock.com, Sundry Photography / Shutterstock.com.