Ostatnio coraz więcej słyszymy o sztucznej inteligencji. Znajduje zastosowanie prawie wszędzie: od zaawansowanych technologii i skomplikowanych obliczeń matematycznych po medycynę, przemysł motoryzacyjny, a nawet smartfony. Technologie, na których opiera się praca AI w nowoczesnym ujęciu, z których korzystamy na co dzień i czasami nawet o tym nie myślimy. Ale co to jest sztuczna inteligencja? Jak on działa? Czy to jest niebezpieczne?
Co to jest sztuczna inteligencja
Najpierw zdefiniujmy terminologię. Jeśli wyobrażasz sobie sztuczną inteligencję jako coś zdolnego do samodzielnego myślenia, podejmowania decyzji i ogólnie okazywania oznak świadomości, to szybko Cię rozczarujemy. Prawie wszystkie istniejące dziś systemy nie są nawet bliskie tej definicji sztucznej inteligencji. A te systemy, które wykazują oznaki takiej aktywności, w rzeczywistości nadal działają w ramach z góry określonych algorytmów.
Czasami te algorytmy są bardzo, bardzo zaawansowane, ale pozostają „ramami”, w których działa sztuczna inteligencja. Maszyny nie mają „swobód”, a tym bardziej oznak świadomości. To po prostu bardzo potężne programy. Ale są „najlepsi w tym, co robią”. Ponadto systemy AI są nadal ulepszane. I wcale nie są trywialne. Nawet pomijając fakt, że nowoczesna sztuczna inteligencja jest daleka od doskonałości, ma z nami wiele wspólnego.
Jak działa sztuczna inteligencja
Przede wszystkim AI może wykonywać swoje zadania (o czym nieco później) i zdobywać nowe umiejętności dzięki głębokiemu uczeniu maszynowemu. Często też słyszymy i używamy tego terminu. Ale co to oznacza? W przeciwieństwie do „klasycznych” metod, kiedy wszystkie niezbędne informacje są ładowane z wyprzedzeniem do systemu, algorytmy uczenia maszynowego zmuszają system do samodzielnego rozwoju, analizując dostępne informacje. Co zresztą samochód w niektórych przypadkach może też sam szukać.
Film promocyjny:
Na przykład, aby stworzyć program do wykrywania oszustw, algorytm uczenia maszynowego pracuje z listą transakcji bankowych i ich wynikiem końcowym (legalnym lub nielegalnym). Model uczenia maszynowego analizuje przykłady i tworzy statystyczną zależność między legalnymi a oszukańczymi transakcjami. Następnie, gdy podajesz algorytmowi szczegóły nowej transakcji bankowej, klasyfikuje ją na podstawie wzorców, które wcześniej narysował z przykładów.
Zwykle im więcej danych podasz, tym dokładniejszy staje się algorytm uczenia maszynowego podczas wykonywania swoich zadań. Uczenie maszynowe jest szczególnie przydatne do rozwiązywania problemów, w przypadku których reguły nie są wstępnie zdefiniowane i nie można ich interpretować binarnie. Wracając do naszego przykładu z operacjami bankowymi: tak naprawdę na wyjściu mamy binarny system liczbowy: 0 - operacja legalna, 1 - niedozwolona. Ale żeby dojść do takiego wniosku, system musi przeanalizować całą masę parametrów i jeśli wprowadzisz je ręcznie, zajmie to więcej niż rok. A przewidywanie wszystkich opcji i tak nie zadziała. A system oparty na głębokim uczeniu maszynowym będzie w stanie coś rozpoznać, nawet jeśli nigdy wcześniej nie spotkał się z dokładnie takim przypadkiem.
Deep Learning i sieci neuronowe
Podczas gdy klasyczne algorytmy uczenia maszynowego rozwiązują wiele problemów, w których jest dużo informacji w postaci baz danych, nie radzą sobie dobrze z, by tak rzec, danymi „wizualnymi i dźwiękowymi”, takimi jak obrazy, filmy, pliki dźwiękowe i tak dalej.
Podczas gdy klasyczne algorytmy uczenia maszynowego rozwiązują wiele problemów, w których jest dużo informacji w postaci baz danych, nie radzą sobie dobrze z, by tak rzec, danymi „wizualnymi i dźwiękowymi”, takimi jak obrazy, filmy, pliki dźwiękowe i tak dalej.
Na przykład zbudowanie modelu predykcyjnego raka piersi przy użyciu klasycznych metod uczenia maszynowego będzie wymagało dziesiątek ekspertów medycznych, programistów i matematyków - mówi Jeremy Howard, badacz AI. Naukowcy musieliby stworzyć wiele mniejszych algorytmów do uczenia maszynowego, aby radzić sobie z przepływem informacji. Oddzielny podsystem do badania promieni rentgenowskich, oddzielny do rezonansu magnetycznego, inny do interpretacji badań krwi i tak dalej. Dla każdego rodzaju analizy potrzebowalibyśmy własnego systemu. Wtedy wszystkie zostałyby połączone w jeden duży system… To bardzo trudny i wymagający dużych zasobów proces.
Algorytmy uczenia głębokiego rozwiązują ten sam problem, wykorzystując głębokie sieci neuronowe, rodzaj architektury oprogramowania inspirowanej ludzkim mózgiem (chociaż sieci neuronowe różnią się od neuronów biologicznych, działają w bardzo podobny sposób). Komputerowe sieci neuronowe to połączenia „neuronów elektronicznych”, które są zdolne do przetwarzania i klasyfikowania informacji. Są ułożone jakby w „warstwach”, a każda „warstwa” jest odpowiedzialna za coś własnego, ostatecznie tworząc ogólny obraz. Na przykład, kiedy trenujesz sieć neuronową na obrazach różnych obiektów, znajduje ona sposoby na wyodrębnienie obiektów z tych obrazów. Każda warstwa sieci neuronowej wykrywa określone cechy: kształt obiektów, kolory, wygląd obiektów i tak dalej.
Warstwy powierzchniowe sieci neuronowych mają wspólne cechy. Głębsze warstwy już odsłaniają rzeczywiste obiekty. Rysunek przedstawia schemat prostej sieci neuronowej. Neurony wejściowe (informacje przychodzące) są wyświetlane na zielono, niebiesko - ukryte neurony (analiza danych), żółty - neuron wyjściowy (rozwiązanie).
Czy sieci neuronowe to sztuczny ludzki mózg?
Pomimo podobnej budowy maszyny i ludzkich sieci neuronowych, nie posiadają one cech naszego ośrodkowego układu nerwowego. Komputerowe sieci neuronowe to zasadniczo wszystkie te same programy pomocnicze. Tak się składa, że nasz mózg jest najlepiej zorganizowanym systemem komputerowym. Prawdopodobnie słyszałeś wyrażenie „nasz mózg jest komputerem”? Naukowcy po prostu „odtworzyli” niektóre aspekty jego struktury cyfrowo. Pozwoliło to jedynie na przyspieszenie obliczeń, ale nie na wyposażenie maszyn w świadomość.
Sieci neuronowe istnieją od lat 50. XX wieku (przynajmniej w formie pojęć). Ale do niedawna nie doczekały się dużego rozwoju, ponieważ ich tworzenie wymagało ogromnych ilości danych i mocy obliczeniowej. W ciągu ostatnich kilku lat wszystko to stało się dostępne, więc sieci neuronowe wysunęły się na pierwszy plan, po ich opracowaniu. Ważne jest, aby zrozumieć, że nie było wystarczającej technologii dla ich pełnego wyglądu. Jakże nie wystarczają one teraz, aby wynieść technologię na nowy poziom.
Do czego służy uczenie głębokie i sieci neuronowe?
Jest kilka obszarów, w których te dwie technologie przyczyniły się do znacznego postępu. Co więcej, z niektórych korzystamy na co dzień w życiu i nawet nie myślimy o tym, co za nimi stoi.
- Wizja komputerowa to zdolność oprogramowania do zrozumienia treści obrazów i filmów. To obszar, w którym głębokie uczenie się poczyniło duże postępy. Na przykład algorytmy głębokiego uczenia się przetwarzania obrazu mogą wykrywać różne rodzaje raka, choroby płuc, choroby serca i tak dalej. I zrobić to szybciej i skuteczniej niż lekarze. Ale głębokie uczenie się jest również zakorzenione w wielu aplikacjach, których używasz na co dzień. Apple Face ID i Google Photos używają głębokiego uczenia do rozpoznawania twarzy i ulepszania obrazu. Facebook wykorzystuje głębokie uczenie się, aby automatycznie oznaczać osoby na przesłanych zdjęciach i tak dalej. Wizja komputerowa pomaga również firmom automatycznie identyfikować i blokować podejrzane treści, takie jak przemoc i nagość. I w końcugłębokie uczenie się odgrywa bardzo ważną rolę w tworzeniu autonomicznych samochodów, dzięki czemu mogą one rozumieć otoczenie.
- Rozpoznawanie głosu i mowy. Kiedy wypowiadasz polecenie do Asystenta Google, algorytmy uczenia głębokiego przekształcają Twój głos na polecenia tekstowe. Kilka aplikacji online wykorzystuje głębokie uczenie do transkrypcji plików audio i wideo. Nawet podczas shazamowania utworu w grę wchodzą sieci neuronowe i algorytmy głębokiego uczenia maszynowego.
- Wyszukiwanie w Internecie: nawet jeśli szukasz czegoś w wyszukiwarce, aby Twoje zapytanie było bardziej przejrzyste, a wyniki wyszukiwania jak najbardziej poprawne, firmy zaczęły podłączać algorytmy sieci neuronowych do swoich wyszukiwarek. Tym samym wydajność wyszukiwarki Google wzrosła kilkakrotnie po przełączeniu systemu na głębokie uczenie maszynowe i sieci neuronowe.
Granice uczenia głębokiego i sieci neuronowe
Pomimo wszystkich swoich zalet, głębokie uczenie się i sieci neuronowe mają również pewne wady.
- Zależność danych: generalnie algorytmy głębokiego uczenia wymagają ogromnych ilości danych szkoleniowych, aby dokładnie wykonywać swoje zadania. Niestety, aby rozwiązać wiele problemów, nie ma wystarczających danych szkoleniowych wysokiej jakości, aby stworzyć działające modele.
- Nieprzewidywalność: sieci neuronowe ewoluują w dziwny sposób. Czasami wszystko idzie zgodnie z planem. Czasami (nawet jeśli sieć neuronowa dobrze sobie radzi), nawet twórcy mają trudności ze zrozumieniem, jak działają algorytmy. Brak przewidywalności sprawia, że eliminowanie i korygowanie błędów w algorytmach sieci neuronowych jest niezwykle trudne.
- Błąd algorytmiczny: algorytmy głębokiego uczenia są tak samo dobre, jak dane, na których są szkolone. Problem polega na tym, że dane treningowe często zawierają ukryte lub oczywiste błędy lub wady, a algorytmy je dziedziczą. Na przykład algorytm rozpoznawania twarzy wyszkolony głównie na zdjęciach białych ludzi będzie działał mniej dokładnie na ludziach o innym kolorze skóry.
- Brak uogólnienia: algorytmy uczenia głębokiego są dobre do wykonywania zadań ukierunkowanych, ale słabo uogólniają swoją wiedzę. W przeciwieństwie do ludzi, model uczenia głębokiego wyszkolony do grania w StarCraft nie byłby w stanie grać w inną podobną grę: powiedzmy, WarCraft. Ponadto uczenie głębokie słabo radzi sobie z przetwarzaniem danych, które odbiegają od przykładów szkoleniowych.
Przyszłość głębokiego uczenia się, sieci neuronowych i sztucznej inteligencji
Oczywiste jest, że praca nad głębokim uczeniem się i sieciami neuronowymi jest daleka od zakończenia. Podejmowane są różne wysiłki w celu ulepszenia algorytmów uczenia głębokiego. Deep Learning to najnowocześniejsza technika sztucznej inteligencji. Stało się coraz bardziej popularne w ostatnich latach ze względu na obfitość danych i wzrost mocy obliczeniowej. Jest to podstawowa technologia stojąca za wieloma aplikacjami, z których korzystamy na co dzień.
Ale czy świadomość narodzi się kiedykolwiek w oparciu o tę technologię? Prawdziwe sztuczne życie? Niektórzy naukowcy uważają, że w momencie, gdy liczba połączeń między składnikami sztucznych sieci neuronowych zbliża się do tego samego wskaźnika, który istnieje w ludzkim mózgu między naszymi neuronami, coś takiego może się wydarzyć. Jednak to twierdzenie jest wysoce wątpliwe. Aby pojawiła się prawdziwa sztuczna inteligencja, musimy przemyśleć sposób, w jaki budujemy systemy sztucznej inteligencji. Obecnie są to tylko programy użytkowe do ściśle określonego zakresu zadań. Chociaż chcielibyśmy wierzyć, że przyszłość już nadeszła …
Co myślisz? Czy ludzie stworzą sztuczną inteligencję?