Alla pratar om “AI” i dessa dagar. Men, om du tittar på Siri, Alexa, eller bara för autokorrigering funktioner som finns i din smartphone med tangentbord, vi är inte att skapa allmänna ändamål artificiell intelligens. Vi skapar program som kan utföra specifika, smala uppgifter.
Datorer Kan inte “Tror”
När ett företag säger att det kommer ut med en ny “AI” – funktionen, är det i allmänhet innebär att företag använder maskinen att lära sig att bygga ett neuralt nätverk. “Machine learning” är en teknik som låter en maskin “lära sig” hur man bättre kan utföra på en specifik uppgift.
Vi är inte attackera maskininlärning här! Maskininlärning är en fantastisk teknik med mycket kraftfulla användningar. Men det är inte för allmänt ändamål artificiell intelligens, och förstå de begränsningar av maskininlärning hjälper dig att förstå varför vår nuvarande AI-tekniken är så begränsad.
“Artificiell intelligens” av sci-fi drömmar är en datoriserad eller robot typ av hjärnan som tänker om saker och förstår dem som människor gör. En sådan artificiell intelligens skulle vara en artificiell generell intelligens (AGI), vilket innebär att det kan tänka på flera olika saker och det gäller att intelligens att flera olika domäner. Ett besläktat begrepp är “stark AI,” vilket skulle vara en maskin som kan uppleva mänskliga-som medvetande.
Vi har inte den typ av AI ännu. Vi är inte någonstans i närheten av det. En dator enhet som Siri, Alexa, eller Cortana inte förstår och tänker som vi människor gör. Det spelar ingen verkligen “förstå” saker och ting alls.
Artificiella intelligenser vi har är utbildade för att göra en specifik uppgift mycket bra, förutsatt att människor kan lämna uppgifter för att hjälpa dem att lära sig. De lär sig att göra något, men vet fortfarande inte förstå det.
Datorer inte Förstår
Gmail har en ny “Smart Svar” funktion som föreslår svar på e-post. Den Smarta funktionen Svara identifierade “Skickat från min iPhone” som ett gemensamt svar. Det ville också att föreslå “jag älskar dig” som ett svar på många olika typer av e-post, inklusive arbete e-post.
Det beror på att datorn inte förstår vad svaren betyder. Det är bara lärt mig att många människor skicka dessa fraser i e-postmeddelanden. Att det inte vet om du vill säga “jag älskar dig” till din chef eller inte.
Som ett annat exempel, Google Bilder att sätta ihop ett collage av oavsiktlig foton på mattan i ett av våra hem. Det som då identifierades som collage som en ny höjdpunkt på en Google-Home-Navet. Google Foton visste bilderna var liknande men förstod inte hur oviktiga de var.
Maskiner Lär sig Ofta att Spelet Systemet
Maskininlärning handlar om att tilldela en uppgift och låta datorn bestämma det mest effektiva sättet att göra det. Eftersom de inte förstår, det är lätt att hamna i en dator för att “lära sig” hur man kan lösa olika problem från vad du ville.
Här är en lista av roliga exempel där “artificiella intelligenser” som skapats för att spela spel och tilldelas mål precis lärt sig att utnyttja systemet. Dessa exempel kommer alla från detta utmärkta kalkylblad:
- “Varelser som föds upp för hastighet växa riktigt lång och generera höga hastigheter genom att falla över.”
- “Agent dödar sig själv i slutet av nivå 1 för att undvika att förlora i nivå 2.”
- “Agent pausar spelet på obestämd tid för att undvika att förlora.”
- “I en artificiellt liv simulering där överlevnad krävs energi men förlossningen hade ingen energi kostnad, en art utvecklats till en stillasittande livsstil som bestod mestadels av parning för att producera nya barn som kan ätas (eller används som kompisar för att producera mer ätbara barn).”
- “Eftersom AIs var mer benägna att få “dödas” om de förlorat ett spel, att kunna krascha spelet var en fördel för den genetiska processen. Därför har flera AIs utvecklat metoder för att krascha spelet.”
- “Neurala nät som utvecklats för att klassificera ätliga och giftiga svampar drog nytta av de data som presenteras i omväxlande ordning och egentligen inte lära sig alla funktioner av ingående bilder.”
En del av dessa lösningar kan låta smart, men ingen av dessa neurala nätverk förstod vad de höll på med. De blev tilldelade ett mål och lärt sig ett sätt att åstadkomma det. Om målet är att undvika att förlora i en dator spel, om du trycker på pause knappen är det enklaste, snabbaste lösning de kan hitta.
Maskininlärning och Neurala Nätverk
Med machine learning, en dator är inte programmerade att utföra en specifik uppgift. Det är istället matas data och utvärderas baserat på dess prestanda på uppgiften.
Ett elementärt exempel på maskininlärning är bildigenkänning. Låt oss säga att vi vill träna en dator program för att identifiera bilder som har en hund i dem. Vi kan ge en dator miljontals bilder, en del som har hundar i dem och vissa inte. Bilderna är märkta om de har en hund i dem eller inte. De datorprogram som “tränar” sig att känna igen vad hundar ser ut som bygger på att data set.
Maskinen lärande process används för att träna ett neuralt nätverk, som är ett datorprogram med flera lager som varje inmatning av data passerar genom, och varje lager tilldelas olika vikter och sannolikheterna för dem innan du slutligen göra en bestämning. Det bygger på hur vi tror att hjärnan kan arbeta med olika lager av nervceller som är involverade i att tänka igenom en uppgift. “Djupt lärande” syftar i allmänhet till neurala nätverk med många lager staplas mellan input och output.
Eftersom vi vet vilka foton i datamängden innehåller hundar och vilka som inte gör det, vi kan köra foton genom neurala nätverk och se om de leder till rätt svar. Om nätverket bestämmer sig för ett visst foto inte har en hund när den gör det, till exempel, det finns en mekanism för att berätta nätet att det var fel, att justera vissa saker, och försöker igen. Datorn håller på att bli bättre på att identifiera om foton innehålla en hund.
Allt detta sker automatiskt. Med rätt programvara och en hel del av strukturerad data för datorn att utbilda sig på, datorn kan finjustera dess neurala nätverk för att identifiera hundar i foton. Vi kallar det för “AI.”
Men vid slutet av dagen, du behöver inte ha en intelligent dator program som förstår vad en hund är. Du har en dator som har lärt sig att avgöra om en hund är i ett foto. Det är fortfarande ganska imponerande, men det är allt det kan göra.
Och, beroende på vilken ingång du gav det, att neurala nätverk kanske inte är så smart som den ser ut. Till exempel, om det inte fanns några bilder av katter i dina uppgifter, neurala nätverk inte kan se en skillnad mellan katter och hundar och kan tagga alla katter som hundar när du släpper lös det på att människor är riktiga foton.
Vad Är Lärande?
Machine learning används för alla typer av uppgifter, inklusive taligenkänning. Röst assistenter som Google, Alexa, och Siri är så bra på att förstå det mänskliga röster på grund av att maskinen lära sig tekniker som har tränat dem att förstå mänskligt tal. De har tränat på en massiv mängd av mänskligt tal prover och bli bättre och bättre på att förstå vilka ljud som hör till vilken ord.
Självstyrande bilar använder maskinen lära sig tekniker för att träna dator för att identifiera objekt på vägen och hur man ska bemöta dem på rätt sätt. Google Foton är full av funktioner som Live-Album som automatiskt identifiera människor och djur i bilder med hjälp av maskininlärning.
Alfabetet är DeepMind används maskinen att lära sig att skapa AlphaGo, ett datorprogram som kan spela den komplexa brädspel Gå och slå de bästa människorna i världen. Machine learning har också använts för att skapa datorer som är bra på att spela andra spel, från schack till DOTA 2.
Maskininlärning är även användas för Face ID på den senaste iphone. Din iPhone konstruerar ett neuralt nätverk som lär sig att identifiera ditt ansikte, och Apple har en särskild “neurala motor” chip som utför alla-nummer-knaprande för detta och andra lärande aktiviteter.
Machine learning kan användas för massor av andra olika saker, från att identifiera bedrägerier med kreditkort till personlig produkt rekommendationer om shopping webbplatser.
Men, det neurala nätverk som skapats med maskininlärning inte riktigt förstår någonting. De är positiva program som kan utföra den smala uppgifter de är utbildade för, och det är det.
Image Credit: Phonlamai Photo/Shutterstock.kom, Tatiana Shepeleva/Shutterstock.kom, Diverse Fotografering/Shutterstock.com.