Paņemiet žurnālu, ritiniet tehnikas emuārus vai vienkārši tērzējiet ar saviem vienaudžiem nozares konferencē. Jūs ātri pamanīsit, ka gandrīz visam, kas nāk no tehnoloģiju pasaules, šķiet, ka tajā ir kāds mākslīgā intelekta vai mašīnmācīšanās elements. Tas, kā tiek apspriests mākslīgais intelekts, sāk izklausīties gandrīz kā propaganda. Šeit ir viena patiesā tehnoloģija, kas var atrisināt visas jūsu vajadzības! AI ir šeit, lai glābtu mūs visus!
Lai gan ir taisnība, ka ar AI balstītām metodēm mēs varam paveikt pārsteidzošas lietas, parasti mēs neuzņemam jēdziena “inteliģence” pilnu nozīmi. Izlūkošana nozīmē sistēmu, ar kuru cilvēki var iesaistīties radošā sarunā - sistēmu, kurai ir idejas un kas var attīstīt jaunas. Jautājums ir par terminoloģiju. “Mākslīgais intelekts” mūsdienās parasti raksturo dažu cilvēka spēju aspektu, piemēram, objektu vai runas atpazīšanas, īstenošanu, bet noteikti ne visu cilvēka inteliģences potenciālu.
Tādējādi "mākslīgais intelekts", iespējams, nav labākais veids, kā aprakstīt "jauno" mašīnmācīšanās tehnoloģiju, kuru mēs šodien izmantojam, taču šis vilciens ir atstājis staciju. Jebkurā gadījumā, lai gan mašīnmācīšanās vēl nav sinonīms mašīnu inteliģencei, tā noteikti ir kļuvusi jaudīgāka, spējīgāka un vieglāk izmantojama. AI - kas nozīmē neironu tīklus vai dziļu mācīšanos, kā arī “klasisku” mašīnmācīšanos - beidzot ir ceļā, lai kļūtu par standarta analītisko rīku komplekta daļu.
Tagad, kad mēs jau esam nonākuši AI revolūcijā (vai drīzāk evolūcijā), ir svarīgi apskatīt, kā mākslīgā intelekta jēdziens ir izvēlēts, kāpēc un ko tas nozīmēs nākotnē. Nirstam dziļāk, lai izpētītu, kāpēc mākslīgais intelekts, pat nedaudz nepareizi interpretēts tā variants, ir piesaistījis pašreizējo uzmanību.
AI solījums: Kāpēc tagad?
Pašreizējā satraukuma ciklā mākslīgais intelekts vai mašīnmācīšanās bieži tiek attēlota kā salīdzinoši jaunas tehnoloģijas, kas pēkšņi ir nobriedušas, tikai nesen no koncepcijas posma pāriet uz integrāciju lietojumprogrammās. Pastāv vispārējs uzskats, ka atsevišķu mašīnmācīšanās produktu radīšana notika tikai pēdējos gados. Patiesībā svarīgā mākslīgā intelekta attīstība nav jauna. Mūsdienu AI ir turpinājums pēdējos pāris gadu desmitos sasniegtajiem sasniegumiem. Izmaiņas, iemesli, kādēļ mēs redzam, ka mākslīgais intelekts parādās tik daudzās vietās, nav tik daudz par pašu AI tehnoloģijām, bet gan par tām apkārt esošajām tehnoloģijām, proti, par datu ģenerēšanas un apstrādes jaudu.
Es jums garlaicīgi nenorādīšu, norādot, cik zettabaitu datu mēs drīz glabāsim (cik nulles tomēr ir zetabaitu?). Mēs visi zinām, ka mūsu spēja ģenerēt un apkopot datus fenomenāli pieaug. Tajā pašā laikā mēs esam redzējuši prātam neaptveramu pieejamās skaitļošanas jaudas pieaugumu. Pāreja no viena kodola procesoriem uz daudzkodolu, kā arī vispārējas nozīmes grafikas apstrādes vienību (GPGPU) izstrāde un ieviešana nodrošina pietiekamu jaudu dziļai mācībai. Mums vairs nav pat jārīkojas ar skaitļošanu uzņēmumā. Mēs vienkārši varam iznomāt apstrādes jaudu kaut kur mākonī.
Ar tik lielu datu daudzumu un daudziem skaitļošanas resursiem datu zinātnieki beidzot ir spējīgi izmantot pēdējās desmitgadēs izstrādātās metodes pilnīgi atšķirīgā mērogā. Deviņdesmitajos gados vajadzēja vairākas dienas, lai apmācītu neironu tīklu, lai atpazītu skaitļus desmitiem tūkstošu piemēru ar roku rakstītiem cipariem. Šodien mēs varam apmācīt daudz sarežģītāku (t.i. “dziļu”) nervu tīklu uz desmitiem miljonu attēlu, lai atpazītu dzīvniekus, sejas un citus sarežģītus objektus. Un mēs varam izvietot dziļu mācību modeļus, lai automatizētu uzdevumus un lēmumus parastajās biznesa lietojumprogrammās, piemēram, produkcijas gatavības noteikšanai un prognozēšanai vai ienākošo zvanu maršrutēšanai.
Tas var izklausīties aizdomīgi kā reālas inteliģences veidošana, taču ir svarīgi atzīmēt, ka zem šīm sistēmām mēs vienkārši noregulējam matemātiskās atkarības parametrus, kaut arī diezgan sarežģītus. Mākslīgā intelekta metodes nav labas, lai iegūtu “jaunas” zināšanas; viņi mācās tikai no tā, kas viņiem tiek pasniegts. Citādi sakot, mākslīgais intelekts neuzdod jautājumus “kāpēc”. Sistēmas nedarbojas tāpat kā bērni, kuri neatlaidīgi iztaujā savus vecākus, mēģinot izprast apkārtējo pasauli. Sistēma zina tikai to, kas tika barots. Tā neatpazīs neko tādu, par ko iepriekš nebija informēts.
Citos “klasiskajos” mašīnmācīšanās scenārijos ir svarīgi zināt mūsu datus un radīt priekšstatu par to, kā mēs vēlamies, lai šī sistēma atrastu modeļus. Piemēram, mēs zinām, ka dzimšanas gads nav noderīgs fakts par mūsu klientiem, ja vien šo skaitli nepārvēršam klienta vecumā. Mēs zinām arī par sezonalitātes efektu. Mums nevajadzētu gaidīt, ka sistēma apgūs modes pirkšanas modeļus neatkarīgi no sezonas. Turklāt mēs varētu vēlēties ievadīt sistēmā dažas citas lietas, lai uzzinātu papildus tam, ko tā jau zina. Atšķirībā no dziļās mācīšanās, šāda veida mašīnmācīšanās, kuru uzņēmumi ir izmantojuši gadu desmitiem, vienmērīgāk ir progresējusi.
Nesenie sasniegumi mākslīgā intelekta jomā ir sasniegti galvenokārt tajās jomās, kur datu zinātnieki spēj atdarināt cilvēka atpazīšanas spējas, piemēram, objektu atpazīšana attēlos vai vārdi akustiskos signālos. Mācīšanās atpazīt sarežģītu signālu modeļus, piemēram, audio straumes vai attēlus, ir ārkārtīgi spēcīga - pietiekami spēcīga, ka daudziem cilvēkiem rodas jautājums, kāpēc mēs ne visur izmantojam dziļas mācīšanās metodes.
AI solījums: Ko tagad?
Organizācijas vadība var jautāt, kad viņiem vajadzētu izmantot mākslīgo intelektu. Nu, uz AI balstītie pētījumi ir guvuši milzīgus panākumus, kad nervu tīkli risina problēmas, kas saistītas ar to, ka cilvēki labi atdarina (objektu atpazīšana un runas atpazīšana ir divi spilgtākie piemēri). Ikreiz, kad kāds jautā: "Kas ir labs objekta attēlojums?" un nevar nākt klajā ar atbildi, tad var būt vērts izmēģināt dziļu mācību modeli. Tomēr, kad datu zinātnieki spēj uzbūvēt semantiski bagātu objektu attēlojumu, iespējams, labāka izvēle ir klasiskās mašīnmācīšanās metodes (un jā, ir vērts nedaudz nopietni pārdomāt, mēģinot atrast labu objekta attēlojumu).
Galu galā cilvēks vienkārši vēlas izmēģināt dažādas metodes vienā platformā, un to neierobežo kāda programmatūras pārdevēja izvēlētā metode vai nespēja panākt pašreizējo progresu šajā jomā. Tāpēc atvērtā pirmkoda platformas ir līderi šajā tirgū; tie ļauj praktizētājiem apvienot pašreizējās modernākās tehnoloģijas ar jaunākajiem progresīvajiem sasniegumiem.
Virzoties uz priekšu, komandām pielāgojoties mērķiem un metodēm mašīnmācīšanās izmantošanai to sasniegšanai, dziļa mācīšanās kļūs par daļu no katra datu zinātnieka rīku komplekta. Daudzu uzdevumu veikšanai dziļu mācību metožu pievienošana dos lielu vērtību. Padomā par to. Mēs varēsim iekļaut objektu atpazīšanu sistēmā, izmantojot iepriekš apmācītu mākslīgā intelekta sistēmu. Mēs varēsim iekļaut esošos balss vai runas atpazīšanas komponentus, jo kāds cits ir izgājis grūtības, vācot un anotējot pietiekami daudz datu. Bet galu galā mēs sapratīsim, ka dziļa mācīšanās, tāpat kā klasiskā mašīnmācīšanās pirms tās, patiesībā ir tikai vēl viens rīks, ko izmantot, ja tam ir jēga.
AI solījums: kas tālāk?
Viens no ceļa šķēršļiem, kas tiks uzklāts tāpat kā pirms divām desmitgadēm, ir ārkārtīgi grūti sastopams, mēģinot saprast, ko mākslīgā intelekta sistēmas ir iemācījušās un kā tās nāk klajā ar savām prognozēm. Tas var nebūt kritiski, ja jāparedz, vai klientam var patikt vai nepatīk kāds konkrēts produkts. Bet jautājumi radīsies, izskaidrojot, kāpēc sistēma, kas mijiedarbojas ar cilvēkiem, izturējās negaidīti. Cilvēki ir gatavi pieņemt “cilvēka neveiksmi” - mēs negaidām, ka cilvēki būs ideāli. Bet mēs nepieņemsim neveiksmi no mākslīgā intelekta sistēmas, it īpaši, ja mēs nevaram izskaidrot, kāpēc tā neizdevās (un to izlabot).
Kad mēs vairāk iepazīsimies ar dziļu mācīšanos, mēs sapratīsim - tāpat kā pirms divām desmitgadēm - mašīnmācībai - ka, neskatoties uz sistēmas sarežģītību un datu apjomu, uz kuru tā tika apmācīta, modeļu izpratne nav iespējama bez domēna zināšanām. Cilvēka runas atpazīšana darbojas tikpat labi kā tāpēc, ka mēs bieži varam aizpildīt robu, zinot pašreizējās sarunas kontekstu.
Mūsdienu mākslīgā intelekta sistēmām nav tik dziļas izpratnes. Tas, ko mēs tagad redzam, ir sekla inteliģence, spēja atdarināt izolētas cilvēku atpazīšanas spējas un dažkārt pārspēt cilvēkus šajos izolētajos uzdevumos. Apmācot sistēmu, izmantojot miljardiem piemēru, ir nepieciešams tikai iegūt datus un piekļūt pietiekamiem skaitļošanas resursiem - tas vairs nav darījumu pārtraukējs.
Izredzes ir, ka mākslīgā intelekta lietderība galu galā atpaliks no propagandas “glābt pasauli”. Iespējams, ka viss, ko mēs iegūsim, ir neticams līdzeklis, ko praktiķi varēs izmantot, lai ātrāk un labāk paveiktu savus darbus.
Maikls Bertolds ir atvērtā koda datu analīzes uzņēmuma KNIME izpilddirektors un līdzdibinātājs. Viņam ir vairāk nekā 25 gadu pieredze datu zinātnē, viņš strādā akadēmiskajā vidē, nesen - par pilntiesīgu profesoru Konstanzas universitātē (Vācija) un iepriekš Kalifornijas universitātē (Berkeley) un Carnegie Mellon un rūpniecībā Intel Neural Network Group, Utopija un tripos. Maikls ir daudz publicējis par datu analīzi, mašīnmācīšanos un mākslīgo intelektu. Sekojiet Maiklam tālākTwitter, LinkedIn un KNIME emuārs.
—
Jauno tehnoloģiju forums nodrošina vietu, kur bezprecedenta dziļumā un plašumā izpētīt un pārrunāt topošās uzņēmuma tehnoloģijas. Izvēle ir subjektīva, balstoties uz mūsu izvēlētajām tehnoloģijām, kuras, mūsuprāt, ir svarīgas un interesē lasītājus. nepieņem mārketinga nodrošinājumu publicēšanai un patur tiesības rediģēt visu ieguldīto saturu. Nosūtiet visus jautājumus uz[email protected].
