Alle reden von “AI” in diesen Tagen. Aber, ob Sie Siri, Alexa oder einfach nur die AutoKorrektur-Funktionen in Ihre smartphone-Tastatur, die wir nicht schaffen werden Allgemeine Zweck der künstlichen Intelligenz. Wir erstellen Programme, die ausgeführt werden können bestimmten, engen Aufgaben.
Computer Können nicht “Denken”
Wenn ein Unternehmen sagt, es ist aus mit einem neuen “AI” – Funktion, die es in der Regel bedeutet, dass das Unternehmen mit der Maschine lernen, bauen ein neuronales Netzwerk. “Machine learning” ist eine Technik, mit der eine Maschine “lernt”, wie man besser führen Sie auf eine bestimmte Aufgabe.
Wir sind nicht anzugreifen, maschinelles lernen hier! Maschinelles lernen ist eine fantastische Technologie mit einer Vielzahl von leistungsstarken verwendet. Aber es ist nicht für Allgemeine Zwecke der künstlichen Intelligenz und ein Verständnis der Grenzen des maschinellen Lernens hilft Sie verstehen, warum unsere aktuellen AI-Technologie ist so begrenzt.
Die “künstliche Intelligenz” der sci-fi-Träume ist ein EDV-oder Roboter-eine Art Gehirn, das denkt über die Dinge und versteht Sie, wie es Menschen tun. Solche künstlichen Intelligenz wäre eine künstliche general intelligence (AGI), was bedeutet, es kann denken über mehrere verschiedene Dinge, und gelten, dass die Intelligenz auf mehreren verschiedenen domains. Ein Verwandtes Konzept ist “starken KI”, das wäre eine Maschine, die das erleben menschlichen Bewusstseins.
Wir haben nicht diese Art von AI noch. Wir sind nicht irgendwo in der Nähe. Eine computer-Einheit wie Siri, Alexa oder Cortana nicht verstehen und denken, als wir Menschen es tun. Es nicht wirklich “verstehen” Dinge überhaupt.
Die künstlichen Intelligenzen, die wir haben, sind ausgebildet, um eine bestimmte Aufgabe sehr gut, vorausgesetzt, die Menschen können die Daten, um Ihnen zu helfen lernen. Sie lernen, etwas zu tun, aber immer noch nicht verstehen.
Computer nicht Verstehen
Gmail hat eine neue “Intelligente Antworten” – Funktion, die nahelegt, dass Antworten auf E-Mails. Die Smart-Antwort-Funktion identifiziert “Gesendet von meinem iPhone” als eine gemeinsame Antwort. Es wollte auch vorschlagen, “ich Liebe dich” als Antwort auf viele verschiedene Arten von E-Mails, einschließlich der Arbeit mit E-Mails.
Das ist, weil die computer nicht verstehen, was diese Antworten bedeuten. Es ist einfach gelernt, dass viele Menschen senden, diese Phrasen in E-Mails. Es weiß nicht, ob Sie sagen wollen “ich Liebe dich” zu Ihrem Chef oder nicht.
Als ein weiteres Beispiel, Google Fotos eine collage zusammengestellt von zufälligen Fotos von dem Teppich in einem unserer Häuser. Es identifiziert die collage wie eine aktuelle Markierung auf einer Google-Home-Hub. Google Fotos kannte die Fotos waren ähnlich, aber nicht verstehen, wie unwichtig Sie waren.
Maschinen Lernen Oft zu Spiel das System
Maschinelles lernen ist alles über die Zuweisung einer Aufgabe und Verpachtung einen computer entscheiden, der effizienteste Weg, es zu tun. Weil Sie nicht verstehen, es ist einfach zu Ende mit einem computer “lernen”, wie Sie zu lösen ein anderes problem von dem, was Sie wollte.
Hier ist eine Liste der Spaß Beispiele, wo “künstliche Intelligenzen” erstellt, um Spiele zu spielen und zugewiesenen Ziele nur gelernt zu Spiel das system. Diese Beispiele stammen alle aus diesem hervorragende Tabellenkalkulation:
- “Kreaturen, gezüchtet für Geschwindigkeit wachsen wirklich groß, und generieren Sie hohe Geschwindigkeiten durch Umfallen.”
- “Agent tötet sich am Ende von level 1 zu vermeiden, verlieren Sie in Stufe 2.”
- “Agent unterbricht das Spiel auf unbestimmte Zeit zu verlieren.”
- “In einem artificial-life-simulation, wo das überleben notwendige Energie, aber die Geburt hatte keine Energie Kosten, eine Spezies entwickelt, die eine sitzende Lebensweise, Bestand hauptsächlich der Paarung, um neue Kinder, die gegessen werden konnte (oder als Verknüpfungen, um mehr zu produzieren essbare Kinder).”
- “Seit der AIs waren eher “getötet”, wenn Sie ein Spiel verloren, in der Lage zu Abstürzen, das Spiel war ein Vorteil für die genetische Auswahl. Also mehrere AIs entwickelt Möglichkeiten, um das Spiel zum Absturz bringen.”
- “Neuronale Netze entwickelt, um zu klassifizieren, essbare und giftige Pilze nutzten die Daten präsentiert, die in abwechselnder Reihenfolge und nicht wirklich lernen, alle Funktionen der input-Bilder.”
Einige dieser Lösungen klingen mag clever, aber keiner von diesen neuronalen Netzen verstanden, was Sie Taten. Man gab Ihnen ein Ziel und lernte einen Weg, um es zu erreichen. Wenn das Ziel ist zu vermeiden, dass in einem PC-Spiel durch drücken der pause-Taste ist die einfachste, Schnellste Lösung, die Sie finden können.
Maschinelles Lernen und Neuronale Netze
Mit machine-learning -, ein computer ist nicht programmiert, um eine bestimmte Aufgabe auszuführen. Stattdessen, es ist gefüttert, Daten und bewertet Ihre Leistung bei der Aufgabe.
Ein elementares Beispiel des maschinellen Lernens ist die Bilderkennung. Sagen wir, wir wollen der Bahn ein computer-Programm zu identifizieren, die Fotos, die haben einen Hund in Ihnen. Wir können einen computer mit Millionen von Bildern, von denen einige haben Hunde, die in Ihnen und einige nicht. Die Bilder sind gekennzeichnet, ob Sie einen Hund haben oder nicht. Das computer-Programm “bildet” sich selbst zu erkennen, was Hunde so Aussehen wie auf der Grundlage dieser Daten festgelegt.
Die machine-learning-Verfahren verwendet wird, die zum trainieren des neuronalen Netzes, die ein computer-Programm mit mehreren Ebenen, die jede Daten-Eingabe durchläuft, und jede Schicht weist verschiedene GEWICHTE und Wahrscheinlichkeiten, bevor Sie schließlich machen eine Bestimmung. Es wird modelliert, wie wir denken, das Gehirn funktionieren könnte, mit verschiedenen Schichten von Neuronen beteiligt zu durchdenken einer Aufgabe. “Deep learning” bezieht sich im Allgemeinen auf neuronale Netze mit vielen Schichten gestapelt zwischen Eingang und Ausgang.
Weil wir wissen, welche Fotos im Daten-set enthalten Hunde und welche nicht, können wir die Fotos durch das neuronale Netzwerk und sehen, ob Sie das Ergebnis in der richtigen Antwort. Wenn das Netzwerk entscheidet, ein bestimmtes Foto nicht einen Hund haben, wenn es tut, es gibt zum Beispiel einen Mechanismus für das erzählen dem Netzwerk, das es falsch war, passen einige Dinge und versuchen Sie es erneut. Die computer werden immer besser bei der Ermittlung, ob Fotos enthalten ein Hund.
Dies alles geschieht automatisch. Mit der richtigen software und eine Menge von strukturierten Daten für den computer zu trainieren, sich auf, dem computer einstellen kann, neuronalen Netzwerks zu identifizieren, die Hunde auf den Fotos. Wir nennen das “AI.”
Aber, am Ende des Tages, Sie nicht haben ein intelligentes computer-Programm, das versteht, was ein Hund ist. Sie haben einen computer, der gelernt hat, zu entscheiden, ob oder nicht, ein Hund ist in einem Foto. Das ist immer noch ziemlich beeindruckend, aber das ist alles was man tun kann.
Und je nach dem Eingang gab es, das neuronale Netzwerk möglicherweise nicht so schlau wie es aussieht. Zum Beispiel, wenn es gab keine Fotos von Katzen in Ihre Daten-set, das neuronale Netz kann nicht sehen, einen Unterschied zwischen Hunden und Katzen und könnte tag alle Katzen wie Hunde wenn Sie entfesseln ihn auf die Menschen echte Fotos.
Was Ist Maschinelles Lernen?
Maschinelles lernen wird eingesetzt für alle Arten von Aufgaben, einschließlich der Spracherkennung. Sprach-Assistenten wie Google, Alexa, und Siri sind so gut im verstehen der menschlichen Stimme durch machine-learning-Techniken geschult, menschliche Sprache zu verstehen. Sie haben ausgebildet, die auf eine riesige Menge der menschlichen Rede zu Proben und sich besser und besser zu verstehen, die sounds entsprechen die Worte.
Selbstfahrende Autos sind mit machine learning-Techniken, trainieren den computer zum identifizieren von Objekten auf der Straße und wie darauf zu reagieren ist richtig. Google Photos ist voll von Funktionen wie Live-Alben, die der automatischen Identifizierung von Personen und Tieren in Fotos mit machine learning.
Alphabet ist DeepMind verwendet machine learning erstellen AlphaGo ein computer-Programm Abspielen konnte das komplexe Brettspiel Gehen und schlagen die besten Menschen der Welt. Machine learning wurde auch verwendet, um erstellen Computer, die sind gut andere Spiele spielen, von Schach zu DOTA 2.
Maschinelles lernen wird auch verwendet für Gesichts-ID auf die neuesten iPhones. Dein iPhone erstellt ein neuronales Netz, das lernt, sich zu identifizieren, Ihr Gesicht, und Apple bietet ein eigenes “neural engine” – chip, der führt alle number-crunching für diese und andere machine-learning-Aufgaben.
Maschinelles lernen verwendet werden kann für viele andere verschiedene Dinge, Erkennung von Kreditkartenbetrug, um personalisierte Produkt-Empfehlungen, die auf shopping-websites.
Aber, die neuronale Netzwerke erstellt, die mit maschinellem lernen nicht wirklich alles verstehen. Sie sind vorteilhaft, Programme, erreichen die schmalen Aufgaben, die Sie wurden geschult, und das ist es.
Bild-Kredit: Phonlamai Photo/Shutterstock.com, Tatjana Shepeleva/Shutterstock.com, sonstige, Fotografie/Shutterstock.com.