Når en applikation forsikrer dig om, at den drives af "kunstig intelligens", ser det ud til, at du er i fremtiden. Men hvad betyder det egentlig? Vi kaster store buzzwords rundt - kunstig intelligens, maskinlæring, neurale netværk - men hvad betyder de virkelig, og hjælper de virkelig med at forbedre apps?
For nylig har Google og Microsoft tilføjet neurale netværkstræning til deres oversættelsesapplikationer. Google hævder at bruge maskinlæring til at tilbyde spillelister. Todoist siger, at den bruger AI til at gætte, hvornår du skal afslutte en opgave. Any.do hævder, at dens kunstige intelligens kan udføre nogle opgaver for dig. Og det hele var bare i sidste uge. Nogle af markedsførings-gimmicks lyder imponerende og forbliver gimmicks, men nogle gange er ændringer unægteligt fordelagtige. "Kunstig intelligens", "maskinlæring" og "neurale netværk" beskriver alle de måder, computere bruger til at udføre mere seriøse opgaver og lære i processen. Og selvom du måske har hørt, at applikationsudviklere anvender andres systemer, er de i praksis meget forskellige.
Neurale netværk analyserer komplekse data for at efterligne den menneskelige hjerne
Kunstige neurale netværk (ANN'er, eller blot "neurale netværk") henviser til en bestemt type læringsmodel, der emulerer, hvordan synapser fungerer i din hjerne. Traditionel computing bruger en række logiske operatører til at udføre en opgave. Neurale netværk bruger på den anden side et netværk af knudepunkter (som fungerer som neuroner) og analoger af synapser (kanter) til at behandle data. Input føres gennem systemet, og output genereres.
Resultaterne sammenlignes derefter med kendte data. Lad os for eksempel sige, at du vil træne en computer til at genkende et billede af en hund. Du streamer millioner af billeder af hunde over hele nettet for at se, hvilke billeder hun vælger at ligne hunde. Personen bekræfter derefter, hvilke billeder der faktisk er hunde. Systemet foretrækker stien i det neurale netværk, der førte til det rigtige svar. Over tid og efter millioner af iterationer vil dette netværk med tiden forbedre nøjagtigheden af dets resultater.
For at se, hvordan dette fungerer i handling, kan du prøve Google Quick Draw-eksperimentet!.. I dette tilfælde træner Google internettet til at genkende doodles, hurtige skitser. Hun sammenligner den tegning, du tegner, med de eksempler, som andre mennesker tegner. Netværket lærer at genkende fremtidige doodles baseret på, hvad det har set tidligere. Selv hvis du tegner som et fem år gammelt barn (som mig), er nettet meget hurtigt ved at genkende enkle former - ubåde, planter, ænder. Prøv det, sjovt.
Neurale netværk er ikke et universalmiddel, men de er gode til at håndtere komplekse data. Google og Microsoft bruger neurale netværk til at træne deres oversættelsesapplikationer, fordi det er vanskeligt at oversætte sprog. Vi har set dårlige maskinoversættelser meget, men neurale netværk er trænet til at forbedre disse oversættelser baseret på korrekte oversættelser over tid. Det samme sker med tale-til-tekst oversættelse. Siden introduktionen af det neurale netværk, der er drevet af Google Voice, er oversættelsesfejl faldet med 49%. Disse systemer er ikke perfekte, men de fungerer på sig selv, og det er hovedtingen.
Salgsfremmende video:
Maskinlæring lærer computere at forbedre i praksis
Maskinlæring er et bredt udtryk, der dækker alle de øjeblikke, hvor du prøver at lære en maskine at forbedre sig selv. Dette gælder især for ethvert system, hvor computerens ydelse ved udførelse af en opgave kun forbedres af mere erfaring med opgaven. Neurale netværk er et eksempel på maskinlæring, men de er ikke den eneste måde at træne en computer på.
For eksempel kaldes en af de alternative maskinlæringsmetoder forstærkningslæring. I denne metode udfører computeren en opgave og evaluerer derefter dens resultat. Hvis for eksempel computeren vinder i skak, tildeler den vindende værdien til en række bevægelser, den bruger under spillet. Efter at have spillet millioner af spil, kan systemet bestemme, hvilke trin der mest sandsynligt vil føre til sejr baseret på resultaterne fra tidligere spil.
Mens neurale netværk er gode til ting som mønstergenkendelse i billeder, kan andre typer maskinindlæring være mere nyttige til forskellige opgaver som at identificere din yndlingsmusik. Google hævder, at dens musikapp finder den musik, du vil lytte til. Det gør dette ved at analysere dine tidligere afspilningslister. Hvis du ikke kan lide resultatet, vil maskinen betragte det som en fiasko. Men hvis du vælger en af de foreslåede lister, markerer hun det som en succes og analyserer de vindende træk, der bragte hende til dit hjerte.
I tilfælde som dette får du ikke det fulde udbytte af maskinlæring, hvis du ikke bruger denne funktion ofte. Når du åbner Google Music-appen for første gang, vil anbefalingerne sandsynligvis være forbi kassen. Men jo mere du bruger det, jo bedre vil forslagene være. I teorien i det mindste. Maskinindlæring er heller ikke et universalmiddel. Maskinindlæring er mere vag end neurale netværk, men det indebærer også, at den software, du bruger, vil stole på din feedback for at forbedre dens ydeevne.
Kunstig intelligens er alt med præfikset "smart"
Ligesom neurale netværk er en form for maskinlæring, er maskinlæring en form for kunstig intelligens. Men kategorien "kunstig intelligens" er stadig så dårligt defineret, at denne sætning ikke har nogen praktisk betydning. Ja, det fremkalder billeder af en teknologisk avanceret fremtid, men i virkeligheden er vi stadig ikke kommet tæt på det. OCR var engang for svært for en maskine, men nu kan en app på din telefon scanne dokumenter og omdanne dem til tekst. Det er på en eller anden måde upassende at kalde det en kunst af kunstig intelligens.
Årsagen til, at basistelefonifunktioner kan betragtes som kunstig intelligens, er, at der faktisk er to typer AI. Svag eller snævert målrettet AI beskriver ethvert system designet til at udføre en smal liste over opgaver. For eksempel udfører Google Assistant eller Siri, der er ret stærk AI, stadig en temmelig smal liste over opgaver. De modtager stemmekommandoer og returnerer svar, eller de starter applikationer. Kunstig intelligensforskning brænder disse funktioner, men de betragtes som "svage".
I modsætning hertil er magtfuld AI - også kendt som generel kunstig intelligens, eller "fuld AI" - et system, der er i stand til at udføre enhver menneskelig opgave. Og det findes ikke. Derfor er enhver "smart" applikation stadig svag kunstig intelligens.
Selvom implikationerne kan være vage, er praktisk forskning inden for kunstig intelligens så givende, at det sandsynligvis allerede er kommet ind i dit daglige liv. Hver gang din telefon automatisk husker, hvor du parkerede, genkender ansigter på dine fotos, får søgeforslag eller grupperer automatisk alle dine weekendbilleder, berører du kunstig intelligens på en eller anden måde. I en vis grad betyder "kunstig intelligens" virkelig bare, at apps vil være lidt smartere, end vi er vant til. Etiketten "AI" betyder næppe noget praktisk set fra et praktisk synspunkt nu.
ILYA KHEL