Осмысление искусственного интеллекта
Искусственный интеллект есть повсюду, но мало кто знает, что это такое, и еще меньше людей понимают, как он работает.
Идея искусственного интеллекта (ИИ) восходит к 1950-м годам, когда Алан Тьюринг опубликовал книгу «Вычислительные машины и интеллект», в которой он описывает «игру в имитацию». Игра в имитацию - это гипотетический сценарий, когда интервьюер задает письменные вопросы двум участникам. Один участник - человек, а другой - машина. Если интервьюер не может различить, что является машиной, а что человеком, то машина считается в некоторой степени умной.
Но 1950-е годы далеки от 2020 года, так что же ИИ означает сегодня? Ответ будет значительно отличаться, если вы спросите кого-нибудь из технологической индустрии или академика. В то время как академические круги пытались сузить и уточнить определение интеллекта и машинного интеллекта, стартапы не без оснований будут рассматривать практически все, что угодно, ИИ. Только в первом квартале 2020 года стартапы в области ИИ получили 8,4 миллиарда долларов финансирования, что создает сильный стимул заявить о возможностях ИИ среди стартапов.
Итак, что отрасль рассматривает ИИ? ИИ - это все, что кажется умным, но помимо этого многие компании обращаются к машинному обучению для расширения своих функций ИИ. Хотя машинное обучение является лишь частью ИИ, многие думают об ИИ. Машинное обучение - это то, что помогает избежать перегруженного трафика на Google Maps. Это то, что дает вам привлекательные совпадения в Tinder просто достаточно часто, чтобы вы продолжали листать. Это то, что используют автомобили Tesla, чтобы машина двигалась сама по себе.
По сути, машинное обучение может использовать один из двух подходов: либо вы его обучаете, либо само обучение. Самообучение, или «обучение с подкреплением», хорошо работает, когда многое меняется, и у человека нет возможности перепроверить результаты и подтвердить их. Это работает, когда у вас есть регулярно меняющаяся среда, для которой вы можете четко определить «подтверждение успеха». Другими словами, обучение с подкреплением не требует от вас вдаваться в подробности, а требует, чтобы вы указали, что означает «успех». На практике это означает создание некоторых критериев для непрерывной оценки попыток. Например, ИИ, созданный для шахмат, может определять успех как меру количества сыгранных раундов и количества шахматных фигур, которые игрок ИИ все еще держит в своем владении. Между тем, обучение ИИ, контролируемое обучение, полагается на предоставление массивных наборов данных существующих идентифицированных знаний, чтобы научить ИИ распознавать закономерности. Это основа для распознавания изображений - машина не сможет найти изображения «кошек», если ей не будут даны некоторые начальные знания о том, что такое кошка , поэтому мы помечаем данные для ИИ, а затем подтвердите, что то, что ИИ распознает, на самом деле является кошкой.
Но большинству из нас никогда не удастся создать собственный ИИ, так что же ИИ означает для всех нас? Для некоторых, например для складских рабочих, это может означать потерю работы, но для многих это означает больше времени для более значимой работы. Компьютеры очень хороши в повторении и точности. Часто повторяющиеся и высокоточные задачи - это то, в чем люди ужасны, поэтому большая часть ИИ создает инструменты, которые мы, люди, можем использовать, чтобы упростить остальную нашу работу и освободить время для работы более высокого уровня.
ИИ не должен быть проблемой для большинства людей, но он должен вызывать интерес. И это следует понимать, потому что трудно использовать инструмент и понять его значение, если вы не имеете ни малейшего представления о том, как он работает или что делает.
