Iedereen praat over “AI” deze dagen. Maar of u op zoek bent naar Siri, Alexa, of gewoon de autocorrectie-functies van het toetsenbord van uw smartphone, hebben we het niet maken van algemene doel van kunstmatige intelligentie. We maken programma ‘ s die het uitvoeren van specifieke, smalle taken.
Computers Kunnen niet Denken
Wanneer een bedrijf zegt dat het komt uit met een nieuwe “AI” – functie, het betekent over het algemeen dat het bedrijf is met behulp van machine learning voor het bouwen van een neuraal netwerk. “Machine learning” is een techniek waarmee een machine “leren” hoe te beter uit te voeren op een specifieke taak.
We zijn niet de aanvallende machine te leren hier! Machine learning is een fantastische technologie met een veel krachtige toepassingen. Maar het is niet voor algemene doeleinden, kunstmatige intelligentie en inzicht van de beperkingen van machine learning helpt u begrijpen waarom onze huidige AI-technologie is dus beperkt.
De “kunstmatige intelligentie” van sci-fi dromen is een geautomatiseerde of gerobotiseerde soort van brein dat denkt over dingen en ze begrijpt als mensen dat doen. Zo ‘ n kunstmatige intelligentie zou een kunstmatige algemene intelligentie (AGI), wat betekent dat het denken over verschillende dingen en de toepassing van die intelligentie om meerdere verschillende domeinen. Een verwant concept is “sterke AI,” dat zou een machine die in staat is van het ervaren van het menselijke bewustzijn.
Dat hebben We niet een soort van AI nog. We zijn niet overal dicht bij. Een computer entiteit, zoals Siri, Alexa, of Cortana niet begrijpen en denken zoals wij mensen doen. Het maakt niet echt “begrijpen” dingen.
De kunstmatige intelligenties die we hebben, worden getraind om een specifieke taak zeer goed, in de veronderstelling dat de mens kan zorgen voor de gegevens om hen te helpen leren. Ze leren om iets te doen, maar begrijp het nog steeds niet.
Computers die niet Begrijpen
Gmail heeft een nieuwe, ‘Slimme Antwoord” functie die suggereert dat de antwoorden op e-mails. De Smart functie Beantwoorden geïdentificeerd “Verstuurd vanaf mijn iPhone” als een normale reactie. Ook wilde het om te suggereren “ik hou van je” als een reactie op de vele verschillende types van e-mails, waaronder werk e-mails.
Dat komt omdat de computer niet begrijpt wat deze reacties betekenen. Het is gewoon geleerd dat veel mensen het verzenden van deze zinnen in e-mails. Het weet niet of je willen zeggen “ik hou van je” met je baas of niet.
Zo is het bijvoorbeeld van Google Foto ‘s samen een collage van toevallige foto’ s van het tapijt in een van onze woningen. Vervolgens wordt vastgesteld dat de collage een recent hoogtepunt op een Google-Home Hub. Google Foto ‘s wist de foto’ s waren vergelijkbaar, maar begreep niet, hoe onbelangrijk ze ook waren.
Machines Vaak Leren om het Spel van het Systeem
Machine learning is al over een taak toewijzen en verhuren van een computer bepaalt de meest efficiënte manier om het te doen. Omdat ze het niet begrijpen, het is gemakkelijk om te eindigen met een computer “leren” hoe het oplossen van een ander probleem van wat je wilde.
Hier is een lijst van leuke voorbeelden waar “kunstmatige intelligentie” gemaakt om games te spelen en toegewezen doelstellingen net geleerd om het spel van het systeem. Deze voorbeelden komen allemaal uit dit uitstekende werkblad:
- “Wezens gefokt voor snelheid groeien echt hoog en het genereren van hoge snelheden door om te vallen.”
- “Agent doodt zichzelf aan het einde van niveau 1 om te voorkomen dat verliezen in niveau 2.”
- “Agent onderbreekt het spel voor onbepaalde tijd te voorkomen dat het verliezen.”
- “In een kunstmatig leven simulatie waarbij survival benodigde energie, maar bij de geboorte had geen energie kosten, een soort geëvolueerd van een sedentaire levensstijl, die bestond vooral uit de paring om het produceren van nieuwe kinderen, die kunnen worden gegeten of worden gebruikt als vrienden om meer te produceren eetbare kinderen).”
- “Sinds de AIs werden meer kans te krijgen “gedood” als ze verloren in een spel, kunnen een crash van het spel was een voordeel voor de genetische selectie proces. Daarom zijn verschillende AIs ontwikkeld manieren om een crash van het spel.”
- “Neurale netwerken ontwikkeld voor het classificeren van eetbare en giftige paddestoelen maakte gebruik van de gegevens die worden gepresenteerd in wisselende volgorde en niet daadwerkelijk leren welke kenmerken van de input beelden.”
Sommige van deze oplossingen klinkt misschien slim, maar geen van deze neurale netwerken begreep wat ze aan het doen waren. Ze werden toegewezen aan een doel en leerde een manier om het te bereiken. Als het doel is om te voorkomen dat verliezen in een spel computer, drukt u op de pauze-knop is de gemakkelijkste, snelste oplossing die ze kunnen vinden.
Machine Learning en Neurale Netwerken
Met machine learning, een computer is niet geprogrammeerd voor het uitvoeren van een specifieke taak. In plaats daarvan wordt gevoed gegevens en beoordeeld op de prestatie op de taak.
Een elementair voorbeeld van machine learning is beeldherkenning. Laten we zeggen dat we willen trein een computer programma voor het identificeren van foto ‘ s die een hond hebben in hen. We geven een computer miljoenen beelden, sommige van die honden, en wat niet. De beelden zijn gelabeld of ze een hond hebt of niet. De computer programma ‘treinen’ zelf te herkennen wat honden lijken op basis van die gegevens stellen.
De machine leerproces wordt ingezet voor het trainen van een neuraal netwerk is, dat is een computer programma meerdere lagen die elke data-ingang passeert, en elke laag kent verschillende gewichten en kansen voor hen voordat uiteindelijk het maken van een bepaling. Het is gebaseerd op hoe wij denken dat de hersenen zou kunnen werken, met verschillende lagen van neuronen die betrokken zijn in het denken door middel van een taak. “Deep learning” over het algemeen verwijst naar neurale netwerken met vele lagen gestapeld tussen de input en output.
Omdat we weten welke foto ‘s in de reeks gegevens bevatten honden en welke niet, kunnen we de foto’ s via het neurale netwerk en zie, of zij leiden tot het juiste antwoord. Als het netwerk beslist een bepaalde foto niet hebben van een hond wanneer het, bijvoorbeeld, is er een mechanisme voor het vertellen van het netwerk dat het verkeerd was, het aanpassen van een aantal dingen, en opnieuw proberen. De computer wordt steeds beter in het identificeren van de vraag of foto ‘ s bevatten een hond.
Dit alles gebeurt automatisch. Met de juiste software en een stuk van gestructureerde gegevens voor de computer om te trainen zelf op de computer kan afstemmen op de neurale netwerk te identificeren honden in foto ‘ s. We noemen dit “AI.”
Maar, aan het einde van de dag, je hoeft niet op een intelligente computer programma die begrijpt wat voor een hond is. U hebt een computer die geleerd heeft om te beslissen of je wel of niet een hond is in een foto. Dat is nog steeds heel indrukwekkend, maar dat is alles wat ik kan doen.
En, afhankelijk van de ingang die u gaf, dat neurale netwerk is misschien niet zo slim als het lijkt. Bijvoorbeeld, als er geen foto ‘s van katten in uw gegevens, het neurale netwerk geen verschil kunnen zien tussen katten en honden en misschien tag alle katten als honden wanneer u het los te laten op de echte foto’ s.
Wat Is Machine Learning Voor Gebruikt?
Machine learning wordt gebruikt voor allerlei taken, waaronder spraakherkenning. Stem assistenten zoals Google, Alexa, en Siri zijn zo goed in het begrijpen van menselijke stemmen omwille van machine learning technieken die zijn getraind om te begrijpen van de menselijke spraak. Ze hebben getraind op een enorme hoeveelheid menselijke spraak monsters en beter en beter worden in het begrijpen van die geluiden komen overeen met die woorden.
Zelf-rijdende auto ‘ s gebruik maken van machine learning technieken die trein de computer te identificeren van objecten op de weg en hoe te reageren op deze correct in. Google Foto ‘s is vol met functies zoals Live-Albums die automatisch identificeren van mensen en dieren in foto’ s met behulp van machine learning.
Alfabet s DeepMind gebruikt machine learning te maken AlphaGo, een computer programma die kunnen spelen op de complexe bordspel Gaan en het verslaan van de beste mensen in de wereld. Machine learning is ook gebruikt voor het maken van computers die zijn goed in het spelen van andere games, van schaken tot DOTA 2.
Machine learning is zelfs gebruikt voor Face ID op de nieuwste iPhones. Je iPhone wordt een neuraal netwerk dat zich leert te identificeren uw gezicht, en Apple heeft een speciale “neurale motor” chip die voert alle nummer-kraken voor deze en andere machines voor het leren van taken.
Machine learning kan worden gebruikt voor veel verschillende zaken, van het identificeren van credit card fraude te gepersonaliseerde product aanbevelingen op winkelen websites.
Maar, de neurale netwerken die zijn gemaakt met machine learning niet echt iets begrijpen. Ze zijn nuttig programma ‘ s die het bereiken van de smalle taken waar zij opgeleid werden voor, en dat is het.
Image Credit: Phonlamai Foto/Shutterstock.com, Tatiana Shepeleva/Shutterstock.com, Diverse Fotografie/Shutterstock.com.