Programavimas

Dirbtinis intelektas šiandien: kas yra ažiotažas ir kas yra tikras?

Pasiimkite žurnalą, peržiūrėkite technologijų tinklaraščius arba tiesiog kalbėkitės su savo bendraamžiais pramonės konferencijoje. Greitai pastebėsite, kad beveik viskas, kas išeina iš technologijų pasaulio, turi tam tikrą dirbtinio intelekto ar mašininio mokymosi elementą. Tai, kaip aptariamas dirbtinis intelektas, jis pradeda skambėti beveik kaip propaganda. Čia yra tikra technologija, galinti patenkinti visus jūsų poreikius! PG yra čia, kad išgelbėtų mus visus!

Nors tiesa, kad dirbtiniu intelektu pagrįstais metodais galime padaryti nuostabių dalykų, mes paprastai neįkūnijame visos sąvokos „intelektas“ prasmės. Intelektas reiškia sistemą, su kuria žmonės gali bendrauti kūrybiškai - sistemą, kuri turi idėjų ir kuria naujas. Kalbama apie terminologiją. „Dirbtinis intelektas“ šiandien paprastai apibūdina kai kurių žmogaus sugebėjimų aspektų, tokių kaip objektų ar kalbos atpažinimas, įgyvendinimą, bet tikrai ne visą žmogaus intelekto potencialą.

Taigi „dirbtinis intelektas“ tikriausiai nėra geriausias būdas apibūdinti „naują“ mašininio mokymosi technologiją, kurią naudojame šiandien, tačiau tas traukinys paliko stotį. Bet kokiu atveju, nors mašininis mokymasis dar nėra mašininio intelekto sinonimas, jis tikrai tapo galingesnis, pajėgesnis ir lengviau naudojamas. Dirbtinis intelektas - tai reiškia neuroninius tinklus ar gilų mokymąsi, taip pat „klasikinį“ mašininį mokymąsi - pagaliau siekia tapti standartine analitikos įrankių rinkinio dalimi.

Dabar, kai jau esame patekę į dirbtinio intelekto revoliuciją (tiksliau, evoliuciją), svarbu pažvelgti į tai, kaip dirbtinio intelekto sąvoka buvo pasirinkta kartu, kodėl ir ką ji reikš ateityje. Pasinerkime giliau, norėdami ištirti, kodėl dirbtinis intelektas, net ir šiek tiek neteisingai interpretuojamas jo variantas, pritraukė dabartinį dėmesį.

PG pažadas: kodėl dabar?

Dabartiniame ažiotažo cikle dirbtinis intelektas ar mašininis mokymasis dažnai vaizduojamas kaip palyginti naujos technologijos, kurios staiga subrendo ir tik neseniai nuo koncepcijos etapo pereina prie integracijos programose. Yra bendras įsitikinimas, kad savarankiški mašininio mokymosi produktai buvo sukurti tik per pastaruosius kelerius metus. Iš tikrųjų svarbūs dirbtinio intelekto pokyčiai nėra naujiena. Šiandieninis intelektas yra pažangos, pasiektos per pastaruosius porą dešimtmečių, tęsinys. Pokyčiai, priežastys, dėl kurių matome dirbtinį intelektą, atsiranda tiek daugelyje kitų vietų, yra ne tiek pačios dirbtinio intelekto technologijos, kiek jas supančios technologijos, būtent duomenų generavimo ir apdorojimo galia.

Nenuobodžiausiu nurodydama, kiek zetabaitų duomenų netrukus sukaupsime (kiek nulių vis dėlto turi zettabaitas?). Mes visi žinome, kad mūsų gebėjimas generuoti ir rinkti duomenis fenomenaliai auga. Tuo pačiu metu pastebėjome, kad neįtikėtinai padidėjo turima skaičiavimo galia. Perėjimas nuo vieno branduolio procesorių prie daugelio branduolių, taip pat bendrosios paskirties grafikos procesorių (GPGPU) sukūrimas ir pritaikymas suteikia pakankamai energijos giliam mokymuisi. Mums net nereikia tvarkyti skaičiavimo namuose. Apdorojimo galią galime tiesiog išsinuomoti kur nors debesyje.

Turėdami tiek duomenų ir daugybę skaičiavimo išteklių, duomenų mokslininkai pagaliau gali visiškai skirtingais mastais naudoti praėjusiais dešimtmečiais sukurtus metodus. Dešimtajame dešimtmetyje užtruko kelias dienas, kol išmoko neuronų tinklą atpažinti dešimčių tūkstančių pavyzdžių skaičius su ranka rašytais skaitmenimis. Šiandien mes galime treniruoti daug sudėtingesnį (t. Y. „Gilų“) neuronų tinklą dešimtimis milijonų vaizdų, kad atpažintume gyvūnus, veidus ir kitus sudėtingus objektus. Ir mes galime įdiegti giluminio mokymosi modelius, kad automatizuotume užduotis ir sprendimus pagrindinėse verslo programose, pavyzdžiui, nustatant ir prognozuojant produkcijos brandumą ar nukreipiant gaunamus skambučius.

Tai gali skambėti įtartinai kaip tikro intelekto kūrimas, tačiau svarbu pažymėti, kad po šiomis sistemomis mes tiesiog deriname matematinės priklausomybės parametrus, nors ir gana sudėtingus. Dirbtinio intelekto metodai nėra geri įgyjant „naujų“ žinių; jie mokosi tik iš to, kas jiems pateikiama. Kitaip tariant, dirbtinis intelektas nekelia klausimų „kodėl“. Sistemos neveikia taip, kaip vaikai, atkakliai klausinėjantys savo tėvų, bandydami suprasti aplinkinį pasaulį. Sistema žino tik tuo, kuo ji buvo šeriama. Ji neatpažins nieko, apie ką anksčiau nebuvo informuota.

Kituose „klasikiniuose“ mašininio mokymosi scenarijuose svarbu žinoti mūsų duomenis ir įsivaizduoti, kaip mes norime, kad ta sistema rastų modelius. Pavyzdžiui, žinome, kad gimimo metai nėra naudingas faktas apie mūsų klientus, nebent šį skaičių perskaičiuosime į kliento amžių. Mes taip pat žinome apie sezoniškumo poveikį. Neturėtume tikėtis, kad sistema išmoks mados pirkimo modelių nepriklausomai nuo sezono. Be to, galbūt norėsime į sistemą įlieti keletą kitų dalykų, kad sužinotume, ko ji jau žino. Skirtingai nuo gilaus mokymosi, tokio tipo mašininis mokymasis, kurį įmonės naudoja dešimtmečius, progresavo tolygiai.

Neseniai dirbtinio intelekto pažanga pasiekta pirmiausia tose srityse, kur duomenų mokslininkai sugeba imituoti žmogaus atpažinimo sugebėjimus, pavyzdžiui, atpažinti vaizduose esančius daiktus arba žodžius akustiniais signalais. Išmokti atpažinti sudėtingų signalų modelius, pavyzdžiui, garso srautus ar vaizdus, ​​yra nepaprastai galinga - pakankamai galinga, kad daugelis žmonių susimąsto, kodėl mes ne visur naudojame gilaus mokymosi metodus.

PG pažadas: kas dabar?

Organizacijos vadovybė gali paklausti, kada turėtų naudoti dirbtinį intelektą. Na, dirbtiniu intelektu pagrįsti tyrimai padarė didžiulę pažangą, kai neuroniniai tinklai sprendžia problemas, susijusias su to, ką mėgdžioja žmonės, gerai (objektų atpažinimas ir kalbos atpažinimas yra du ryškiausi pavyzdžiai). Kai tik klausiate: „Koks yra objekto atvaizdavimas?“ ir negali sugalvoti atsakymo, tada verta išbandyti gilaus mokymosi modelį. Tačiau kai duomenų mokslininkai sugeba sukonstruoti semantiškai turtingą objektų vaizdavimą, tikriausiai klasikiniai mašininio mokymosi metodai yra geresnis pasirinkimas (ir taip, verta šiek tiek rimtai pagalvoti, bandant rasti gerą objekto atvaizdavimą).

Galų gale norisi vienoje platformoje išbandyti skirtingas technikas ir neapsiriboti tam tikro programinės įrangos tiekėjo pasirinktu metodu ar nesugebėjimu pasivyti dabartinę pažangą šioje srityje. Štai kodėl atvirojo kodo platformos yra šios rinkos lyderės; jie leidžia praktikams derinti dabartines pažangiausias technologijas su naujausiais pažangiausiais pasiekimais.

Žengiant į priekį, kai komandos suderins savo tikslus ir metodus, kaip panaudoti mašininį mokymąsi jiems pasiekti, gilus mokymasis taps kiekvieno duomenų mokslininko įrankių rinkinio dalimi. Daugeliui užduočių suteikiant giluminio mokymosi metodų derinį bus labai naudinga. Pagalvok apie tai. Galėsime įtraukti objektų atpažinimą į sistemą, pasinaudodami iš anksto apmokyta dirbtinio intelekto sistema. Galėsime įtraukti esamus balso ar kalbos atpažinimo komponentus, nes kažkas kitas patyrė sunkumų rinkdamas ir komentuodamas pakankamai duomenų. Bet galų gale suprasime, kad gilus mokymasis, kaip ir klasikinis mašininis mokymasis prieš jį, iš tikrųjų yra tik dar viena priemonė, kurią reikia naudoti, kai tai yra prasminga.

PG pažadas: kas toliau?

Vienas iš kelio blokų, kuris atsiras, kaip ir prieš du dešimtmečius, yra nepaprastas sunkumas, su kuriuo susiduriama bandant suprasti, ko dirbtinio intelekto sistemos išmoko ir kaip jos pateikia savo prognozes. Tai negali būti kritiška, kai reikia numatyti, ar klientui gali patikti konkretus produktas, ar ne. Tačiau iškils klausimų paaiškinant, kodėl sistema, bendraujanti su žmonėmis, elgėsi netikėtai. Žmonės nori priimti „žmogaus nesėkmę“ - mes nesitikime, kad žmonės bus tobuli. Bet mes nepriimsime nesėkmės iš dirbtinio intelekto sistemos, ypač jei negalime paaiškinti, kodėl ji nepavyko (ir ją ištaisyti).

Geriau susipažinę su giluminiu mokymusi, suprasime, kaip ir prieš du dešimtmečius, kai mokėmės mašiniškai, kad nepaisant sistemos sudėtingumo ir duomenų, pagal kuriuos ji buvo mokoma, apimties, suprasti domenų neįmanoma be žinios apie sritį. Žmogaus kalbos atpažinimas veikia taip pat gerai, kaip žinant dabartinio pokalbio kontekstą, mes dažnai galime užpildyti skylę.

Šiandienos dirbtinio intelekto sistemos neturi tokio gilaus supratimo. Tai, ką mes matome dabar, yra seklus intelektas, gebėjimas imituoti izoliuotus žmogaus atpažinimo sugebėjimus ir kartais pranokti žmones atliekant tas izoliuotas užduotis. Mokant sistemą pagal milijardus pavyzdžių, reikia tik turėti duomenų ir gauti pakankamai skaičiavimo išteklių, o ne sandorio nutraukimo.

Didelė tikimybė, kad dirbtinio intelekto naudingumas galų gale sumažės už „gelbėk pasaulį“ propagandos. Galbūt viskas, ką gausime, yra neįtikėtina priemonė, kurią praktikai gali naudoti greičiau ir geriau atlikdami savo darbus.

Michaelas Bertholdas yra atvirojo kodo duomenų analizės įmonės „KNIME“ generalinis direktorius ir vienas iš įkūrėjų. Jis turi daugiau nei 25 metų patirtį duomenų mokslo srityje, dirbdamas akademinėje aplinkoje, pastaruoju metu eidamas profesoriaus pareigas Konstanzo universitete (Vokietija) ir anksčiau Kalifornijos universitete (Berkeley) bei Carnegie Mellon ir pramonėje „Intel“ neuronų tinklo grupėje. „Utopija“ ir „Tripos“. Michaelas yra daug paskelbęs apie duomenų analizę, mašininį mokymąsi ir dirbtinį intelektą. Sekite Michaelą toliau„Twitter“, „LinkedIn“ ir KNIME tinklaraštis.

Naujųjų technologijų forumas suteikia galimybę tyrinėti ir aptarti besiformuojančios įmonės technologijas beprecedentiame gylyje. Atranka yra subjektyvi, atsižvelgiant į mūsų pasirinktas technologijas, kurios, mūsų manymu, yra svarbios ir labiausiai domina skaitytojus. nepriima rinkodaros užtikrinimo priemonės paskelbimui ir pasilieka teisę redaguoti visą pateiktą turinį. Visus klausimus siųskite adresu[email protected].