Vi har hørt mere og mere om kunstig intelligens for nylig. Det bruges næsten overalt: fra højteknologi og komplekse matematiske beregninger til medicin, bilindustrien og endda smartphones. De teknologier, der ligger til grund for AI's arbejde i det moderne syn, vi bruger hver dag, og nogle gange tænker vi måske ikke engang over det. Men hvad er kunstig intelligens? Hvordan fungerer han? Og er det farligt?
Hvad er kunstig intelligens
Lad os først definere terminologien. Hvis du forestiller dig kunstig intelligens som noget, der er i stand til at tænke selvstændigt, tage beslutninger og generelt vise tegn på bevidsthed, så skynder vi os at skuffe dig. Næsten alle eksisterende systemer i dag kommer ikke engang tæt på denne definition af AI. Og de systemer, der viser tegn på sådan aktivitet, fungerer faktisk stadig inden for rammerne af foruddefinerede algoritmer.
Nogle gange er disse algoritmer meget, meget avancerede, men de forbliver den "ramme", inden for hvilken AI fungerer. Maskiner har ingen "friheder" og endnu mere tegn på bevidsthed. De er bare meget magtfulde programmer. Men de er "de bedste til hvad de gør." Plus, AI-systemer fortsætter med at forbedre. Og de er slet ikke trivielle. Selv hvis man lægger det faktum, at moderne AI langt fra er perfekt, har det meget til fælles for os.
Hvordan kunstig intelligens fungerer
Først og fremmest kan AI udføre sine opgaver (som lidt senere) og tilegne sig nye færdigheder takket være dyb maskinlæring. Vi hører og bruger ofte dette udtryk. Men hvad betyder det? I modsætning til "klassiske" metoder, når al den nødvendige information indlæses i systemet på forhånd, tvinger maskinlæringsalgoritmer systemet til at udvikle sig uafhængigt og studere den tilgængelige information. Desuden kan bilen i nogle tilfælde også søge efter sig selv.
Salgsfremmende video:
For eksempel at oprette et program til at opdage svig, fungerer en maskinlæringsalgoritme med en liste over banktransaktioner og deres slutresultat (lovligt eller ulovligt). En maskinlæringsmodel ser på eksempler og udvikler et statistisk forhold mellem legitime og svigagtige transaktioner. Når du derefter leverer algoritmen med detaljerne i en ny banktransaktion, klassificerer den den på baggrund af de mønstre, den tegnede fra eksemplerne på forhånd.
Typisk, jo flere data du leverer, desto mere nøjagtige bliver maskinlæringsalgoritmen, når de udfører sine opgaver. Maskinlæring er især nyttigt til at løse problemer, hvor reglerne ikke er foruddefineret og ikke kan tolkes på binært. Vende tilbage til vores eksempel med bankdrift: i output har vi faktisk et binært nummereringssystem: 0 - lovlig drift, 1 - ulovligt. Men for at komme til en sådan konklusion skal systemet analysere en hel masse parametre, og hvis du indtaster dem manuelt, vil det tage mere end et år. Og at forudsige alle indstillingerne alligevel fungerer ikke. Og et system baseret på dyb maskinlæring vil være i stand til at genkende noget, selvom det aldrig har stødt på nøjagtigt et sådant tilfælde før.
Deep Learning og neurale netværk
Mens klassiske maskinlæringsalgoritmer løser mange problemer, hvor der er en masse information i form af databaser, klarer de sig ikke så godt at tale om "visuelle og auditive" data som billeder, videoer, lydfiler og så videre.
Mens klassiske maskinlæringsalgoritmer løser mange problemer, hvor der er en masse information i form af databaser, klarer de sig ikke så godt at tale om "visuelle og auditive" data som billeder, videoer, lydfiler og så videre.
For eksempel at opbygge en forudsigelig model for brystkræft ved hjælp af klassiske maskinlæringsmetoder kræver snesevis af medicinske eksperter, programmerere og matematikere, siger AI-forsker Jeremy Howard. Forskere bliver nødt til at lave mange mindre algoritmer til maskinlæring for at klare informationsstrømmen. Et separat delsystem til undersøgelse af røntgenstråler, et separat til MRI, et andet til tolkning af blodprøver osv. For hver type analyse har vi brug for sit eget system. Derefter ville de alle blive kombineret i et stort system … Dette er en meget vanskelig og ressourceintensiv proces.
Dyb indlæringsalgoritmer løser det samme problem ved hjælp af dybe neurale netværk, en type softwarearkitektur inspireret af den menneskelige hjerne (selvom neurale netværk adskiller sig fra biologiske neuroner, fungerer de stort set det samme). Computerneurale netværk er forbindelser mellem "elektroniske neuroner", der er i stand til at behandle og klassificere information. De er arrangeret som i "lag", og hvert "lag" er ansvarlig for noget af sit eget og til sidst danner et generelt billede. Når du for eksempel træner et neuralt netværk på billeder af forskellige objekter, finder det måder at udtrække objekter fra disse billeder. Hvert lag i det neurale netværk registrerer visse funktioner: formen på objekter, farver, objekternes udseende og så videre.
Overfladelagene i neurale netværk viser fælles træk. Dypere lag afslører allerede de faktiske objekter. Figuren viser et diagram over et simpelt neuralt netværk. Input-neuroner (indgående information) vises i grønt, blåt - skjulte neuroner (dataanalyse), gul - output neuron (opløsning).
Er neurale netværk en kunstig menneskelig hjerne?
På trods af maskinens lignende struktur og menneskelige neurale netværk har de ikke funktionerne i vores centrale nervesystem. Computerneurale netværk er i det væsentlige alle de samme hjælpeprogrammer. Det sker bare så, at vores hjerne er det mest organiserede system til computing. Du har sandsynligvis hørt udtrykket "vores hjerne er en computer"? Forskere simpelthen "gentog" nogle aspekter af dens struktur digitalt. Dette tillod kun at fremskynde beregninger, men ikke at give maskinerne bevidsthed.
Neurale netværk har eksisteret siden 1950'erne (i det mindste i form af koncepter). Men indtil for nylig modtog de ikke meget udvikling, fordi deres oprettelse krævede enorme mængder data og computerkraft. I de sidste par år er alt dette blevet tilgængeligt, så neurale netværk er kommet frem, efter at de har modtaget deres udvikling. Det er vigtigt at forstå, at der ikke var nok teknologi til deres fulde udseende. Hvordan de ikke er nok nu for at bringe teknologien til et nyt niveau.
Hvad bruges dyb læring og neurale netværk til?
Der er flere områder, hvor disse to teknologier har bidraget til at gøre markante fremskridt. Desuden bruger vi nogle af dem hver dag i vores liv og tænker ikke engang på, hvad der ligger bag dem.
- Computervision er softwarens evne til at forstå indholdet af billeder og videoer. Dette er et område, hvor dyb læring har gjort meget fremskridt. F.eks. Kan dyb læringsbilledbehandlingsalgoritmer registrere forskellige typer kræft, lungesygdom, hjertesygdom og så videre. Og at gøre det hurtigere og mere effektivt end læger. Men dyb læring er også indgroet i mange af de applikationer, du bruger hver dag. Apple Face ID og Google Photos bruger dyb læring til ansigtsgenkendelse og billedforbedring. Facebook bruger dyb læring til automatisk at mærke folk i uploadede fotos og så videre. Computervision hjælper også virksomheder med automatisk at identificere og blokere tvivlsomt indhold som vold og nøgenhed. Og endeligdyb læring spiller en meget vigtig rolle i at gøre biler til selvkørsel, så de kan forstå deres omgivelser.
- Stemme og tale genkendelse. Når du taler en kommando til din Google Assistant, oversætter dybe indlæringsalgoritmer din stemme til tekstkommandoer. Flere online-applikationer bruger dyb læring til at transkribere lyd- og videofiler. Selv når du shazam en sang, kommer neurale netværk og dybe maskinlæringsalgoritmer ind.
- Internetsøgning: selvom du leder efter noget i en søgemaskine, er virksomheder begyndt at forbinde neurale netværksalgoritmer til deres søgemaskiner for at få din anmodning behandlet mere tydeligt og søgeresultaterne være så nøjagtige som muligt. Således er ydeevnen for Googles søgemaskine steget flere gange, efter at systemet skiftede til dyb maskinlæring og neurale netværk.
Grænserne for dyb læring og neurale netværk
På trods af alle deres fordele har dyb læring og neurale netværk også nogle ulemper.
- Datafhængighed: Generelt kræver dyb indlæringsalgoritmer enorme mængder af træningsdata for at udføre deres opgaver nøjagtigt. Desværre er der ikke nok kvalitetsuddannelsesdata til at oprette arbejdsmodeller for at løse mange problemer.
- Uforudsigelighed: Neurale netværk udvikler sig på en mærkelig måde. Nogle gange går alt som planlagt. Og nogle gange (selv hvis det neurale netværk gør et godt stykke arbejde), kæmper selv skaberne med at forstå, hvordan algoritmerne fungerer. Manglen på forudsigelighed gør det ekstremt vanskeligt at fjerne og rette fejl i algoritmerne i neurale netværk.
- Algoritmisk bias: Dyb indlæringsalgoritmer er lige så gode som de data, de trænes i. Problemet er, at træningsdata ofte indeholder skjulte eller åbenlyse fejl eller mangler, og algoritmer arver dem. For eksempel vil en ansigtsgenkendelsesalgoritme, der primært trænes på fotografier af hvide mennesker, arbejde mindre nøjagtigt på mennesker med en anden hudfarve.
- Mangel på generalisering: Dyb indlæringsalgoritmer er gode til at udføre målrettede opgaver, men generaliserer deres viden dårligt. I modsætning til mennesker, ville en dyb læringsmodel, der er trænet til at spille StarCraft, ikke være i stand til at spille et andet lignende spil: siger WarCraft. Plus, dyb læring gør et dårligt job med at håndtere data, der afviger fra deres træningseksempler.
Fremtiden for dyb læring, neurale netværk og AI
Det er klart, at arbejdet med dyb læring og neurale netværk langt fra er afsluttet. Der gøres forskellige anstrengelser for at forbedre dybe indlæringsalgoritmer. Deep Learning er en avanceret teknik inden for kunstig intelligens. Det er blevet mere og mere populært i de sidste par år på grund af overflod af data og stigningen i behandlingskraft. Dette er kerneteknologien bag mange af de applikationer, vi bruger hver dag.
Men vil bevidsthed nogensinde blive født på grundlag af denne teknologi? Rigtigt kunstigt liv? Nogle af forskerne mener, at i det øjeblik, hvor antallet af forbindelser mellem komponenterne i kunstige neurale netværk nærmer sig den samme indikator, der findes i den menneskelige hjerne mellem vores neuroner, kan noget lignende ske. Denne påstand er imidlertid meget tvivlsom. For at reel AI skal komme frem, er vi nødt til at overveje, hvordan vi bygger AI-systemer. Alt, hvad der er nu, er kun anvendte programmer til en strengt begrænset række opgaver. Så meget som vi gerne vil tro, at fremtiden allerede er ankommet …
Hvad synes du? Vil mennesker skabe AI?