Olemme kuulleet yhä enemmän tekoälystä. Sitä käytetään melkein missä tahansa: huipputeknologiasta ja monimutkaisista matemaattisista laskelmista lääketieteeseen, autoteollisuuteen ja jopa älypuhelimiin. Tekniikat, jotka ovat AI: n työn taustalla nykyaikaisessa mielessä, käytämme joka päivä, ja emme joskus ehkä edes ajattele sitä. Mutta mitä on tekoäly? Kuinka hän toimii? Ja onko se vaarallista?
Mikä on tekoäly
Ensin määritellään terminologia. Jos kuvittelet tekoälyn jotain, joka kykenee ajattelemaan itsenäisesti, tekemään päätöksiä ja yleensä osoittamaan tajunnan merkkejä, niin kiireemme teille pettymään. Lähes kaikki nykyiset järjestelmät eivät edes ole lähellä tätä AI-määritelmää. Ja järjestelmät, jotka osoittavat merkkejä tällaisesta toiminnasta, itse asiassa toimivat edelleen ennalta määrättyjen algoritmien puitteissa.
Joskus nämä algoritmit ovat hyvin, erittäin edistyneitä, mutta ne ovat edelleen "kehys", jonka sisällä AI toimii. Koneilla ei ole "vapauksia" ja vielä enemmän tietoisuuden merkkejä. Ne ovat vain erittäin tehokkaita ohjelmia. Mutta he ovat "parasta mitä tekevät". Lisäksi AI-järjestelmät paranevat edelleen. Ja ne eivät ole lainkaan triviaalia. Vaikka syrjäytetään se tosiasia, että moderni AI ei ole kaukana täydellisyydestä, sillä on paljon yhteistä kanssamme.
Miten tekoäly toimii?
Ensinnäkin, AI voi suorittaa tehtävänsä (joista vähän myöhemmin) ja hankkia uusia taitoja syvän koneoppimisen ansiosta. Kuulemme ja käytämme myös usein tätä termiä. Mutta mitä se tarkoittaa? Toisin kuin "klassisissa" menetelmissä, kun kaikki tarvittava tieto ladataan järjestelmään etukäteen, koneoppimisalgoritmit pakottavat järjestelmän kehittämään itsenäisesti, tutkien saatavilla olevaa tietoa. Mikä lisäksi auto voi joissain tapauksissa myös etsiä itsensä.
Mainosvideo:
Esimerkiksi luodakseen petosten havaitsemisohjelman koneoppimisalgoritmi toimii luettelolla pankkitapahtumista ja niiden lopputuloksesta (laillinen tai laiton). Koneoppimismalli tarkastelee esimerkkejä ja kehittää tilastollisen suhteen laillisten ja vilpillisten tapahtumien välillä. Sen jälkeen, kun toimitat algoritmille uuden pankkitapahtuman yksityiskohdat, se luokittelee sen mallien perusteella, jotka se vetosi etukäteen esimerkeistä.
Yleensä, mitä enemmän tietoja annat, sitä tarkemmaksi koneoppimisalgoritmi tulee suorittaessaan tehtäviään. Koneoppiminen on erityisen hyödyllistä ratkaista ongelmia, joissa sääntöjä ei ole ennalta määritetty eikä niitä voida tulkita binaarisesti. Palataan esimerkkiin pankkitoiminnoista: itse asiassa tulosteessa meillä on binäärinen numerointijärjestelmä: 0 - laillinen toiminta, 1 - laiton. Mutta tällaisen johtopäätöksen tekemiseksi järjestelmän on analysoitava koko joukko parametreja, ja jos syötät ne manuaalisesti, se vie enemmän kuin yhden vuoden. Ja kaikkien vaihtoehtojen ennustaminen ei kuitenkaan toimi. Ja syvään koneoppimiseen perustuva järjestelmä kykenee tunnistamaan jotain, vaikka se ei olisi koskaan aiemmin kohdannut tarkalleen tällaista tapausta.
Syvä oppiminen ja hermostoverkot
Vaikka klassiset koneoppimisalgoritmit ratkaisevat monia ongelmia, joissa on paljon tietoa tietokantojen muodossa, ne eivät selviä niin sanotusti "visuaalisista ja auditiivisista" tiedoista, kuten kuvista, videoista, äänitiedostoista ja niin edelleen.
Vaikka klassiset koneoppimisalgoritmit ratkaisevat monia ongelmia, joissa on paljon tietoa tietokantojen muodossa, ne eivät selviä niin sanotusti "visuaalisista ja auditiivisista" tiedoista, kuten kuvista, videoista, äänitiedostoista ja niin edelleen.
Esimerkiksi ennustavan rintasyövän mallin rakentaminen klassisia koneoppimismenetelmiä käyttäen vaatii kymmeniä lääketieteen asiantuntijoita, ohjelmoijia ja matemaatikoita, kertoo AI: n tutkija Jeremy Howard. Tutkijoiden olisi tehtävä monia pienempiä algoritmeja koneoppimiseen selviytyäkseen tiedonkulusta. Erillinen alajärjestelmä röntgenkuvien tutkimiseksi, erillinen MRI: n, toinen verikokeiden tulkitsemiseksi ja niin edelleen. Jokaiselle analyysityypille tarvitsemme omaa järjestelmää. Sitten ne kaikki yhdistetään yhdeksi suureksi järjestelmäksi … Tämä on erittäin vaikea ja resursseja vaativa prosessi.
Syvän oppimisen algoritmit ratkaisevat saman ongelman käyttämällä syviä hermoverkkoja, tietyn tyyppistä ihmisen aivojen inspiroimaa ohjelmistoarkkitehtuuria (vaikka hermoverkot eroavat biologisista neuroneista, ne toimivat suunnilleen samoin). Tietokonehermosverkot ovat "elektronisten hermosolujen" yhteyksiä, jotka kykenevät käsittelemään ja luokittelemaan tietoa. Ne on järjestetty ikään kuin "kerroksissa" ja kukin "kerros" on vastuussa jostakin omasta, muodostaen lopulta yleisen kuvan. Esimerkiksi kun harjoittelet hermoverkkoa eri esineiden kuvien suhteen, se löytää tapoja purkaa esineitä näistä kuvista. Jokainen hermoverkon kerros havaitsee tiettyjä piirteitä: esineiden muoto, värit, esineiden ulkonäkö ja niin edelleen.
Neuraaliverkkojen pintakerroksilla on yhteisiä piirteitä. Syvemmät kerrokset paljastavat jo todelliset esineet. Kuvassa on kaavio yksinkertaisesta hermostoverkosta. Tulohermosolut (saapuvat tiedot) näkyvät vihreänä, sinisenä - piilotetut hermosolut (data-analyysi), keltainen - lähtöneuroni (ratkaisu).
Ovatko hermoverkot keinotekoiset ihmisen aivot?
Huolimatta koneen ja ihmisen hermoverkkojen samanlaisesta rakenteesta, niillä ei ole keskushermostoomme piirteitä. Tietokonehermosverkot ovat käytännössä samoja apuohjelmia. Aivan niin tapahtuu, että aivomme on kaikkein järjestäytynein järjestelmä tietojenkäsittelyä varten. Olet todennäköisesti kuullut ilmauksen "aivomme on tietokone"? Tutkijat yksinkertaisesti "toistivat" joitain sen rakenteen näkökohtia digitaalisesti. Tämä antoi vain nopeuttaa laskelmia, mutta ei antaa koneille tietoisuutta.
Neuraaliverkot ovat olleet olemassa jo 1950-luvulta lähtien (ainakin käsitteiden muodossa). Mutta viime aikoihin asti he eivät saaneet paljon kehitystä, koska niiden luominen vaati valtavia määriä dataa ja laskentatehoa. Viime vuosina kaikki tämä on tullut saataville, joten hermoverkot ovat nousseet etusijalle saatuaan kehityksensä. On tärkeätä ymmärtää, että heidän täysimittaiseksi ilmekseen ei ollut riittävästi tekniikkaa. Kuinka ne eivät nyt riitä, jotta teknologia saatetaan uudelle tasolle.
Mihin syväoppimista ja hermoverkkoja käytetään?
On olemassa useita alueita, joilla nämä kaksi tekniikkaa ovat auttaneet saavuttamaan huomattavaa edistystä. Lisäksi käytämme joitain niistä päivittäin elämässämme emmekä edes ajattele mitä heidän takanaan on.
- Tietokonenäkö on ohjelmiston kyky ymmärtää kuvien ja videoiden sisältöä. Tämä on alue, jolla syväoppiminen on edistynyt paljon. Esimerkiksi syvän oppimisen kuvankäsittelyalgoritmit voivat havaita erityyppisiä syöpää, keuhkosairauksia, sydänsairauksia ja niin edelleen. Ja tehdä se nopeammin ja tehokkaammin kuin lääkärit. Mutta syvä oppiminen on juurtunut myös moniin päivittäin käyttämiin sovelluksiin. Apple Face ID ja Google Photos hyödyntävät syvällisesti kasvojentunnistusta ja kuvan parantamista. Facebook käyttää syvällistä oppimista merkitsemään ihmiset automaattisesti ladattuihin valokuviin ja niin edelleen. Tietokonenäkö auttaa yrityksiä myös tunnistamaan ja estämään automaattisesti kyseenalaista sisältöä, kuten väkivaltaa ja alastomuutta. Ja lopuksisyvällä oppimisella on erittäin tärkeä merkitys autossa autolla ajamisessa, jotta he voivat ymmärtää ympäristöään.
- Äänen ja puheen tunnistus. Kun puhut komennon Google Assistant -sovelluksellesi, syvän oppimisen algoritmit kääntävät äänesi tekstikomennoiksi. Useat online-sovellukset käyttävät syvää oppimista ääni- ja videotiedostojen transkriptioon. Jopa kun shazam kappaleita, hermoverkot ja syvät koneoppimisalgoritmit tulevat peliin.
- Internet-haku: Vaikka etsit jotain hakukoneesta, yritykset ovat alkaneet yhdistää hermoverkkoalgoritmeja hakukoneisiinsa, jotta pyyntösi voidaan käsitellä entistä selkeämmin ja hakutulokset ovat mahdollisimman oikeita. Siten Google-hakukoneen suorituskyky on lisääntynyt useita kertoja sen jälkeen, kun järjestelmä on siirtynyt syvälle koneoppimiseen ja hermoverkkoihin.
Syvän oppimisen ja hermoverkkojen rajat
Kaikista eduistaan huolimatta syvällä oppimisella ja hermostoverkoilla on myös joitain haittoja.
- Datariippuvuus: Yleensä syvät oppimisalgoritmit vaativat valtavia määriä harjoitustietoja tehtävien suorittamiseksi tarkasti. Valitettavasti monien ongelmien ratkaisemiseksi ei ole tarpeeksi laadukasta koulutustietoa toimivien mallien luomiseksi.
- Arvaamaton: Neuraaliverkot kehittyvät omituisella tavalla. Joskus kaikki sujuu suunnitellusti. Ja joskus (vaikka hermoverkko tekee hyvää työtä), jopa tekijät kamppailevat ymmärtääksesi algoritmien toimintaa. Ennakoitavuuden puute vaikeuttaa hermoverkkojen algoritmien virheiden poistamista ja korjaamista.
- Algoritmiset ennakot: Syvän oppimisen algoritmit ovat yhtä hyviä kuin ne tiedot, joihin niitä koulutetaan. Ongelmana on, että harjoitustiedot sisältävät usein piilotettuja tai ilmeisiä virheitä tai puutteita, ja algoritmit perivät ne. Esimerkiksi kasvojentunnistusalgoritmi, joka on koulutettu pääasiassa valkoisten ihmisten valokuviin, toimii vähemmän tarkasti ihmisillä, joilla on erilainen ihonväri.
- Yleistämisen puute: Syvän oppimisen algoritmit ovat hyviä kohdistettujen tehtävien suorittamisessa, mutta yleistävät heikosti tietämystään. Toisin kuin ihmiset, syvä oppimismalli, joka on koulutettu pelaamaan StarCraftia, ei voisi pelata toista vastaavaa peliä: sanoen WarCraft. Lisäksi syväoppiminen tekee huonoa työtä tietojen käsittelyssä, mikä poikkeaa sen koulutusesimerkkeistä.
Syvän oppimisen, hermoverkkojen ja AI: n tulevaisuus
On selvää, että syvän oppimisen ja hermoverkkojen parissa työskentely ei ole kaukana. Syvän oppimisen algoritmien parantamiseksi tehdään useita pyrkimyksiä. Syväoppiminen on keinotekoisen älykkyyden huipputekniikka. Se on tullut yhä suositummaksi viime vuosina datan runsauden ja käsittelytehon lisääntymisen vuoksi. Tämä on ydinteknologia monien päivittäin käyttämiesi sovellusten takana.
Mutta syntyykö tietoisuus koskaan tämän tekniikan perusteella? Oikea keinotekoinen elämä? Jotkut tutkijat uskovat, että tällä hetkellä, kun keinotekoisten hermoverkkojen komponenttien välisten yhteyksien lukumäärä lähestyy samaa indikaattoria, joka on ihmisen aivoissa neuroniemme välillä, jotain tällaista voi tapahtua. Tämä väite on kuitenkin erittäin kyseenalainen. Jotta todellinen AI voisi syntyä, meidän on mietittävä uutta tapaa, jolla rakennamme AI-järjestelmiä. Kaikki mitä nyt on, on vain sovellettuja ohjelmia tiuhaan rajalliseen määrään tehtäviä. Niin paljon kuin haluaisimme uskoa, että tulevaisuus on jo saapunut …
Mitä mieltä sinä olet? Luovatko ihmiset AI: n?