Проблема искусственного интеллекта: машины могут научиться, но не могут понимать

      Комментарии к записи Проблема искусственного интеллекта: машины могут научиться, но не могут понимать отключены

Сейчас все говорят об неестественном интеллекте (ИИ). Но, если вы посмотрите, ни Siri, Alexa либо легко автокоррекцию на клавиатуре в вашем смартфоне, вы осознаете, что мы не создаем совокупности ИИ, мы только создаем программы, талантливые делать строго определенные задачи.

Проблема искусственного интеллекта: машины могут научиться, но не могут понимать

Компьютеры не смогут «мыслить»

В то время, когда бы компания не заявила о том, что производит очередную ИИ-фишку, в большинстве случаев это указывает, что она применяет машинное обучение для построения нейронной сети. Машинное обучение – это метод, разрешающей машине «обучиться», как оптимальнее делать определенную задачу.

В данной статье мы ни за что не осуждаем машинное обучение! Это потрясающая разработка, которую возможно применить в огромном количестве сфер. Но это не ИИ в полном смысле. И познание ограничений машинного обучения окажет помощь вам осознать, по какой причине современные ИИ-разработки не так развиты, как нам бы того хотелось.

ИИ из научно-фантастических фильмов и книг – это подобие компьютеризированного либо роботизированного мозга, талантливого думать о вещах и понимать их так, как это делает человек. Таковой ИИ возможно назвать неестественным неспециализированным интеллектом (ИОИ). Это указывает, что он способен думать о последовательности разных вещей и использовать собственные умозаключения в ряде разнообразных обстановок. С ним связано понятие «сильного ИИ», оно подразумевает возможность существования у автомобили сознания, близкого людской.

Такими разработками мы пока не владеем. Мы кроме того близко не на данной стадии. Такие программы, как Siri, Alexa либо Cortana не могут осознавать реальность и думать как человек. В действительности они по большому счету не знают, что происходит около.

Совокупности ИИ, которыми мы владеем, отлично научены делать определенные задачи, но лишь при условии, что человек их этому научит. Они обучаются, но не знают, что они делают.

Компьютеры не знают

У Gmail показалась новая функция “Smart Reply”, предлагающая ответы на Email. Но она выявит фразу «послано с iPhone» в качестве обычного ответа. Она так же предлагает фразу «Я тебя обожаю» для ответа на множество самых разнообразных писем, включая рабочую корреспонденцию.

Это происходит по причине того, что компьютер не осознаёт значения этих фраз. Он просто научился тому, что многие люди отправляют сообщения с подобным текстом. Компьютер не знает, вправду ли вы желаете признаться в любви собственному боссу либо нет.

В качестве другого примера приведу сервис Гугл Фото, что составил коллаж из случайных фото отечественного домашнего ковра. А по окончании программа вывела данный коллаж на экран отечественного Гугл Home Hub. Сервис Гугл Фото выявил сходство фотографий, но не смог осознать, как они незначительны.

Обычно у автомобилей получается перехитрить совокупность

Машинное обучение содержится в постановке предоставления и задачи компьютеру возможности решить ее максимально действенно. Но по причине того, что машина не осознаёт, что она делает, все может закончится тем, что она «обучится» решать не ту проблему, которую вы желали.

Вот только маленький перечень забавных примеров, в то время, когда «неестественные интеллекты», созданные для прохождения игр, умудрились перехитрить совокупность:

  • «Дабы развить большую скорость, существа в игре выросли высокими и просто падают по направлению перемещения».
  • «Агент убивает себя в конце первого уровня, дабы не проиграть на уровне 2».
  • «Агент всегда ставит игру на паузу, дабы не проиграть»,
  • «При неестественном моделировании судьбы, где выживание потребовало энергии, но рождение детей энергии наряду с этим не отнимало, они из видов развил сидячий образ судьбы, состоящий преимущественно из спаривания с целью производства потомства, которое возможно было бы позже съесть (либо применять в качестве ассистентов для производства более съедобных отпрысков)».
  • «Потому, что при проигрыша ИИ вполне возможно «убивают», свойство «сокрушить» игру стала важным преимуществом в ходе генетического отбора. Так что многие ИИ обучились это делать».
  • «Нейронные сети, созданные для классификации съедобных и ядовитых грибов, применяли лишь эти, представленные в произвольном порядке, совсем проигнорировав наряду с этим входные изображения».

Кое-какие из этих ответов смогут показаться вам находчивыми, но ни одна нейронная сеть не осознавала наряду с этим, что она делает. У каждой совокупности была задача, совокупность обучалась ее решать. В случае, если цель – избежать проигрыша в компьютерной игре, поставить игру на паузу – самое простое и быстрое решение проблемы, которое возможно отыскать.

нейронные сети и Машинное обучение

При машинном обучении компьютер не запрограммирован на исполнение конкретной задачи. Вместо этого в него загружают эти и он оценивает необходимость их применения в каждом конкретном случае.

Один из самых несложных примеров машинного обучения – распознавание изображений. Давайте представим, что мы желаем научить компьютерную программу распознавать фото с изображением псов. Мы можем загрузить в программу миллионы изображений, с псами на них и без. Все фотографии помечены на предмет наличия собаки на картине. А программа, исходя из предоставленных данных, сама «тренируется» распознавать, что являются собака.

Процесс машинного обучения употребляется для тренировки нейронных сетей – компьютерных программ, содержащих пара слоев, через каковые проходят все новые эти, а любой слой приписывает данным вероятность и различный вес перед тем, как совсем решить. Моделирование нейронных сетей происходит на основании отечественных представлений о функционировании людской мозга, в то время, когда множество слоев нейронов вовлечено в процесс размышления над задачей. Понятие «глубокое обучение» в большинстве случаев относится к нейронным сетям с множеством слоев, приходящих во сотрудничество между входным и выходным сигналами.

Так как мы знаем, какие конкретно из загруженных в совокупность фото содержат изображения псов, а какие конкретно нет, мы можем прогнать их через нейронную сеть и проверить правильность ее ответов. В случае, если совокупность, к примеру, думает, что на каком-то фото не изображена собака, в то время, когда в действительности она изображена, возможно воспользоваться особыми механизмами, дабы указать нейронной сети на неточность, скорректировать параметры и попытаться опять. Понемногу компьютер обучится все лучше распознавать фото на предмет изображения псов.

Все это происходит машинально. При наличии грамотного большого массива и программного обеспечения структурированных данных, каковые компьютер может применять для тренировки, компьютер сможет настроить собственную нейронную сеть на распознавание псов на фото. Это мы и именуем «ИИ».

Но в конечном счете вы все равно не приобретаете разумную машину, осознающую, что такое собака. У вас имеется компьютер, что обучился определять наличие собаки на фотографии, что, само собой разумеется, впечатляет, но это все, на что он способен.

А в зависимости от входных данных, каковые были предоставлены, нейронная сеть может оказаться не таковой уж «интеллектуальной». К примеру, в случае, если в вашем комплекте данных отсутствовали изображения кошек, ваша нейронная сеть вряд ли будет видеть между ними отличие и будет маркировать фотографии с этими животными как которые содержат лишь изображения псов.

Для чего употребляется машинное обучение?

Машинное обучение отыскало себе различные применения, включая распознавание речи. Такие голосовые ассистенты, как, к примеру, Гугл, Alexa, и Siri, так замечательно знают, что мы им говорим, поэтому благодаря техникам машинного обучения, каковые «натаскали» их на познание людской речи. Для тренировки этих совокупностей были использованы огромные массивы данных с примерами людской речи, так что они обучились осознавать соответствие между словами и наборами звуков.

Беспилотные машины применяют техники машинного обучения чтобы обучиться распознавать объекты на дороге да и то, как верно на них реагировать. Сервис Гугл Фото практически напичкан разнообразными функциями наподобие Живых альбомов, каковые поэтому благодаря машинному обучению машинально выявят животных и людей на изображениях.

DeepMind, "дочка" Alphabet, применяла машинное обучение при создании AlphaGo, компьютерной программы, талантливой играться в сложную настольную игру го и побеждать лучших настоящих игроков в мире. Технологии машинного обучения кроме этого употреблялись для компьютеров, каковые хорошо справлялись и с другими играми, начиная с шахмат и заканчивая DOTA 2.

Машинное обучение кроме того употреблялось при создании разработки Face ID для последних предположений iPhone. Ваш iPhone моделирует нейронную сеть, которая обучается распознавать ваше лицо. Девайсы от Apple содержат особый чип, необычный «нейронный двигатель», что способен делать обработку огромных массивов численных данных для данной и других задач машинного обучения.

Машинное обучение возможно использовано в самых разнообразных целях от распознавания мошенничества с пластиковыми картами до составления персонализированных рекомендаций в вебмагазинах.

И все же нейронные сети, созданные благодаря разработке машинного обучения, в действительности ничего не знают. Они просто являются нужными программами, талантливыми делать своеобразные задачи, к каким они научены. И на этом все.

Создатель: Крис Хоффман

Чем опасен искусственный интеллект? | Охотники за будущим


Интересные записи: