Διαλέξτε ένα περιοδικό, κάντε κύλιση στα ιστολόγια τεχνολογίας ή απλά συνομιλήστε με τους συναδέλφους σας σε ένα συνέδριο βιομηχανίας. Θα παρατηρήσετε γρήγορα ότι σχεδόν ό, τι βγαίνει από τον κόσμο της τεχνολογίας φαίνεται να έχει κάποιο στοιχείο τεχνητής νοημοσύνης ή μηχανικής μάθησης σε αυτόν. Ο τρόπος με τον οποίο συζητείται η τεχνητή νοημοσύνη, αρχίζει να ακούγεται σχεδόν σαν προπαγάνδα. Εδώ είναι η μοναδική τεχνολογία που μπορεί να λύσει όλες τις ανάγκες σας! Η AI είναι εδώ για να μας σώσει όλους!
Παρόλο που είναι αλήθεια ότι μπορούμε να κάνουμε καταπληκτικά πράγματα με τεχνικές που βασίζονται σε AI, γενικά δεν ενσωματώνουμε την πλήρη έννοια του όρου «νοημοσύνη». Η νοημοσύνη υπονοεί ένα σύστημα με το οποίο οι άνθρωποι μπορούν να έχουν μια δημιουργική συνομιλία - ένα σύστημα που έχει ιδέες και που μπορεί να αναπτύξει νέες. Επίμαχο θέμα είναι η ορολογία. Η «τεχνητή νοημοσύνη» σήμερα περιγράφει συνήθως την εφαρμογή ορισμένων πτυχών των ανθρώπινων ικανοτήτων, όπως η αναγνώριση αντικειμένων ή ομιλίας, αλλά σίγουρα όχι το σύνολο των δυνατοτήτων για ανθρώπινη νοημοσύνη.
Συνεπώς, η «τεχνητή νοημοσύνη» δεν είναι πιθανώς ο καλύτερος τρόπος για να περιγράψουμε τη «νέα» τεχνολογία μηχανικής μάθησης που χρησιμοποιούμε σήμερα, αλλά αυτό το τρένο έχει φύγει από το σταθμό. Σε κάθε περίπτωση, ενώ η μηχανική εκμάθηση δεν είναι ακόμη συνώνυμη με την ευφυΐα της μηχανής, σίγουρα έχει γίνει πιο ισχυρή, πιο ικανή και πιο εύκολη στη χρήση. Η τεχνητή νοημοσύνη - που σημαίνει νευρωνικά δίκτυα ή βαθιά μάθηση, καθώς και "κλασική" μηχανική μάθηση - βρίσκεται τελικά στο δρόμο να γίνει ένα τυπικό μέρος της εργαλειοθήκης ανάλυσης.
Τώρα που μπαίνουμε στην επανάσταση της τεχνητής νοημοσύνης (ή μάλλον της εξέλιξης), είναι σημαντικό να δούμε πώς επιλέχθηκε η έννοια της τεχνητής νοημοσύνης, γιατί και τι θα σημαίνει στο μέλλον. Ας δούμε πιο βαθιά για να διερευνήσουμε γιατί η τεχνητή νοημοσύνη, ακόμη και κάποια ελαφρώς εσφαλμένη εκδοχή της, προσέλκυσε το παρόν επίπεδο προσοχής.
Η υπόσχεση AI: Γιατί τώρα;
Στον τρέχοντα κύκλο διαφημίσεων, η τεχνητή νοημοσύνη ή η μηχανική μάθηση συχνά απεικονίζονται ως σχετικά νέες τεχνολογίες που έχουν ωριμάσει ξαφνικά, μόλις πρόσφατα μετακινήθηκε από το στάδιο της έννοιας στην ενσωμάτωση σε εφαρμογές. Υπάρχει μια γενική πεποίθηση ότι η δημιουργία αυτόνομων προϊόντων μηχανικής μάθησης έγινε μόνο τα τελευταία χρόνια. Στην πραγματικότητα, οι σημαντικές εξελίξεις στην τεχνητή νοημοσύνη δεν είναι νέες. Η τεχνητή νοημοσύνη του σήμερα είναι συνέχεια των προόδων που έχουν επιτευχθεί τις τελευταίες δύο δεκαετίες. Η αλλαγή, οι λόγοι για τους οποίους βλέπουμε την τεχνητή νοημοσύνη να εμφανίζεται σε τόσα πολλά περισσότερα μέρη, δεν αφορά τόσο τις ίδιες τις τεχνολογίες τεχνητής νοημοσύνης, αλλά τις τεχνολογίες που τις περιβάλλουν - δηλαδή την παραγωγή δεδομένων και την ισχύ επεξεργασίας.
Δεν θα σας κουράσω αναφέροντας πόσα zettabytes δεδομένων πρόκειται να αποθηκεύσουμε σύντομα (πόσα μηδενικά έχει ένα zettabyte ούτως ή άλλως;). Όλοι γνωρίζουμε ότι η ικανότητά μας να δημιουργούμε και να συλλέγουμε δεδομένα αυξάνεται φαινομενικά. Ταυτόχρονα, έχουμε δει μια εντυπωσιακή αύξηση στη διαθέσιμη υπολογιστική ισχύ. Η μετάβαση από επεξεργαστές ενός πυρήνα σε πολυπύρηνους, καθώς και η ανάπτυξη και υιοθέτηση μονάδων επεξεργασίας γραφικών γενικής χρήσης (GPGPUs) παρέχουν αρκετή ισχύ για τη βαθιά μάθηση. Δεν χρειάζεται καν να χειριστούμε πλέον τον υπολογισμό στο σπίτι. Μπορούμε απλά να νοικιάσουμε τη δύναμη επεξεργασίας κάπου στο σύννεφο.
Με τόσα πολλά δεδομένα και πολλούς υπολογιστικούς πόρους, οι επιστήμονες δεδομένων είναι τελικά σε θέση να χρησιμοποιήσουν τις μεθόδους που αναπτύχθηκαν τις τελευταίες δεκαετίες σε εντελώς διαφορετική κλίμακα. Στη δεκαετία του 1990, χρειάστηκαν μέρες για να εκπαιδεύσει ένα νευρωνικό δίκτυο για να αναγνωρίσει αριθμούς σε δεκάδες χιλιάδες παραδείγματα με χειρόγραφα ψηφία. Σήμερα, μπορούμε να εκπαιδεύσουμε ένα πολύ πιο περίπλοκο (δηλαδή «βαθύ») νευρωνικό δίκτυο σε δεκάδες εκατομμύρια εικόνες για την αναγνώριση ζώων, προσώπων και άλλων πολύπλοκων αντικειμένων. Και μπορούμε να αναπτύξουμε μοντέλα βαθιάς μάθησης για την αυτοματοποίηση εργασιών και αποφάσεων σε γενικές επιχειρηματικές εφαρμογές, όπως ανίχνευση και πρόβλεψη της ωριμότητας των προϊόντων ή δρομολόγηση εισερχόμενων κλήσεων.
Αυτό μπορεί να ακούγεται ύποπτα σαν να δημιουργείται πραγματική νοημοσύνη, αλλά είναι σημαντικό να σημειωθεί ότι κάτω από αυτά τα συστήματα, απλώς συντονίζουμε παραμέτρους μιας μαθηματικής εξάρτησης, αν και αρκετά περίπλοκη. Οι μέθοδοι τεχνητής νοημοσύνης δεν είναι καλές στην απόκτηση «νέας» γνώσης. μαθαίνουν μόνο από αυτά που τους παρουσιάζονται. Με άλλα λόγια, η τεχνητή νοημοσύνη δεν θέτει ερωτήσεις «γιατί». Τα συστήματα δεν λειτουργούν όπως τα παιδιά που αμφισβητούν επίμονα τους γονείς τους καθώς προσπαθούν να κατανοήσουν τον κόσμο γύρω τους. Το σύστημα γνωρίζει μόνο τι τροφοδοτήθηκε. Δεν θα αναγνωρίσει τίποτα για το οποίο δεν είχε ενημερωθεί προηγουμένως.
Σε άλλα, «κλασικά» σενάρια μηχανικής μάθησης, είναι σημαντικό να γνωρίζουμε τα δεδομένα μας και να έχουμε μια ιδέα για το πώς θέλουμε αυτό το σύστημα να βρει μοτίβα. Για παράδειγμα, γνωρίζουμε ότι το έτος γέννησης δεν είναι χρήσιμο για τους πελάτες μας, εκτός εάν μετατρέψουμε αυτόν τον αριθμό στην ηλικία του πελάτη. Γνωρίζουμε επίσης την επίδραση της εποχικότητας. Δεν πρέπει να περιμένουμε από ένα σύστημα να μάθει μοτίβα αγορών μόδας ανεξάρτητα από τη σεζόν. Επιπλέον, μπορεί να θέλουμε να εισάγουμε μερικά άλλα πράγματα στο σύστημα για να μάθουμε πάνω από αυτό που ήδη γνωρίζει. Σε αντίθεση με τη βαθιά μάθηση, αυτός ο τύπος μηχανικής μάθησης, τον οποίο οι επιχειρήσεις χρησιμοποιούν εδώ και δεκαετίες, έχει προχωρήσει περισσότερο με σταθερό ρυθμό.
Οι πρόσφατες εξελίξεις στην τεχνητή νοημοσύνη έχουν προέλθει κυρίως σε τομείς όπου οι επιστήμονες δεδομένων είναι σε θέση να μιμούνται ανθρώπινες ικανότητες αναγνώρισης, όπως η αναγνώριση αντικειμένων σε εικόνες ή λέξεις σε ακουστικά σήματα. Η εκμάθηση αναγνώρισης μοτίβων σε σύνθετα σήματα, όπως ροές ήχου ή εικόνες, είναι εξαιρετικά ισχυρή - αρκετά ισχυρή ώστε πολλοί άνθρωποι αναρωτιούνται γιατί δεν χρησιμοποιούμε τεχνικές βαθιάς μάθησης παντού.
Η υπόσχεση AI: Τι τώρα;
Η οργανωτική ηγεσία μπορεί να ρωτά πότε πρέπει να χρησιμοποιεί τεχνητή νοημοσύνη. Λοιπόν, η έρευνα με βάση την τεχνητή νοημοσύνη έχει σημειώσει τεράστια πρόοδο όσον αφορά τα νευρικά δίκτυα που επιλύουν προβλήματα που σχετίζονται με τη μίμηση του τι κάνουν οι άνθρωποι καλά (η αναγνώριση αντικειμένων και η αναγνώριση ομιλίας είναι τα δύο πιο σημαντικά παραδείγματα) Κάθε φορά που κάποιος ρωτάει, "Τι είναι μια καλή αναπαράσταση αντικειμένου;" και δεν μπορεί να βρει μια απάντηση, τότε αξίζει να δοκιμάσετε ένα μοντέλο βαθιάς μάθησης. Ωστόσο, όταν οι επιστήμονες δεδομένων είναι σε θέση να κατασκευάσουν μια σημασιολογικά πλούσια αναπαράσταση αντικειμένων, τότε οι κλασικές μέθοδοι μηχανικής μάθησης είναι πιθανώς μια καλύτερη επιλογή (και ναι, αξίζει να επενδύσετε λίγο σοβαρή σκέψη για να προσπαθήσετε να βρείτε μια καλή αναπαράσταση αντικειμένων).
Στο τέλος, κάποιος απλώς θέλει να δοκιμάσει διαφορετικές τεχνικές στην ίδια πλατφόρμα και να μην περιορίζεται από την επιλογή μεθόδων κάποιου προμηθευτή λογισμικού ή την αδυναμία να ανταποκριθεί στην τρέχουσα πρόοδο στον τομέα. Αυτός είναι ο λόγος για τον οποίο οι πλατφόρμες ανοιχτού κώδικα είναι ηγέτες σε αυτήν την αγορά. Επιτρέπουν στους επαγγελματίες να συνδυάσουν τις σύγχρονες τεχνολογίες αιχμής με τις τελευταίες εξελίξεις.
Προχωρώντας προς τα εμπρός, καθώς οι ομάδες ευθυγραμμίζονται στους στόχους και τις μεθόδους τους για τη χρήση μηχανικής μάθησης για την επίτευξή τους, η βαθιά μάθηση θα γίνει μέρος της εργαλειοθήκης κάθε επιστήμονα δεδομένων. Για πολλές εργασίες, η προσθήκη μεθόδων βαθιάς μάθησης στο μείγμα θα προσφέρει μεγάλη αξία. Σκέψου το. Θα είμαστε σε θέση να συμπεριλάβουμε την αναγνώριση αντικειμένων σε ένα σύστημα, χρησιμοποιώντας ένα εκπαιδευμένο σύστημα τεχνητής νοημοσύνης. Θα μπορέσουμε να ενσωματώσουμε τα υπάρχοντα στοιχεία αναγνώρισης φωνής ή ομιλίας, επειδή κάποιος άλλος έχει περάσει από το πρόβλημα της συλλογής και σχολιασμού αρκετών δεδομένων. Αλλά στο τέλος, θα συνειδητοποιήσουμε ότι η βαθιά μάθηση, όπως και η κλασική μηχανική εκμάθηση πριν από αυτήν, είναι πραγματικά ένα άλλο εργαλείο που μπορεί να χρησιμοποιηθεί όταν έχει νόημα.
Η υπόσχεση AI: Τι επόμενο;
Ένα από τα οδοφράγματα που θα εμφανιστούν, όπως έκανε πριν από δύο δεκαετίες, είναι η εξαιρετική δυσκολία που αντιμετωπίζει κάποιος όταν προσπαθεί να καταλάβει τι έχουν μάθει τα συστήματα τεχνητής νοημοσύνης και πώς συναντούν τις προβλέψεις τους. Αυτό μπορεί να μην είναι κρίσιμο όσον αφορά την πρόβλεψη εάν ένας πελάτης μπορεί ή όχι να αρέσει ένα συγκεκριμένο προϊόν. Αλλά θα προκύψουν ζητήματα όταν πρόκειται να εξηγήσουμε γιατί ένα σύστημα που αλληλεπιδρά με ανθρώπους συμπεριφέρθηκε με απροσδόκητο τρόπο. Οι άνθρωποι είναι πρόθυμοι να δεχτούν την «ανθρώπινη αποτυχία» - δεν περιμένουμε οι άνθρωποι να είναι τέλειοι. Αλλά δεν θα δεχτούμε την αποτυχία από ένα σύστημα τεχνητής νοημοσύνης, ειδικά αν δεν μπορούμε να εξηγήσουμε γιατί απέτυχε (και να το διορθώσουμε).
Καθώς γινόμαστε πιο εξοικειωμένοι με τη βαθιά μάθηση, θα συνειδητοποιήσουμε - όπως και για τη μηχανική μάθηση πριν από δύο δεκαετίες - ότι παρά την πολυπλοκότητα του συστήματος και τον όγκο των δεδομένων στα οποία εκπαιδεύτηκε, η κατανόηση των προτύπων είναι αδύνατη χωρίς γνώση τομέα. Η αναγνώριση της ανθρώπινης ομιλίας λειτουργεί τόσο καλά όσο κάνει γιατί μπορούμε συχνά να γεμίσουμε μια τρύπα γνωρίζοντας το πλαίσιο της τρέχουσας συνομιλίας.
Τα σημερινά συστήματα τεχνητής νοημοσύνης δεν έχουν τόσο βαθιά κατανόηση. Αυτό που βλέπουμε τώρα είναι ρηχή νοημοσύνη, η ικανότητα να μιμείται απομονωμένες ικανότητες αναγνώρισης του ανθρώπου και μερικές φορές να ξεπερνά τους ανθρώπους σε αυτές τις απομονωμένες εργασίες. Η κατάρτιση ενός συστήματος σε δισεκατομμύρια παραδείγματα είναι απλώς θέμα να έχουμε τα δεδομένα και να αποκτήσουμε πρόσβαση σε αρκετούς υπολογιστικούς πόρους - όχι πλέον ένας διαλυτής.
Οι πιθανότητες είναι ότι η χρησιμότητα της τεχνητής νοημοσύνης θα πέσει τελικά κάπου μακριά από την προπαγάνδα «σώστε τον κόσμο». Ίσως το μόνο που θα έχουμε είναι ένα απίστευτο εργαλείο για τους επαγγελματίες που χρησιμοποιούν για να κάνουν τις δουλειές τους γρηγορότερα και καλύτερα.
Ο Michael Berthold είναι Διευθύνων Σύμβουλος και συνιδρυτής στην KNIME, μια εταιρεία ανάλυσης δεδομένων ανοιχτού κώδικα. Έχει πάνω από 25 χρόνια εμπειρίας στην επιστήμη των δεδομένων, εργαζόμενος στον ακαδημαϊκό χώρο, πιο πρόσφατα ως πλήρης καθηγητής στο Πανεπιστήμιο Konstanz (Γερμανία) και στο παρελθόν στο Πανεπιστήμιο της Καλιφόρνια (Berkeley) και Carnegie Mellon, καθώς και στη βιομηχανία στο Intel's Neural Network Group, Utopy και Tripos. Ο Μάικλ έχει δημοσιεύσει εκτενώς αναλυτικά δεδομένα, μηχανική μάθηση και τεχνητή νοημοσύνη. Ακολουθήστε τον MichaelΚελάδημα, LinkedIn και το Ιστολόγιο KNIME.
—
Το New Tech Forum παρέχει έναν χώρο για να εξερευνήσετε και να συζητήσετε την αναδυόμενη τεχνολογία σε πρωτοφανές βάθος και εύρος. Η επιλογή είναι υποκειμενική, με βάση την επιλογή των τεχνολογιών που πιστεύουμε ότι είναι σημαντικές και έχουν μεγάλο ενδιαφέρον για τους αναγνώστες. δεν αποδέχεται ασφάλεια μάρκετινγκ για δημοσίευση και διατηρεί το δικαίωμα να επεξεργαστεί όλο το περιεχόμενο. Στείλτε όλες τις ερωτήσεις στο[email protected].
