V poslednej dobe sa o umelej inteligencii stále viac dozvedia. Používa sa takmer všade: od špičkových technológií a zložitých matematických výpočtov po medicínu, automobilový priemysel a dokonca aj smartfóny. Technológie, ktoré sú základom práce AI v modernom pohľade, používame každý deň a niekedy o tom nemusíme ani premýšľať. Čo je to umelá inteligencia? Ako pracuje? A je to nebezpečné?
Čo je umelá inteligencia
Najprv si definujme terminológiu. Ak si predstavujete umelú inteligenciu ako niečo, čo je schopné samostatne myslieť, rozhodovať a všeobecne prejavovať známky vedomia, rýchlo vás sklameme. Takmer všetky súčasné systémy sa tejto definícii AI nepribližujú. A tie systémy, ktoré vykazujú znaky takejto aktivity, v skutočnosti stále fungujú v rámci vopred určených algoritmov.
Niekedy sú tieto algoritmy veľmi, veľmi pokročilé, ale zostávajú „rámcom“, v rámci ktorého funguje AI. Stroje nemajú žiadne „slobody“, a ešte viac také známky vedomia. Sú to iba veľmi silné programy. Sú však „najlepší v tom, čo robia“. AI systémy sa ďalej zlepšujú. A vôbec nie sú triviálne. Aj keď odhliadneme od skutočnosti, že moderná umelá inteligencia nie je zďaleka dokonalá, má s nami veľa spoločného.
Ako funguje umelá inteligencia
V prvom rade môže AI vykonávať svoje úlohy (o ktorých o niečo neskôr) a získať nové zručnosti vďaka hlbokému strojovému učeniu. Tento výraz tiež často počujeme a používame. Čo to však znamená? Na rozdiel od „klasických“metód, keď sú všetky potrebné informácie zavedené do systému vopred, algoritmy strojového učenia nútia systém vyvíjať sa nezávisle a študovať dostupné informácie. Čo navyše auto v niektorých prípadoch môže tiež hľadať samo.
Propagačné video:
Napríklad na vytvorenie programu na zisťovanie podvodov pracuje algoritmus strojového učenia so zoznamom bankových transakcií a ich konečných výsledkov (legálnych alebo nelegálnych). Model strojového vzdelávania skúma príklady a rozvíja štatistický vzťah medzi legitímnymi a podvodnými transakciami. Potom, keď poskytnete algoritmu podrobnosti o novej bankovej transakcii, klasifikuje ju na základe vzorov, ktoré vopred nakreslila z príkladov.
Čím viac údajov poskytnete, tým presnejší bude algoritmus strojového učenia pri vykonávaní svojich úloh. Strojové učenie je užitočné najmä pri riešení problémov, kde pravidlá nie sú vopred definované a nemožno ich interpretovať binárne. Vráťte sa k nášmu príkladu s bankovými operáciami: v skutočnosti máme na výstupe binárny číselný systém: 0 - legálna operácia, 1 - nezákonná. Aby sa však dospelo k takémuto záveru, systém musí analyzovať celý rad parametrov a ak ich zadáte ručne, bude to trvať dlhšie ako jeden rok. A predpovedať všetky možnosti napriek tomu nebude fungovať. A systém založený na hlbokom strojovom učení bude schopný niečo rozpoznať, aj keď sa s takýmto prípadom nikdy predtým nestretol.
Hlboké učenie a neurónové siete
Aj keď algoritmy klasického strojového učenia riešia veľa problémov, v ktorých je veľa informácií vo forme databáz, nezaobchádzajú sa tak dobre s „vizuálnymi a zvukovými“údajmi, ako sú obrázky, videá, zvukové súbory atď.
Aj keď algoritmy klasického strojového učenia riešia veľa problémov, v ktorých je veľa informácií vo forme databáz, nezaobchádzajú sa tak dobre s „vizuálnymi a zvukovými“údajmi, ako sú obrázky, videá, zvukové súbory atď.
Napríklad vytvorenie prediktívneho modelu rakoviny prsníka pomocou klasických prístupov strojového učenia bude vyžadovať desiatky lekárskych odborníkov, programátorov a matematikov, hovorí výskumník AI Jeremy Howard. Vedci by museli vytvoriť veľa menších algoritmov na strojové učenie, aby sa dokázali vyrovnať s tokom informácií. Samostatný subsystém na skúmanie röntgenových lúčov, samostatný subsystém pre MRI, ďalší na interpretáciu krvných testov atď. Pre každý typ analýzy by sme potrebovali vlastný systém. Potom by sa všetci spojili do jedného veľkého systému … Toto je veľmi zložitý proces, ktorý je náročný na zdroje.
Hlboké učebné algoritmy riešia ten istý problém pomocou hlbokých neurónových sietí, typu softvérovej architektúry inšpirovanej ľudským mozgom (hoci neurónové siete sa líšia od biologických neurónov, fungujú takmer rovnako). Počítačové neurónové siete sú spojenia „elektronických neurónov“, ktoré sú schopné spracovávať a klasifikovať informácie. Sú usporiadané tak, akoby boli vo „vrstvách“a každá „vrstva“je zodpovedná za niečo vlastné, čo nakoniec vytvorí všeobecný obraz. Napríklad, keď trénujete neurónovú sieť na obrázky rôznych objektov, nájde spôsoby, ako extrahovať objekty z týchto obrazov. Každá vrstva neurónovej siete deteguje určité vlastnosti: tvar objektov, farby, vzhľad objektov atď.
Povrchové vrstvy neurónových sietí vykazujú spoločné znaky. Hlbšie vrstvy už odhaľujú skutočné objekty. Obrázok ukazuje schému jednoduchej neurónovej siete. Vstupné neuróny (prichádzajúce informácie) sú zobrazené zelenou, modrou farbou - skryté neuróny (analýza údajov), žltá - výstupný neurón (roztok).
Sú neurónové siete umelým ľudským mozgom?
Napriek podobnej štruktúre strojových a ľudských nervových sietí nemajú vlastnosti nášho centrálneho nervového systému. Počítačové neurónové siete sú v podstate všetky rovnaké pomocné programy. Stáva sa to tak, že náš mozog je najviac organizovaný systém pre výpočty. Pravdepodobne ste už počuli výraz „náš mozog je počítač“? Vedci jednoducho „replikovali“niektoré aspekty svojej štruktúry digitálne. To umožnilo iba zrýchliť výpočty, ale nie vybaviť stroje vedomím.
Neurónové siete existujú približne od 50. rokov 20. storočia (aspoň vo forme konceptov). Až donedávna však nezískali veľa rozvoja, pretože ich tvorba si vyžadovala obrovské množstvo údajov a výpočtovej sily. V posledných niekoľkých rokoch sa toto všetko stalo dostupným, takže nervové siete sa dostali do popredia po ich rozvoji. Je dôležité pochopiť, že na ich plnohodnotný vzhľad nebolo dostatok technológie. Ako dnes nestačí na to, aby sa technológia dostala na novú úroveň.
Na čo sa používajú hĺbkové vzdelávanie a neurónové siete?
Existuje niekoľko oblastí, v ktorých tieto dve technológie pomohli dosiahnuť pozoruhodný pokrok. Niektoré z nich navyše používame každý deň v našom živote a nemyslíme ani na to, čo je za nimi.
- Počítačové videnie je schopnosť softvéru porozumieť obsahu obrázkov a videí. To je jedna z oblastí, kde hlboké vzdelávanie dosiahlo veľký pokrok. Napríklad algoritmy spracovania obrázkov s hlbokým vzdelaním môžu zistiť rôzne typy rakoviny, pľúcnych ochorení, srdcových chorôb atď. A urobiť to rýchlejšie a efektívnejšie ako lekári. V mnohých aplikáciách, ktoré používate každý deň, je hlboké vzdelávanie hlboko zakorenené. Aplikácia Apple Face ID a Fotky Google používajú hĺbkové učenie na rozpoznávanie tváre a vylepšovanie obrázkov. Facebook používa hĺbkové učenie na automatické označovanie ľudí na nahraných fotografiách atď. Počítačové videnie tiež pomáha spoločnostiam automaticky identifikovať a blokovať pochybný obsah, ako je násilie a nahota. A nakoniecHĺbkové vzdelávanie zohráva veľmi dôležitú úlohu pri riadení vozidiel, aby pochopili svoje okolie.
- Rozpoznávanie hlasu a reči. Keď vyslovíte príkaz svojmu pomocníkovi Google, algoritmy hlbokého učenia premenia váš hlas na textové príkazy. Niektoré online aplikácie používajú hĺbkové učenie na prepis zvukových a obrazových súborov. Dokonca aj keď si zahrajete skladbu, do hry sa dostanú neurónové siete a algoritmy hĺbkového strojového učenia.
- Internetové vyhľadávanie: Aj keď hľadáte niečo vo vyhľadávacom nástroji, aby sa vaša žiadosť spracovala jasnejšie a výsledky vyhľadávania boli čo najpresnejšie, spoločnosti začali spájať algoritmy neurónovej siete so svojimi vyhľadávacími nástrojmi. Výkonnosť vyhľadávacieho nástroja Google sa teda niekoľkokrát zvýšila, keď sa systém prepol na hlboké strojové učenie a neurónové siete.
Hranice hlbokého učenia a neurónové siete
Napriek všetkým ich výhodám majú hlboké učenie a neurónové siete aj určité nevýhody.
- Závislosť údajov: Algoritmy hlbokého učenia vo všeobecnosti vyžadujú veľké množstvo údajov o školení, aby mohli presne vykonávať svoje úlohy. Bohužiaľ, na vyriešenie mnohých problémov nie je k dispozícii dostatok kvalitných údajov o odbornej príprave na vytvorenie pracovných modelov.
- Nepredvídateľnosť: Neurónové siete sa vyvíjajú zvláštnym spôsobom. Niekedy všetko pôjde podľa plánu. A niekedy (aj keď neurónová sieť robí dobrú prácu), dokonca aj tvorcovia sa snažia pochopiť, ako algoritmy fungujú. Nedostatok predvídateľnosti spôsobuje, že je veľmi ťažké odstrániť a opraviť chyby v algoritmoch neurónových sietí.
- Algoritmická predpojatosť: Algoritmy hlbokého učenia sú rovnako dobré ako údaje, na ktorých sú trénované. Problém je v tom, že školiace údaje často obsahujú skryté alebo zjavné chyby alebo nedostatky a algoritmy ich zdedili. Napríklad algoritmus rozpoznávania tváre vyškolený predovšetkým na fotografiách bielych ľudí bude pracovať menej presne u ľudí s inou farbou pleti.
- Nedostatok zovšeobecnenia: Algoritmy hlbokého učenia sú dobré pre vykonávanie cielených úloh, ale ich zlé zovšeobecnenie. Na rozdiel od ľudí by hlboký vzdelávací model vyškolený na hranie StarCraftu nemohol hrať ďalšiu podobnú hru: povedzme, WarCraft. Hĺbkové vzdelávanie navyše nevedie k spracovaniu údajov, ktoré sa odchyľujú od príkladov odbornej prípravy.
Budúcnosť hlbokého učenia, neurónových sietí a AI
Je zrejmé, že práca na hlbokom učení a neurónových sieťach nie je ani zďaleka ukončená. Vyvíja sa rôzne úsilie na zlepšenie algoritmov hlbokého učenia. Deep Learning je špičková technika umelej inteligencie. V posledných niekoľkých rokoch sa stala populárnejšou kvôli množstvu údajov a zvýšenému spracovateľskému výkonu. Toto je základná technológia mnohých aplikácií, ktoré každý deň používame.
Ale bude sa niekedy vedomie rodiť na základe tejto technológie? Skutočný umelý život? Niektorí vedci sa domnievajú, že v okamihu, keď sa počet spojení medzi komponentmi umelých neurónových sietí priblíži k rovnakému ukazovateľu, aký existuje v ľudskom mozgu medzi našimi neurónmi, sa môže niečo také stať. Toto tvrdenie je však veľmi sporné. Aby sa objavila skutočná AI, musíme prehodnotiť spôsob, akým budujeme systémy AI. Teraz sa už používajú iba programy na prísne obmedzený rozsah úloh. Rovnako ako by sme chceli veriť, že budúcnosť už prišla …
Co si myslis? Vytvoria ľudia AI?