Am auzit din ce în ce mai multe despre inteligența artificială în ultima vreme. Este folosit aproape peste tot: de la tehnologii înalte și calcule matematice complexe, până la medicină, industria auto și chiar smartphone-uri. Tehnologiile care stau la baza activității AI în viziunea modernă, le folosim în fiecare zi și uneori poate nici nu ne gândim la asta. Dar ce este inteligența artificială? Cum lucrează? Și este periculos?
Ce este inteligența artificială
În primul rând, să definim terminologia. Dacă vă imaginați inteligența artificială ca ceva capabil să gândească independent, să ia decizii și, în general, să arate semne de conștiință, atunci ne grăbim să vă dezamăgim. Aproape toate sistemele existente astăzi nici măcar nu se apropie de această definiție a AI. Iar acele sisteme care prezintă semne ale unei astfel de activități funcționează, de fapt, în cadrul algoritmilor prestabiliți.
Uneori, acești algoritmi sunt foarte, foarte avansați, dar rămân „cadrul” în care funcționează AI. Mașinile nu au „libertăți” și cu atât mai mult semne de conștiință. Sunt doar programe foarte puternice. Dar sunt „cei mai buni la ceea ce fac”. În plus, sistemele AI continuă să se îmbunătățească. Și nu sunt deloc banale. Chiar și anulând faptul că AI-ul modern este departe de a fi perfect, are multe în comun cu noi.
Cum funcționează inteligența artificială
În primul rând, AI își poate îndeplini sarcinile (despre care puțin mai târziu) și poate dobândi noi abilități datorită învățării profunde a mașinilor. De asemenea, auzim și folosim acest termen. Dar ce înseamnă? Spre deosebire de metodele „clasice”, când toate informațiile necesare sunt încărcate în avans, algoritmii de învățare automată forțează sistemul să se dezvolte independent, studiind informațiile disponibile. Ceea ce, în plus, în unele cazuri, mașina se poate căuta și ea.
Video promotional:
De exemplu, pentru a crea un program de detectare a fraudei, un algoritm de învățare automată funcționează cu o listă de tranzacții bancare și rezultatul final al acestora (legal sau ilegal). Un model de învățare automată analizează exemple și dezvoltă o relație statistică între tranzacțiile legitime și frauduloase. După aceea, când furnizați algoritmului detaliile unei noi tranzacții bancare, îl clasifică pe baza tiparelor pe care le-a extras din exemplele anterioare.
De obicei, cu cât furnizați mai multe date, cu atât algoritmul de învățare automată devine mai precis atunci când își îndeplinește sarcinile. Învățarea automată este utilă în special pentru rezolvarea problemelor în care regulile nu sunt predefinite și nu pot fi interpretate în mod binar. Revenind la exemplul nostru cu operațiuni bancare: de fapt, la ieșire avem un sistem de numerotare binară: 0 - operațiune legală, 1 - ilegală. Dar pentru a ajunge la o astfel de concluzie, sistemul trebuie să analizeze o mulțime de parametri și dacă îi introduceți manual, va dura mai mult de un an. Și pentru a prezice toate opțiunile oricum nu va funcționa. Și un sistem bazat pe învățarea automată profundă va putea recunoaște ceva, chiar dacă nu a mai întâlnit exact un astfel de caz înainte.
Învățare profundă și rețele neuronale
În timp ce algoritmii clasici de învățare a mașinilor rezolvă multe probleme în care există o mulțime de informații sub formă de baze de date, acestea nu fac față bine, ca să spunem așa, date „vizuale și auditive” precum imagini, videoclipuri, fișiere audio și așa mai departe.
În timp ce algoritmii clasici de învățare a mașinilor rezolvă multe probleme în care există o mulțime de informații sub formă de baze de date, acestea nu fac față bine, ca să spunem așa, date „vizuale și auditive” precum imagini, videoclipuri, fișiere audio și așa mai departe.
De exemplu, construirea unui model predictiv pentru cancerul de sân folosind abordări clasice de învățare automată va necesita zeci de experți medicali, programatori și matematicieni, spune cercetătorul AI, Jeremy Howard. Oamenii de știință ar trebui să creeze mai mulți algoritmi mai mici pentru învățarea mașinii pentru a face față fluxului de informații. Un subsistem separat pentru studierea razelor X, unul separat pentru RMN, altul pentru interpretarea analizelor de sânge și așa mai departe. Pentru fiecare tip de analiză, am avea nevoie de propriul sistem. Apoi, toate ar fi combinate într-un singur sistem mare … Acesta este un proces foarte dificil și intensiv în resurse.
Algoritmii de învățare profundă rezolvă aceeași problemă folosind rețele neuronale profunde, un tip de arhitectură software inspirată de creierul uman (deși rețelele neuronale sunt diferite de neuronii biologici, funcționează la fel). Rețelele neuronale computerizate sunt conexiuni ale „neuronilor electronici” care sunt capabile să prelucreze și să clasifice informațiile. Sunt aranjate ca în „straturi” și fiecare „strat” este responsabil pentru ceva propriu, formând în cele din urmă o imagine generală. De exemplu, atunci când antrenați o rețea neuronală pe imagini cu diferite obiecte, găsește modalități de a extrage obiecte din aceste imagini. Fiecare strat al rețelei neuronale detectează anumite caracteristici: forma obiectelor, culorile, aspectul obiectelor și așa mai departe.
Straturile de suprafață ale rețelelor neuronale prezintă caracteristici comune. Straturile mai adânci dezvăluie deja obiectele reale. Figura prezintă o diagramă a unei rețele neuronale simple. Neuronii de intrare (informații de intrare) sunt arătați în verde, albastru - neuroni ascunși (analiza datelor), galben - neuron de ieșire (soluție).
Sunt rețelele neuronale un creier uman artificial?
În ciuda structurii similare a mașinii și a rețelelor neuronale umane, acestea nu posedă caracteristicile sistemului nostru nervos central. Rețelele neuronale de computer sunt în esență toate aceleași programe auxiliare. La fel se întâmplă că creierul nostru este cel mai bine organizat sistem de calcul. Probabil ați auzit expresia „creierul nostru este un computer”? Oamenii de știință pur și simplu „au replicat” unele aspecte ale structurii sale în mod digital. Aceasta a permis doar accelerarea calculelor, dar nu și dotarea mașinilor cu conștiință.
Rețelele neuronale au existat încă din anii '50 (cel puțin sub formă de concepte). Dar până de curând, nu au primit multă dezvoltare, deoarece crearea lor a necesitat cantități imense de date și putere de calcul. În ultimii ani, toate acestea au devenit disponibile, astfel că rețelele neuronale au ajuns în prim plan, primindu-și dezvoltarea. Este important să înțelegem că nu există suficientă tehnologie pentru aspectul lor plin de drept. Cum acum nu sunt suficiente pentru a aduce tehnologia la un nivel nou.
Pentru ce se folosește învățarea profundă și rețelele neuronale?
Există mai multe domenii în care aceste două tehnologii au contribuit la progrese notabile. Mai mult, le folosim pe unele în fiecare zi în viața noastră și nici nu ne gândim la ce se află în spatele lor.
- Viziunea computerului este abilitatea software-ului de a înțelege conținutul de imagini și videoclipuri. Acesta este un domeniu în care învățarea profundă a făcut multe progrese. De exemplu, algoritmii de procesare a imaginilor de învățare profundă pot detecta diferite tipuri de cancer, boli pulmonare, boli de inimă și așa mai departe. Și să o facem mai repede și mai eficient decât medicii. Însă învățarea profundă este de asemenea înrădăcinată în multe dintre aplicațiile pe care le utilizați în fiecare zi. Apple Face ID și Google Photos folosesc învățare profundă pentru recunoașterea facială și îmbunătățirea imaginii. Facebook folosește învățarea profundă pentru a eticheta automat oamenii în fotografiile încărcate și așa mai departe. Viziunea computerizată ajută companiile să identifice și să blocheze automat conținut discutabil, cum ar fi violența și nuditatea. Și, în sfârșitînvățarea profundă joacă un rol foarte important în a face autovehiculele să conducă de la sine, astfel încât să înțeleagă împrejurimile.
- Recunoaștere vocală și vorbire. Când vorbești o comandă Google Assistant, algoritmii de învățare profundă îți traduc vocea în comenzi text. Mai multe aplicații online folosesc învățare profundă pentru a transcrie fișiere audio și video. Chiar și când sunteți o melodie, rețelele neuronale și algoritmii de învățare profundă a mașinilor intră în joc.
- Căutare pe Internet: chiar dacă căutați ceva într-un motor de căutare, pentru ca solicitarea dvs. să fie procesată mai clar și rezultatele căutării să fie cât mai precise, companiile au început să conecteze algoritmii de rețea neuronală la motoarele lor de căutare. Astfel, performanța motorului de căutare Google a crescut de mai multe ori după ce sistemul a trecut la învățarea profundă a mașinilor și a rețelelor neuronale.
Limitele învățării profunde și a rețelelor neuronale
În ciuda tuturor avantajelor lor, învățarea profundă și rețelele neuronale au și unele dezavantaje.
- Dependența de date: în general, algoritmii de învățare profundă necesită cantități imense de date de instruire pentru a-și îndeplini cu exactitate sarcinile. Din păcate, pentru a rezolva multe probleme, nu există suficiente date de pregătire de înaltă calitate pentru a crea modele de lucru.
- Imprevizibilitatea: rețelele neuronale evoluează într-un mod ciudat. Uneori, totul merge așa cum a fost planificat. Și uneori (chiar dacă rețeaua neuronală face o treabă bună), chiar și creatorii se luptă să înțeleagă cum funcționează algoritmii. Lipsa de predictibilitate face extrem de dificilă eliminarea și corectarea erorilor din algoritmii rețelelor neuronale.
- Bias algoritmic: Algoritmii de învățare profundă sunt la fel de buni ca datele pe care sunt instruiți. Problema este că datele de instruire conțin adesea erori sau defecte ascunse sau evidente, iar algoritmii le moștenesc. De exemplu, un algoritm de recunoaștere a feței, antrenat în primul rând pe fotografii ale persoanelor albe, va funcționa mai puțin precis la persoanele cu o culoare diferită a pielii.
- Lipsa generalizării: algoritmii de învățare profundă sunt buni pentru îndeplinirea sarcinilor țintite, dar generalizează slab cunoștințele. Spre deosebire de oameni, un model de învățare profund antrenat pentru a juca StarCraft nu ar putea juca un alt joc similar: să zicem, WarCraft. În plus, învățarea profundă face o treabă slabă de manipulare a datelor care se abate de la exemplele sale de formare.
Viitorul învățării profunde, rețelelor neuronale și AI
Este clar că munca pe învățarea profundă și rețelele neuronale este departe de a fi finalizată. Sunt depuse diferite eforturi pentru îmbunătățirea algoritmilor de învățare profundă. Învățarea profundă este o tehnică de vârf în inteligența artificială. A devenit din ce în ce mai popular în ultimii ani datorită abundenței de date și creșterii puterii de procesare. Aceasta este tehnologia de bază din spatele multor aplicații pe care le folosim în fiecare zi.
Dar se va naște conștiința vreodată pe baza acestei tehnologii? Viață artificială reală? Unii dintre oamenii de știință cred că în momentul în care numărul de conexiuni între componentele rețelelor neuronale artificiale se apropie de același indicator care există în creierul uman între neuronii noștri, se poate întâmpla ceva de genul acesta. Cu toate acestea, această afirmație este extrem de îndoielnică. Pentru ca AI să apară real, trebuie să ne regândim modul în care construim sisteme AI. Tot ceea ce este acum este doar programe aplicate pentru o serie strict de sarcini. Oricât de mult am dori să credem că viitorul a ajuns deja …
Tu ce crezi? Oamenii vor crea AI?
