fbpx
Можете да изберете дали да четете сайта в светла или тъмна тема

Проблемът с AI: Машините учат неща, но не ги разбират

В наши дни всички говорят за изкуствения интелект – „AI“ (artificial intelligence). Но независимо дали става въпрос за Siri, Alexa или функциите за автокорекция в клавиатурата на смартфона, ние не създаваме изкуствен интелект с общо предназначение. Ние създаваме програми, които могат да изпълняват конкретни задачи.

Всеки път, когато една компания каже, че излиза с нова „AI“ функция, това обикновено означава, че компанията използва машинно самообучение за изграждане на невронна мрежа. „Машинното самообучение“ е техника, която позволява на машината да „научи“ как да изпълнява по-добре конкретна задача.

Тук не атакуваме машинното самообучение!

Машинното самообучение е фантастична технология с много мощни приложения. Но това не е изкуствен интелект с общо предназначение, и разбирането на ограниченията на машинното самообучение дава яснота защо нашата настояща AI технология е толкова ограничена.

„Изкуственият интелект“ на научнофантастичните мечти е компютъризиран или роботизиран вид мозък, който мисли за нещата, и ги разбира, както ги разбират хората. Такъв изкуствен интелект би бил общ изкуствен интелект (AGI), което означава, че може да мисли за множество различни неща, и да прилага тази интелигентност в множество различни области.

Все още нямаме такъв тип AI. Не, дори не сме близо до него. Компютърни асистенти като Siri, Alexa или Cortana, не разбират, и не мислят, както мислим ние. Те изобщо не „разбират“ нещата, за които си говорим с тях.

Изкуствените интелекти, които ползваме, са обучени да вършат много точно конкретна задача, като ние им предоставяме данните, за да се научат да я изпълняват все по-добре. Те се научават да правят доста неща, но не ги разбират.

Компютрите не разбират …

Перфектният пример в това отношение е Gmail с новата функция „Умен отговор“, която предлага отговори на имейли. Функцията за интелигентен отговор, определя „Изпратено от моя iPhone“ като често срещан отговор. Както и „Обичам те“, като отговор на много различни видове имейли, включително служебни.

Това се случва, тъй като компютърът не разбира какво означават тези отговори, и когато много хора изпращат тези фрази в своите имейли, той ги запаметява. Няма как да знае дали искате да кажете „Обичам те“ на шефа си или не. Компютърът “вижда”, че това е популярна фраза, и я предлага като отговор.

Машините често се научават да “мамят” на компютърни игри

Машинното самообучение е свързано с възлагане на задача от човека, на която компютърът да намери най-ефективното решение. И тъй като комютрите не разбират нашите мотиви, могат лесно да намерят решение, различно от желаното.

Ето няколко забавни примера, при които „изкуственият интелект“, който играе компютни игри, се научава да мами системата.

“Агентът се самоубива в края на ниво 1, за да не бъде убит на ниво 2.“

“Агентът спира играта за неопределено време, за да не загуби.“

“Ако ИИ играе и губи, и следва да бъде “убит “, намира начин да срине играта, за да не се стига до фаталния за него изход.”

“Невронните мрежи, еволюирали за класифициране на ядливи и отровни гъби, се възползваха от представянето на гъбите в определена последователност, но не научиха по какво се различават двата вида гъби.”

Някои от тези решения може да звучат умно, но никоя от тези невронни мрежи не разбира какво прави. На тях им е поставена цел, и те се научават как да я постигнат. Ако целта е да се избегне загуба в компютърна игра, натискането на бутона за пауза е най-лесното и бързо решение, което те могат да намерят.

Машинно самообучение и невронни мрежи

При машинно самообучение, компютърът е програмиран да изпълнява конкретна задача. Елементарен пример за машинно самообучение е разпознаването на изображения. Да речем, че искаме да обучим компютърна програма за идентифициране на снимки с куче. Можем да дадем на компютъра милиони изображения, някои от които имат кучета, а други не. Изображенията с кучета са маркирани. Компютърната програма „обучава“ себе си да разпознава как изглеждат кучетата, въз основа на този набор от данни.

Тъй като знаем кои снимки съдържат кучета и кои не, можем да пуснем снимките през невронната мрежа, и да видим дали тя ще даде правилният отговор. Ако мрежата реши, че конкретна снимка няма куче, има механизъм, който да й каже, че отговорът е грешен, да направи крекции, и опита да се повтори. Компютърът се научава дали на снимките има куче или не.

Всичко това става автоматично. С подходящия софтуер и много структурирани данни, за да може самият компютър да тренира, той може да настрои невронната си мрежа да идентифицира кучета в снимки. Това се нарича „AI.“

Но в края на краищата, няма интелигентна компютърна програма, която да разбира какво е куче. Има компютър, който се е научил да решава дали на снимката има кучето или не, което е доста впечатляващо, но това е всичко, което компютърът може да направи.

А в зависимост от данните, които сте дали, тази невронна мрежа може да не е толкова умна, колкото изглежда. Например, ако в набора Ви от данни не е имало снимки на котки, невронната мрежа може да не прави разлика между котки, и кучета и може да маркира всички котки като кучета, когато пуснете реални снимки.

За какво се използва машинното самообучение?

Машинното самообучение се използва за всякакви задачи, включително разпознаване на реч. Гласовите асистенти като Google, Alexa и Siri са толкова добри в разбирането на човешката реч, благодарение на техниките за машинно самообучение. Те са обучени на огромно количество фрази, и стават все по-добри и по-добри в разбирането – кои звуци на кои думи съответстват.

Самоуправляващите се автомобили използват техники за машинно самообучение, които обучават компютъра да идентифицира обекти на пътя, и да реагира правилно в различните ситуации. Google Photos ползва множество функции като Live Albums, които автоматично идентифицират хора и животни в снимки чрез машинно самообучение.

DeepMind на Alphabet използва машинното самообучение, за да създаде AlphaGo – компютърна програма, която може да играе сложната настолна игра Go, и да побеждава най-добрите играчи в света. Машинното самообучение е използвано и за създаване на компютри, които са добри и в други игри, от шах до DOTA 2.

То дори се използва за Face ID в най-новите iPhone. Вашият iPhone изгражда невронна мрежа, която се научава да идентифицира вашето лице, а Apple включва специален чип, който изчислява всички данни за тази и други задачи на машинно обучение.

Машинното обучение може да се използва и за много други неща – от идентифициране на измама с кредитни карти до персонализирани препоръки на продукти от уебсайтовете за пазаруване.

Но невронните мрежи, които са създадени с машинно самообучение, не разбират нищо. Те са полезни програми, които могат да изпълняват задачите за които са били обучени, но това е всичко – за сега.

Total
5
Shares
Вашият коментар

Вашият имейл адрес няма да бъде публикуван.

Предишна публикация

Samsung Galaxy Z Flip е търговското име на Fold 2

Следваща публикация

Кръгъл телефон с два 3.5 mm жака бе представен на CES 2020

Подобни публикации
Total
5
Share