AI-ght, что это все тогда?

Что такое ИИ?

Давайте перейдем к делу: что такое ИИ? Что ж, подумайте об этом так: как искусственные ароматизаторы созданы для имитации натуральных ингредиентов, так и искусственный интеллект создан для имитации человеческого интеллекта. Короче говоря, задача ИИ — выяснить, как сделать машины настолько умными, чтобы они могли решать проблемы без нашей обширной помощи.

В настоящее время в различных средствах массовой информации, от Голливуда до научной фантастики, бытует неверное представление о том, что такое ИИ — его часто считают страшной, футуристической угрозой. Но реальность такова, что ИИ уже здесь и существует повсюду вокруг нас — он просто не говорит красноречиво и не пытается нас уничтожить… пока ;). Он поддерживает поисковые системы, рекомендует вам следующую запойку Netflix и революционизирует науку и здравоохранение: радиологи могут использовать его для обнаружения опухолей до точной формы и объема, а астрономы используют ИИ для поиска экзопланет в далеких солнечных системах. Его даже использовали для бесплатной апелляции штрафов за парковку, и всего за пару месяцев удалось отменить штрафы на сумму более 3 миллионов долларов! Я только начал учиться водить машину, ЗАПИСАТЬСЯ НА МЕНЯ. (Для тех, кому интересно, он называется DoNotPay и теперь превратился в «робота-адвоката»!)

Возможности того, чего может достичь ИИ, безграничны: от предотвращения мошенничества до решения проблемы изменения климата и улучшения нашего опыта работы с цифровыми медиа. На самом деле, уже существует созданная искусственным интеллектом музыка, которую некоторые находят неотличимой от песен, созданных людьми!

Таким образом, текущий ИИ может выполнять определенные действия, такие как назначение встреч, управление рекомендациями по онлайн-покупкам, вождение автомобиля — все, что ему говорят. Он прекрасно справляется с анализом огромных объемов данных для выполнения этих конкретных задач, но ИИ не так хорош в переносе этих навыков на другие задачи, обучении с первой попытки или понимании абстрактных понятий, которые являются частью человеческого интеллекта. . Более того, он не обладает самосознанием и на самом деле не может думать как человек. Эти ИИ также не являются строго творческими, хотя песня Amazon Alexa «Идет дождь в облаке (когда мой Wi-Fi оставил меня)» является музыкальным шедевром.

Более умные машины?

Итак, что, если бы машина могла выполнять все эти задачи, проявлять творческий подход и многое другое? Здесь мы попадаем на территорию научной фантастики — этот более продвинутый интеллект называется искусственный общий интеллект (AGI), когда машина может понять, изучить и выполнить любую задачу, которую один человек может. За ним следует еще более широкий тип интеллекта: искусственный сверхразум (ИСС),который представляет собой машины, которые умнее, чем все коллективные разумы на Земле. Это довольно жутковато (что уместно, потому что Сезон Жуткости только что завершился)! Но не бойтесь — ни AGI, ни ASI в настоящее время не существуют, и большинство людей думают, что до этого еще далеко.

Как именно мы создаем ИИ? Основные инструменты и методы, о которых вы, вероятно, уже слышали, — это машинное обучение, глубокое обучение, обучение с подкреплением и обработка естественного языка. Это много громких, немного пугающих слов, которые в настоящее время не имеют особого смысла, так что давайте сразу же погрузимся в их демистификацию!

Машина видит, машина делает?

Вы когда-нибудь задавались вопросом, почему новости всегда похожи на данные то, данные на то? Или задавались вопросом, почему все так обеспокоены конфиденциальностью данных? Конечно, вы не хотите, чтобы ваш номер социального страхования был раскрыт, но, может быть, вы думали, что лично вы не возражаете, если люди увидят вашу основную информацию, потому что это экономит ваше время на загрузку приложения для знакомств? Нет??... Ладно, идем дальше!

Причина, по которой данные так важны, заключается в том, что чем больше данных мы собираем, тем умнее мы можем создавать машины, которые это именно то, чем занимается машинное обучение (ML). Машины учатся на огромных наборах данных и используют свои знания, чтобы реагировать на ситуации, с которыми они никогда раньше не сталкивались! Таким образом, это довольно интуитивный шаг: чем больше данных, тем лучше обучение алгоритма/машины, что дает более точные результаты.

Чем это отличается от старого подхода? Что ж, традиционный метод заключался в том, чтобы показать вашему алгоритму фиксированный набор данных и для каждого набора точно сказать, как реагировать. Но благодаря машинному обучению у машины есть возможность учиться и создавать новые модели поведения, которые не запрограммированы явно… что, если подумать, очень похоже на человеческий интеллект! Нас обучают определенным навыкам, а затем мы можем адаптировать эти знания в незнакомых ситуациях. Таким образом, машинное обучение является важным методом для искусственного интеллекта.

Хорошо, сейчас это просто много разговоров — давайте рассмотрим некоторые детали и примеры!

Контролируемое и неконтролируемое обучение

Давайте представим, что наша машина недавно прослушала «Piano Man» Билли Джоэла и теперь отчаянно хочет, чтобы мы научили ее играть на пианино. Мы, наверное, не можем просто оставить его одного в комнате с кучей нот — он не будет знать, что с ними делать! Вместо этого мы начнем с обучения правильному положению пальцев для каждой ноты — это называется обучение с учителем! В общем, обучение с учителем обучает машину набору данных с помеченными точками и сообщает ей правильный ответ/решение. После этого обучения мы даем машинам новые, незнакомые данные для реагирования, и мы скрещиваем пальцы и надеемся, что они достаточно обучены, чтобы самостоятельно принимать правильные решения (вроде того, что сделают мои родители, когда отправят меня в колледж). Итак, для нашей машины, играющей на фортепиано, мы могли бы дать ей другую ноту или другой темп, может быть, даже другой инструмент (хотя сердце машины настроено на фортепиано) и посмотреть, что она делает!

Обучение с учителем следует использовать, когда у вас есть известные помеченные данные для результата, который вы пытаетесь предсказать. Скажем, я хотел выяснить, являются ли мои электронные письма подлинными или спамом. (Я хочу продолжать помогать вам, принц Нигерии, но у меня заканчиваются деньги, а прибыли я пока не вижу!) Для этого я бы использовал особый тип контролируемого обучения: классификация. Методы классификации используются для сортировки данных по категориям, например распознавание речи/письма или медицинские изображения. Так что, если вам нужен быстрый способ организовать огромные объемы данных в дискретные группы, классификация — ваше спасение! (…Я знаю, но ты попробуй придумать хорошее слово, которое рифмуется с классификацией.) Вы спросите, реальное применение контролируемого обучения? Клиницисты могут использовать данные пациентов (такие как возраст, вес, кровяное давление, история болезни и т. д.), чтобы предсказать, будет ли у них сердечный приступ в течение года — действительно важные вещи. Можете ли вы представить себе реальных людей, сортирующих все эти данные, чтобы попытаться сделать точный прогноз для тысяч пациентов? В этом и заключается сила машинного обучения.

А что, если я хочу предсказать, сколько времени потребуется моему лучшему другу, чтобы ответить на сообщения (определенно менее важно, чем предсказание сердечных приступов, но в настоящее время это слишком долго)? На самом деле это не может быть помещено в категорию :(…но не бойтесь, регрессия здесь! В то время как классификация предназначена для прогнозирования дискретных ситуаций, методы регрессии предсказывают непрерывные реакции, такие как цены на акции или изменения температуры. (Матери-Земле это не понравится.) Если ваши данные непрерывны, а ответы, которые вы пытаетесь предсказать, являются реальными числами, это регрессия или СОГЛАСИЕ. ❤

Хорошо, мы поговорили об обучении с учителем, но, если быть до конца честным… мне слишком лень маркировать свои данные или учить машину, что с ними делать. Это делает меня плохим человеком? Конечно нет, это делает меня блестящим (и великолепным) инженером машинного обучения! Так же, как у нас есть обучение с учителем, у нас также есть обучение без учителя. В этом типе машинного обучения тренировочные данные, предоставляемые машине/алгоритму, не помечены и не отсортированы, и мы позволяем ей выяснить, как она хочет пометить данные, и сделать свои собственные выводы. Этот процесс, очевидно, может быть намного сложнее, чем обучение под наблюдением — это все равно, что я даю ребенку стопку случайных книг и наблюдаю, что происходит (но если Матильда может научиться читать сама, то и вы сможете, детка). Однако неконтролируемое обучение может выявить скрытые закономерности и структуры в данных, которые люди могли не заметить. Наиболее популярным типом обучения без учителя является кластеризация, когда алгоритм группирует данные обучения по схожим категориям. Методы кластеризации в настоящее время используются для таких вещей, как анализ последовательности генов и распознавание объектов!

Так много техник! Какой из них использовать?

Если вы переживаете трудные времена, пытаясь выбрать, какой алгоритм машинного обучения использовать, не волнуйтесь! (Питбуль уже был там, сделал это.) Даже у очень умных и опытных специалистов по данным тоже могут возникнуть проблемы с этим — иногда вам просто нужно использовать старый добрый метод проб и ошибок, чтобы найти лучший алгоритм для ваших целей! Однако это не означает, что нужно выбирать случайным образом — в этом безумии есть доля метода. Хороший первый шаг — подумать, с какими данными вы работаете!

Если вы хотите обучить свою машину делать конкретные прогнозы на основе ваших (помеченных) данных, воспользуйтесь контролируемым обучением! Некоторые примеры включают прогнозирование цен на жилье на основе его данных (например, квадратных метров, количества комнат и т. д.), предсказание погодных условий или определение того, является ли изображение кошкой или собакой (очень важно).

Если вы хотите, чтобы ваша машина исследовала неразмеченные данные и делала выводы/находила закономерности, обучение без присмотра — это то, что вам нужно! Вы можете использовать эту технику в рекомендательных системах (группируя пользователей со схожими интересами) или для обнаружения мошенничества!

Чтобы представить более полную картину того, как машинное обучение меняет мир, его используют в обработке изображений (например, автоматическая пометка Facebook), беспилотных автомобилях и здравоохранении (прогнозирование ухудшения состояния пациентов, выявление заболеваний глаз и т. д.). Он также используется для анализа текста, от фильтрации спама до извлечения соответствующей информации и анализа настроений (например, определения мнения как положительного, отрицательного или нейтрального), который используется для борьбы с киберзапугиванием! Я мог бы продолжать и продолжать, и продолжать, и продолжать… но не волнуйтесь, я избавлю вас от своих разглагольствований.

Но хотя машинное обучение было фантастическим инструментом, оно еще недостаточно мощное, чтобы имитировать человеческий интеллект для более сложных данных. НЕЕЕЕТ, ЧТО МЫ ДЕЛАЕМ?!?!!!?! Ладно, отдохни дружище. Не забывайте, что над этими задачами работают одни из самых умных людей в мире! Поскольку машинного обучения недостаточно, трудные времена требовали радикальных действий: мы собираемся углубиться в… глубокое обучение!

Глубокое обучение Se-AI

В середине 20-го века многие люди размышляли над тем, как лучше всего имитировать интеллект для ИИ. Я не знаю, было ли это невероятно гениально или невероятно тщеславно, что они решили, что ответ заключается в том, чтобы подражать нашему собственному мозгу. Если быть точным, люди начали пытаться создать математическую модель человеческого мозга!

Допустим, мы хотим научить ребенка узнавать кошку. Теперь эта малышка ничего не знает, поэтому она случайным образом указывает на всевозможные объекты, говоря: «КОШКА». К счастью, мы можем сказать ей: «Нет, это не кошка» или «Да, это кошка!» если она поймет это правильно. Медленно, но верно ребенок будет понимать, как идентифицировать кошку по ее признакам, даже если она относится к разным типам и породам. Неосознанно этот младенец сужает абстрактное понятие (кошка), строя иерархию, в которой каждый уровень абстракции опирается на знания предыдущего уровня. Странно, да?

По сути, глубокое обучение использует эту простую концепцию ввода абстракции в несколько слоев нейронов, которые постепенно извлекают все больше и больше конкретных функций из необработанных данных в зависимости от того, какие нейроны «срабатывают» для получения выходных данных. Эти слои искусственных нейронов и есть то, что мы называем нейронной сетью — существенно упрощенной версией нашего мозга.

«Глубокая» часть глубокого обучения относится к глубине слоев в нейронной сети. И по мере увеличения количества слоев увеличивается и способность нейронной сети изучать все больше и больше абстрактных понятий, потому что это как бы добавляет определенную степень специфичности.

Давайте подумаем над примером, чтобы понять смысл: вы когда-нибудь удивлялись способности вашего приложения «Фотографии» распознавать ваше лицо в эмо-фазе 10 лет назад? Это глубокое обучение на работе! Чтобы научиться распознавать человеческие лица, первый слой нейронной сети берет пиксели из некоторых примеров изображений, передает эту информацию, а затем следующие слои изучают концепцию того, как пиксели формируют границу. Затем они передают это знание краев на следующие слои, которые затем изучают концепцию лица, и так далее, этот процесс расслоения знаний продолжается до тех пор, пока алгоритмы нейронной сети не распознают определенные черты и, следовательно, конкретные лица!

Хотя мы не будем углубляться в математику этих волшебных инструментов (поскольку это выходит за рамки этой статьи), давайте быстро поговорим о наиболее распространенных типах нейронных сетей! Многослойные персептроны (MLP), также известные как нейронные сети с прямой связью, состоят из входного слоя, скрытых слоев и выходного слоя. Эти модели обучаются на огромных объемах данных и являются ключевыми для таких вещей, как программное обеспечение для перевода, компьютерное зрение (именно так машины могут анализировать визуальные цифровые входные данные), обработка естественного языка (о чем мы поговорим чуть позже) и многое другое!

Глубокое обучение также часто использует сверточные нейронные сети (CNN), которые очень похожи на сети с прямой связью. Разница в том, что каждый нейрон в слое CNN получает входные данные из определенной области предыдущего слоя и ничего больше — эта область называется рецептивным полем. CNN используют линейную алгебру (особенно умножение матриц) и обычно используются для визуальных данных, таких как распознавание изображений/образов и компьютерное зрение.

В этих двух типах сетей сигналы проходят через уровни только один раз. Но что, если это произошло более одного раза? Рекуррентные нейронные сети (RNN) имеют циклы обратной связи и обычно применяются к вещам с данными временных рядов, например к прогнозированию продаж или анализу фондового рынка.

Чтобы глубокое обучение было эффективным, оно должно быть точным. Но для того, чтобы он был точным, ему нужны огромные объемы данных и вычислительная мощность для обучения с этими данными, которые не всегда легко доступны. Однако, поскольку глубокое обучение может создавать выходные данные и различать шаблоны непосредственно из немаркированных и неструктурированных данных (а это большая часть наших данных), это чрезвычайно мощный инструмент.

Хорошо, я думаю, что мы достаточно глубоко погрузились в океан глубокого обучения, давайте переключимся на что-то другое, прежде чем нас раздавит давление!

Кошелек или жизнь

ДОГГОС. Они умны и очаровательны, но могут быть озорными и разрушительными. Как лучше всего их тренировать? Т-Р-Е-А-Т-С. (Я расписываю это, потому что в противном случае я бы вызвал всех собак в радиусе 1 мили.) Несмотря на простоту, основная стратегия состоит в том, чтобы определить интерактивную систему вознаграждения, которая помогает вашей собаке учиться методом проб и ошибок с постоянной обратной связью.

Это именно то, чем является обучение с подкреплением (RL), но для машин! Обучение с подкреплением связано как с машинным обучением, так и с глубоким обучением, но оно использует вознаграждения и наказания в качестве обратной связи для обучения машины (вместо того, чтобы просто сообщать ей, какой будет правильный ответ). Этот метод лучше всего работает в робототехнике или при обучении агентов (машин) играть в видеоигры с целью максимизации общего вознаграждения агента.

Мы не будем вдаваться в подробности обучения с подкреплением, но одним из самых известных достижений RL является то, что AlphaGo от Google DeepMind стала первой компьютерной программой, победившей чемпиона мира Ли Седоля в невероятно сложной игре Go, где число возможных позиций на доске больше, чем число атомов во Вселенной.

Обучение с подкреплением продолжает использоваться, чтобы научить ИИ играть в компьютерные игры, в промышленной автоматизации (например, мини-робот-гепард MIT) и оптимизации на складах и в здравоохранении!

Действительно ли ABC так просто?

Хорошо, кажется, мы уже делаем некоторые действительно крутые вещи с ИИ с помощью машинного обучения и глубокого обучения… почему у нас еще нет чего-то столь же продвинутого, как J.A.R.V.I.S.? Ну, мы этого не осознаем, но есть МНОГОе, что нужно для простого, органичного разговора с кем-то еще, и очень сложно научить машину, как это воспроизвести. Раздел ИИ, который помогает компьютерам понимать человеческий язык, текст и общение, называется обработкой естественного языка (NLP). (Такое понимание называется пониманием естественного языка (NLU) — эти люди с искусственным интеллектом действительно любят свои аббревиатуры, да!)

Что вас веселит? Не знаю, как у вас, а у меня чувство юмора полностью сломано — самые случайные вещи вызывают у меня смех. Юмор вовсе не прямолинеен и во многом зависит от контекста, отсылок, окружения и множества других вещей (например, шуток внутри) и показывает, почему NLU так сложно достичь. Итак, хотя я отчаянно хочу увидеть стендап-комика с искусственным интеллектом на SNL, скорее всего, это произойдет не скоро. :(

Обучение пониманию текстовых сообщений не менее, если не более сложно. Моя мама не успевает (хотя она утверждает, что она очень крутая мама), так как же машина вообще может надеяться разобрать все капризы интернет-культуры?! Возьмем, к примеру, удар по клавиатуре. Кажется простым, правда? НЕПРАВИЛЬНЫЙ.

Разбивки клавиатуры можно использовать для объяснения шока/возбуждения и других эмоций, которые сильно зависят от контекста, но не только это, они должны выглядеть правильно. Например, AGDFJKAHG выглядит нормально, а YOUIUUIUUYO выглядит не очень и не дает того, что нужно было дать.

Если это различие не имеет для вас смысла, у меня для вас неприятные новости… вы стары. Но это нормально! Это просто показывает, как трудно сделать такие вещи понятными для машины. (Подумайте обо всех странных разговорах, которые у вас были с Siri или Alexa.)

Итак, если машинам когда-нибудь удастся сделать этот маленький шаг для человека, но гигантский скачок для машинного типа в человеческом общении, они будут экспоненциально более умными и способными к традиционно человеческим навыкам, таким как критическое мышление, установление связей и, возможно, даже написание осмысленных эссе/рассказов!Это достижение вытянет искусственный общий интеллект (о котором мы говорили ранее) в область возможного, и конец света наступит… Я имею в виду, что мы' будут новые друзья!

Искусственный интеллект, а что насчёт будущего?

Если мы чему-то и научились из этой длинной, длинной статьи, так это тому, что ИИ — это не роботы, пытающиеся захватить мир, а люди, пытающиеся понять и воспроизвести наш собственный интеллект, чтобы облегчить жизнь и выполнить то, на что у нас ушли бы годы. сделать за считанные минуты.

ИИ даже применяется для анализа искусства так же легко, как человек, для создания произведений искусства (например, поэзии и картин) и даже для доказательства математических теорем! Это ускорило исследования во всех областях, таких как AlphaFold 2 от DeepMind, который всего за несколько часов может предсказать трехмерную структуру белка, что долгое время было огромной проблемой в биологии.

Хотя ИИ способен значительно изменить мир к лучшему, мы должны серьезно учитывать его потенциальные последствия для всех людей, а не только для часто привилегированных людей, которые его создают.

Быть или не быть этичным

По мере того, как мир начинает принимать ИИ и внедрять его в широких масштабах, предвзятость в системах ИИ может несоразмерно повлиять на определенные группы. Например, существовала система подачи заявлений, которая дискриминировала женщин и лиц с неевропейскими именами, и алгоритм уголовного правосудия, который ошибочно помечал чернокожих подсудимых как «подвергающихся высокому риску» в два раза чаще, чем белых обвиняемых. Вопросы о том, как общество хочет использовать ИИ, необходимо решать, продолжая выявлять и устранять человеческие предубеждения в отношении ИИ. Чем больше нас, особенно женщин и BIPOC, участвует в формировании развития ИИ, тем больше у нас шансов построить лучшее и более справедливое будущее с ИИ.

Наконец, надеюсь, вы узнали что-то еще, так это то, что ИИ ест данные на завтрак. Ему нужны тонны и тонны данных, чтобы стать умнее, чтобы он мог более точно находить закономерности во всевозможных различных ситуациях — от обработки ваших ежедневных миксов на Spotify до поиска рекомендаций для вас на Netflix.

Это означает, что будущее ИИ зависит от конфиденциальности данных. Если у него нет данных для обучения, ИИ не сможет стать умнее. Таким образом, все пользователи и люди должны знать, что их личные данные будут в безопасности и защищены, если компании когда-либо захотят использовать их для ИИ. Таким образом, корпорации должны будут взять на себя обязательства и нести ответственность за создание безопасных и защищенных продуктов.

Чтобы продолжить решение этих будущих проблем, связанных с ИИ, в 2020 году было запущено Глобальное партнерство по искусственному интеллекту, чтобы обеспечить разработку ИИ с учетом демократических ценностей и прав человека и укрепить доверие к нему со стороны общественности.

Но интересно отметить, что ИИ основан на предположении, что человеческий интеллект можно понять и точно измерить в той степени, в какой его можно воспроизвести в машине, что вызывает некоторые разногласия по поводу того, можем ли мы создать ИИ, неотличимый от человека. Это вызывает вопрос: «Что делает нас людьми?» Будет ли у ИИ способность чувствовать и, следовательно, страдать?… Чувак, у меня нет времени на еще один экзистенциальный кризис.

И это все! Теперь вы готовы стать миллионером в мире технологий… но не цитируйте меня по этому поводу.

У меня есть к тебе последний вопрос: ты будешь моим ИИ-другом? Потому что я могу быть твоим dataBAE ;) ‹3

До скорого! Если вы нашли это интересным, обязательно ознакомьтесь со следующей колонкой! Если у вас есть какие-либо вопросы или комментарии, пожалуйста, напишите мне по адресу [email protected].

Дополнительно! Дополнительный! Прочтите все об этом!

Если вы обнаружите, что в конечном итоге хотите создать свой собственный маленький J.A.R.V.I.S., вот несколько ссылок для дальнейшего изучения и просмотра того, что делают другие люди! Сойти с ума.

Открытый ИИ (лаборатория исследований ИИ)

DeepMind Lab (платформа с открытым исходным кодом для исследования ИИ):

Project Malmo (Экспериментальная платформа, построенная на основе Minecraft для поддержки исследований ИИ)

Лучшие платформы искусственного интеллекта для бизнеса (2020)

Подробнее о Обработка естественного языка

Задачи обучения с подкреплением: https://gym.openai.com/envs/#classic_control

Udacity: введение в глубокое обучение с PyTorch

Будьте в курсе последних новостей об искусственном интеллекте с помощью этой рассылки!

Чтобы первыми узнавать обо всех моих новых статьях, недавних событиях и последних проектах, обязательно подпишитесь на мою рассылку:Письмо? Я едва ее знаю!

Эта колонка Gems in STEM — это место, где можно узнать о различных темах STEM, которые я нахожу интересными и которые, я надеюсь, заинтересуют и вас! Он всегда будет написан так, чтобы быть достаточно доступным, поэтому вам не нужно беспокоиться о том, что у вас нет базовых знаний. Тем не менее, иногда он становится более продвинутым к концу. Спасибо за прочтение!