Kiedy aplikacja zapewnia, że działa w oparciu o „sztuczną inteligencję”, przez chwilę wydaje się, że jesteś w przyszłości. Ale co to właściwie oznacza? Rzucamy wielkie modne słowa - sztuczna inteligencja, uczenie maszynowe, sieci neuronowe - ale co tak naprawdę oznaczają i czy naprawdę pomagają ulepszać aplikacje?
Niedawno Google i Microsoft dodały szkolenie sieci neuronowych do swoich aplikacji tłumaczeniowych. Google twierdzi, że wykorzystuje systemy uczące się do oferowania playlist. Todoist twierdzi, że wykorzystuje sztuczną inteligencję do odgadywania, kiedy należy zakończyć zadanie. Any.do twierdzi, że jego sztuczna inteligencja może wykonać za Ciebie pewne zadania. I to wszystko było w zeszłym tygodniu. Niektóre z chwytów marketingowych brzmią imponująco i pozostają sztuczkami, ale czasami zmiany są niezaprzeczalnie korzystne. „Sztuczna inteligencja”, „uczenie maszynowe” i „sieci neuronowe” opisują sposoby, w jakie komputery są używane do wykonywania poważniejszych zadań i uczenia się w tym procesie. I chociaż być może słyszałeś, że programiści aplikacji adoptują systemy innych, w praktyce bardzo się od siebie różnią.
Sieci neuronowe analizują złożone dane, aby naśladować ludzki mózg
Sztuczne sieci neuronowe (SSN lub po prostu „sieci neuronowe”) odnoszą się do określonego typu modelu uczenia się, który naśladuje sposób działania synaps w mózgu. Tradycyjne obliczenia wykorzystują szereg operatorów logicznych do wykonania zadania. Z drugiej strony sieci neuronowe wykorzystują sieć węzłów (które działają jak neurony) i analogów synaps (krawędzi) do przetwarzania danych. Wejście przechodzi przez system i generowane jest wyjście.
Wyniki są następnie porównywane ze znanymi danymi. Na przykład, powiedzmy, że chcesz wyszkolić komputer w rozpoznawaniu obrazu psa. Przesyłasz w sieci miliony zdjęć psów, aby zobaczyć, które obrazy ona wybiera, aby wyglądały jak psy. Następnie osoba potwierdza, które obrazy są w rzeczywistości psami. System daje pierwszeństwo ścieżce w sieci neuronowej, która doprowadziła do poprawnej odpowiedzi. Z biegiem czasu i po milionach iteracji sieć ta ostatecznie poprawi dokładność swoich wyników.
Aby zobaczyć, jak to działa w akcji, możesz wypróbować eksperyment Google Quick Draw!.. W tym przypadku Google uczy sieć rozpoznawania doodli i szybkich szkiców. Porównuje rysunek, który narysujesz, z przykładami narysowanymi przez inne osoby. Sieć uczy się rozpoznawać przyszłe gryzmoły na podstawie tego, co widziała w przeszłości. Nawet jeśli rysujesz jak pięcioletnie dziecko (jak ja), sieć bardzo szybko rozpoznaje proste kształty - łodzie podwodne, rośliny, kaczki. Spróbuj, fajnie.
Sieci neuronowe nie są panaceum, ale świetnie radzą sobie ze złożonymi danymi. Google i Microsoft używają sieci neuronowych do szkolenia swoich aplikacji tłumaczeniowych, ponieważ tłumaczenie języków jest trudne. Często widzieliśmy złe tłumaczenia maszynowe, ale sieci neuronowe są szkolone w celu ulepszania tych tłumaczeń na podstawie poprawnych tłumaczeń w czasie. To samo dzieje się z tłumaczeniem mowy na tekst. Od czasu wprowadzenia sieci neuronowej opartej na Google Voice liczba błędów tłumaczeniowych spadła o 49%. Te systemy nie są doskonałe, ale działają na siebie i to jest najważniejsze.
Film promocyjny:
Uczenie maszynowe uczy komputery doskonalenia się w praktyce
Uczenie maszynowe to szerokie pojęcie, które obejmuje wszystkie chwile, kiedy próbujesz nauczyć maszynę samodzielnego ulepszania. W szczególności dotyczy to każdego systemu, w którym wydajność komputera w wykonywaniu zadania jest poprawiana tylko przez większe doświadczenie w wykonywaniu zadania. Sieci neuronowe są przykładem uczenia maszynowego, ale nie są jedynym sposobem szkolenia komputera.
Na przykład jedna z alternatywnych metod uczenia maszynowego nazywa się uczeniem ze wzmocnieniem. W tej metodzie komputer wykonuje zadanie, a następnie ocenia jego wynik. Jeśli, na przykład, komputer wygrywa w szachy, to przypisuje zwycięską wartość serii ruchów, których używa podczas gry. Po rozegraniu milionów gier system może określić, które kroki z największym prawdopodobieństwem doprowadzą do zwycięstwa, na podstawie wyników poprzednich gier.
Chociaż sieci neuronowe są dobre do takich rzeczy, jak rozpoznawanie wzorców w obrazach, inne rodzaje uczenia maszynowego mogą być bardziej przydatne do różnych zadań, takich jak identyfikacja ulubionej muzyki. Google twierdzi, że jego aplikacja muzyczna znajdzie muzykę, której chcesz posłuchać. Czyni to, analizując poprzednie listy odtwarzania. Jeśli nie podoba ci się wynik, maszyna uzna to za awarię. Ale jeśli wybierzesz jedną z sugerowanych list, oznaczy ją jako sukces i przeanalizuje zwycięskie ruchy, które przyniosły jej do serca.
W takich przypadkach nie odniesiesz pełnych korzyści z uczenia maszynowego, jeśli nie będziesz często korzystać z tej funkcji. Gdy otworzysz aplikację Google Music po raz pierwszy, rekomendacje najprawdopodobniej nie zostaną zrealizowane. Ale im częściej go używasz, tym lepsze będą sugestie. Przynajmniej w teorii. Uczenie maszynowe też nie jest panaceum. Uczenie maszynowe jest bardziej niejasne niż sieci neuronowe, ale oznacza również, że oprogramowanie, którego używasz, będzie polegać na twoich opiniach, aby poprawić swoją wydajność.
Sztuczna inteligencja to wszystko z przedrostkiem „inteligentny”
Tak jak sieci neuronowe są formą uczenia maszynowego, uczenie maszynowe jest formą sztucznej inteligencji. Jednak kategoria „sztucznej inteligencji” jest nadal tak słabo zdefiniowana, że wyrażenie to nie ma praktycznego znaczenia. Owszem, przywołuje obrazy przyszłości zaawansowanej technologicznie, ale w rzeczywistości wciąż nie byliśmy do niej blisko. OCR kiedyś było zbyt trudne dla maszyny, ale teraz aplikacja na Twoim telefonie może skanować dokumenty i zamieniać je w tekst. Nazywanie tego wyczynem sztucznej inteligencji jest w jakiś sposób niewłaściwe.
Powodem, dla którego podstawowe możliwości telefonii można uznać za sztuczną inteligencję, jest fakt, że w rzeczywistości istnieją dwa rodzaje sztucznej inteligencji. Słaba lub wąsko ukierunkowana sztuczna inteligencja opisuje każdy system zaprojektowany do wykonywania wąskiej listy zadań. Na przykład Asystent Google lub Siri, będąc dość potężną sztuczną inteligencją, nadal wykonują dość wąską listę zadań. Otrzymują polecenia głosowe i odpowiadają na nie lub uruchamiają aplikacje. Badania nad sztuczną inteligencją podsycają te cechy, ale uważa się je za „słabe”.
Z kolei potężna sztuczna inteligencja - znana również jako ogólna sztuczna inteligencja lub „pełna sztuczna inteligencja” - to system zdolny do wykonywania wszelkich czynności ludzkich. I nie istnieje. Dlatego każda „inteligentna” aplikacja jest nadal słabą sztuczną inteligencją.
Chociaż konsekwencje mogą być niejasne, praktyczne badania nad sztuczną inteligencją są tak satysfakcjonujące, że prawdopodobnie już weszły w twoje codzienne życie. Za każdym razem, gdy telefon automatycznie pamięta, gdzie zaparkowałeś, rozpoznaje twarze na zdjęciach, otrzymuje sugestie wyszukiwania lub automatycznie grupuje wszystkie weekendowe ujęcia, dotykasz sztucznej inteligencji w taki czy inny sposób. Do pewnego stopnia „sztuczna inteligencja” oznacza po prostu, że aplikacje będą nieco inteligentniejsze, niż jesteśmy do tego przyzwyczajeni. Etykieta „AI” prawie nie oznacza teraz niczego praktycznego z praktycznego punktu widzenia.
ILYA KHEL