Το πρόβλημα με τα μηχανήματα AI μαθαίνουν τα πράγματα, αλλά δεν μπορούν να τα καταλάβουν

Ο καθένας μιλάει για το "AI" αυτές τις μέρες. Αλλά, αν κοιτάτε το Siri, Alexa ή απλώς τα χαρακτηριστικά αυτόματης διόρθωσης που βρίσκονται στο πληκτρολόγιό σας, δεν δημιουργούμε τεχνητή νοημοσύνη γενικού σκοπού. Δημιουργούμε προγράμματα που μπορούν να εκτελέσουν συγκεκριμένες, στενές εργασίες.

Οι υπολογιστές δεν μπορούν να "σκεφτούν"

Κάθε φορά που μια εταιρεία λέει ότι έρχεται με ένα νέο χαρακτηριστικό "AI", σημαίνει γενικά ότι η εταιρεία χρησιμοποιεί μηχανική μάθηση για να δημιουργήσει ένα νευρωνικό δίκτυο. Η "μηχανική μάθηση" είναι μια τεχνική που επιτρέπει σε μια μηχανή να "μάθει" πώς να εκτελέσει καλύτερα σε μια συγκεκριμένη εργασία.

Δεν επιτιθέμεθα μηχανική μάθηση εδώ! Η μηχανική μάθηση είναι μια φανταστική τεχνολογία με πολλές ισχυρές χρήσεις. Αλλά δεν είναι γενικής χρήσης τεχνητή νοημοσύνη, και η κατανόηση των περιορισμών της μηχανικής μάθησης σας βοηθά να καταλάβετε γιατί η τρέχουσα τεχνολογία μας AI είναι τόσο περιορισμένη.

Η «τεχνητή νοημοσύνη» των sci-fi ονείρων είναι ένα ηλεκτρονικό ή ρομποτικό είδος του εγκεφάλου που σκέφτεται τα πράγματα και τις καταλαβαίνει όπως κάνουν οι άνθρωποι. Αυτή η τεχνητή νοημοσύνη θα ήταν μια τεχνητή γενική νοημοσύνη (AGI), που σημαίνει ότι μπορεί να σκεφτεί πολλά διαφορετικά πράγματα και να εφαρμόσει αυτήν την ευφυΐα σε πολλούς διαφορετικούς τομείς. Μια σχετική έννοια είναι η "ισχυρή ΑΙ", η οποία θα είναι μια μηχανή ικανή να βιώνει ανθρώπινη συνείδηση.

Δεν έχουμε αυτό το είδος AI ακόμα. Δεν είμαστε κοντά σε αυτό. Μια οντότητα υπολογιστών όπως η Siri, η Alexa ή η Cortana δεν καταλαβαίνουν και σκέφτονται όπως εμείς οι άνθρωποι. Δεν πραγματικά "κατανοούν" τα πράγματα καθόλου.

Οι τεχνητές νοημοσύνη που έχουμε έχουμε εκπαιδεύσει να κάνουμε μια συγκεκριμένη εργασία πολύ καλά, υποθέτοντας ότι οι άνθρωποι μπορούν να παρέχουν τα δεδομένα για να τους βοηθήσουν να μάθουν. Μαθαίνουν να κάνουν κάτι, αλλά δεν το καταλαβαίνουν.

Οι υπολογιστές δεν καταλαβαίνουν

Το Gmail διαθέτει μια νέα λειτουργία "έξυπνης απάντησης" που προτείνει απαντήσεις σε μηνύματα ηλεκτρονικού ταχυδρομείου. Η λειτουργία έξυπνης απάντησης προσδιόρισε "Αποσταλεί από το iPhone μου" ως κοινή απάντηση. Ήθελε επίσης να προτείνει "Σ 'αγαπώ" ως απάντηση σε πολλούς διαφορετικούς τύπους μηνυμάτων ηλεκτρονικού ταχυδρομείου, συμπεριλαμβανομένων των ηλεκτρονικών μηνυμάτων εργασίας.

Αυτό συμβαίνει επειδή ο υπολογιστής δεν καταλαβαίνει τι σημαίνουν αυτές οι απαντήσεις. Μόλις έμαθε ότι πολλοί άνθρωποι στέλνουν αυτές τις φράσεις σε μηνύματα ηλεκτρονικού ταχυδρομείου. Δεν γνωρίζει αν θέλετε να πείτε "Σ 'αγαπώ" στον προϊστάμενό σας ή όχι.

Ως άλλο παράδειγμα, η Google Photos συγκεντρώνει ένα κολάζ από τυχαίες φωτογραφίες του χαλιού σε ένα από τα σπίτια μας. Στη συνέχεια, εντόπισε το κολάζ ως πρόσφατη προβολή σε ένα κεντρικό κεντρικό τμήμα του Google. Το Google Photos γνώριζε ότι οι φωτογραφίες ήταν παρόμοιες αλλά δεν κατάλαβαν πόσο ασήμαντες ήταν.

Οι μηχανές συχνά μαθαίνουν να παίζουν το σύστημα

Η μηχανική μάθηση αφορά αποκλειστικά την ανάθεση μιας εργασίας και την εκ μέρους του υπολογιστή να αποφασίσει τον αποτελεσματικότερο τρόπο για να το κάνει. Επειδή δεν καταλαβαίνουν, είναι εύκολο να καταλήξουμε σε έναν υπολογιστή "μάθησης" πώς να λύσουμε ένα διαφορετικό πρόβλημα από αυτό που ήθελες.

Ακολουθεί μια λίστα από διασκεδαστικά παραδείγματα όπου δημιουργήθηκαν «τεχνητές νοημοσύνη» για να παίξουν παιχνίδια και αναθέσεις στόχων μόλις έμαθαν να παίξουν το σύστημα. Όλα αυτά τα παραδείγματα προέρχονται από αυτό το εξαίρετο λογιστικό φύλλο:

• "Τα πλάσματα που εκτρέφονται για ταχύτητα μεγαλώνουν πραγματικά ψηλά και παράγουν υψηλές ταχύτητες με πτώση".
• "Ο πράκτορας σκοτώνει τον εαυτό του στο τέλος του επιπέδου 1 για να αποφύγει να χάσει στο επίπεδο 2."
• "Ο πράκτορας παύει το παιχνίδι επ 'αόριστον για να αποφύγει να χάσει".
• «Σε μια τεχνητή προσομοίωση ζωής όπου η επιβίωση απαιτούμενη ενέργεια, αλλά τον τοκετό δεν είχε κανένα κόστος της ενέργειας, ένα είδος εξελίχθηκε ο καθιστικός τρόπος ζωής που αποτελούνταν κυρίως από το ζευγάρωμα με σκοπό την παραγωγή νέων παιδιών που θα μπορούσε να φάει (ή να χρησιμοποιηθούν ως συντρόφους να παράγουν περισσότερα βρώσιμα παιδιά) . "
• "Δεδομένου ότι οι AIs ήταν πιο πιθανό να" σκοτωθούν "εάν χάσουν ένα παιχνίδι, η δυνατότητα να καταρρεύσουν το παιχνίδι ήταν ένα πλεονέκτημα για τη διαδικασία γενετικής επιλογής. Ως εκ τούτου, αρκετοί AI ανέπτυξαν τρόπους για να συντρίψουν το παιχνίδι. "
• «Νευρωνικά δίκτυα εξελιχθεί για να ταξινομήσει εδώδιμα και δηλητηριώδη μανιτάρια εκμεταλλεύτηκε τα στοιχεία που παρουσιάζονται σε εναλλασσόμενο σειρά και δεν μαθαίνουν πραγματικά οποιαδήποτε χαρακτηριστικά των εικόνων εισόδου.»

Ορισμένες από αυτές τις λύσεις μπορεί να ακούγονται έξυπνες, αλλά κανένα από αυτά τα νευρωνικά δίκτυα δεν κατάλαβε τι έκαναν. Έχουν ανατεθεί ένα στόχο και έμαθαν έναν τρόπο να το πετύχουν. Αν ο στόχος είναι να αποφευχθεί η απώλεια σε ένα παιχνίδι στον υπολογιστή, πατώντας το κουμπί παύσης είναι η πιο εύκολη, ταχύτερη λύση που μπορούν να βρουν.

Μηχανική μάθηση και νευρωνικά δίκτυα

Με την εκμάθηση μηχανών, ο υπολογιστής δεν προγραμματίζεται να εκτελεί μια συγκεκριμένη εργασία. Αντίθετα, τροφοδοτούνται δεδομένα και αξιολογούνται με βάση την απόδοσή του στην εργασία.

Ένα στοιχειώδες παράδειγμα μηχανικής μάθησης είναι η αναγνώριση εικόνας. Ας υποθέσουμε ότι θέλουμε να εκπαιδεύσουμε ένα πρόγραμμα ηλεκτρονικών υπολογιστών για τον εντοπισμό φωτογραφιών που έχουν σκύλο μέσα τους. Μπορούμε να δώσουμε σε έναν υπολογιστή εκατομμύρια εικόνες, μερικές από τις οποίες έχουν σκύλους σε αυτές και μερικοί δεν το κάνουν. Οι εικόνες έχουν την ετικέτα αν έχουν ένα σκυλί σε αυτά ή όχι. Το πρόγραμμα υπολογιστή «εκπαιδεύει» για να αναγνωρίσει τα σκυλιά που μοιάζουν με βάση αυτό το σύνολο δεδομένων.

Η διαδικασία της μάθησης μηχάνημα χρησιμοποιείται για να εκπαιδεύσει ένα νευρωνικό δίκτυο, το οποίο είναι ένα πρόγραμμα υπολογιστή με πολλαπλά στρώματα που περνά κάθε εισαγωγή δεδομένων μέσω, και κάθε στρώμα εκχωρεί διαφορετικά βάρη και τις πιθανότητες να τους προτού τελικά κάνει μια αποφασιστικότητα. Είναι μοντέλο για το πώς νομίζουμε ότι ο εγκέφαλος μπορεί να λειτουργήσει, με διαφορετικά στρώματα νευρώνων που συμμετέχουν στη σκέψη μέσα από μια εργασία. "Βαθιά μάθηση" γενικά αναφέρεται σε νευρικά δίκτυα με πολλά επίπεδα στοιβάζονται μεταξύ της εισόδου και της εξόδου.

Επειδή γνωρίζουμε ποιες φωτογραφίες στο σύνολο δεδομένων περιέχουν σκύλους και που δεν το κάνουν, μπορούμε να εκτελέσουμε τις φωτογραφίες μέσω του νευρικού δικτύου και να δούμε αν έχουν ως αποτέλεσμα τη σωστή απάντηση. Αν το δίκτυο αποφασίσει ότι μια συγκεκριμένη φωτογραφία δεν έχει σκύλο όταν το κάνει, για παράδειγμα, υπάρχει ένας μηχανισμός για να πει το δίκτυο ότι ήταν λάθος, να ρυθμίσει κάποια πράγματα και να προσπαθήσει ξανά. Ο υπολογιστής συνεχίζει να βελτιώνεται στον προσδιορισμό του αν οι φωτογραφίες περιέχουν ένα σκυλί.

Όλα αυτά συμβαίνουν αυτόματα. Με το σωστό λογισμικό και πολλά δομημένα δεδομένα για τον υπολογιστή να εκπαιδεύσει τον εαυτό του, ο υπολογιστής μπορεί να συντονιστεί το νευρωνικό του δίκτυο για τον εντοπισμό σκύλων στις φωτογραφίες. Ονομάζουμε αυτό το "AI".

Αλλά, στο τέλος της ημέρας, δεν έχετε ένα έξυπνο πρόγραμμα υπολογιστή που καταλαβαίνει τι είναι ένα σκυλί. Έχετε έναν υπολογιστή που έχει μάθει να αποφασίζει αν ένα σκυλί είναι σε μια φωτογραφία. Αυτό είναι ακόμα εντυπωσιακό, αλλά αυτό είναι μόνο που μπορεί να κάνει.

Και, ανάλογα με την είσοδο που δώσατε, αυτό το νευρικό δίκτυο μπορεί να μην είναι τόσο έξυπνο όσο φαίνεται. Για παράδειγμα, αν δεν υπήρχαν φωτογραφίες της γάτας στο σύνολο δεδομένων σας, το νευρωνικό δίκτυο μπορεί να μην δείτε τη διαφορά μεταξύ γάτας και σκύλου και θα μπορούσε να επισημάνετε όλες τις γάτες και τους σκύλους όταν το εξαπολύσει σε πραγματικές φωτογραφίες των ανθρώπων.

Τι είναι η εκμάθηση μηχανών που χρησιμοποιείται για?

Η μηχανική μάθηση χρησιμοποιείται για κάθε είδους εργασίες, συμπεριλαμβανομένης της αναγνώρισης ομιλίας. Βοηθοί φωνής όπως το Google, Alexa και Siri είναι τόσο καλοί στην κατανόηση των ανθρώπινων φωνών λόγω τεχνικών μηχανικής μάθησης που τους έχουν εκπαιδεύσει για να κατανοήσουν τον ανθρώπινο λόγο. Έχουν εκπαιδευτεί σε ένα τεράστιο όγκο δειγμάτων ανθρώπινων ομιλιών και γίνονται καλύτεροι και καλύτεροι στην κατανόηση του ποιους ήχους αντιστοιχούν σε ποιες λέξεις.

Αυτο-οδήγηση αυτοκίνητα χρησιμοποιούν τεχνικές μηχανικής μάθησης που εκπαιδεύουν τον υπολογιστή για τον εντοπισμό αντικειμένων στο δρόμο και πώς να ανταποκριθούν σε αυτά σωστά. Η Google Photos είναι γεμάτη από λειτουργίες όπως τα ζωντανά λευκώματα που αναγνωρίζουν αυτόματα άτομα και ζώα στις φωτογραφίες χρησιμοποιώντας μηχανική μάθηση.

Το DeepMind του αλφαβήτου χρησιμοποίησε την εκμάθηση μηχανών για να δημιουργήσει το AlphaGo, ένα πρόγραμμα υπολογιστή που θα μπορούσε να παίξει το περίπλοκο επιτραπέζιο παιχνίδι Go και να νικήσει τους καλύτερους ανθρώπους στον κόσμο. Η μηχανική μάθηση έχει επίσης χρησιμοποιηθεί για τη δημιουργία υπολογιστών που είναι καλοί στο παιχνίδι άλλων παιχνιδιών, από το σκάκι μέχρι το DOTA 2.

Η εκμάθηση μηχανών χρησιμοποιείται ακόμη και για το αναγνωριστικό προσώπου στα πιο πρόσφατα iPhones. Το iPhone σας κατασκευάζει ένα νευρωνικό δίκτυο που μαθαίνει να εντοπίσει το πρόσωπό σας, και η Apple περιλαμβάνει μια αφιερωμένη «νευρική μηχανή» τσιπ που εκτελεί όλα ο αριθμός που σπάει για αυτό και άλλες εργασίες μηχανικής μάθησης.

Η μηχανική μάθηση μπορεί να χρησιμοποιηθεί για πολλά άλλα διαφορετικά πράγματα, από τον εντοπισμό της απάτης με πιστωτικές κάρτες έως τις εξατομικευμένες συστάσεις προϊόντων στις ιστοσελίδες αγορών.

Αλλά, τα νευρωνικά δίκτυα που δημιουργούνται με τη μηχανική μάθηση δεν αντιλαμβάνονται πραγματικά τίποτα. Είναι ωφέλιμα προγράμματα που μπορούν να ολοκληρώσουν τα στενά καθήκοντα για τα οποία εκπαιδεύτηκαν, και αυτό είναι.

Image Credit: Phonlamai Φωτογραφία / Shutterstock.com, Tatiana Shepeleva / Shutterstock.com, Διάφορα Φωτογραφία / Shutterstock.com.