O umělé inteligenci jsme v poslední době slyšeli stále více. Používá se téměř všude: od špičkových technologií a složitých matematických výpočtů po medicínu, automobilový průmysl a dokonce i chytré telefony. Technologie, které jsou základem práce AI v moderním pohledu, používáme každý den a někdy na to ani nemyslíme. Co je to umělá inteligence? Jak pracuje? A je to nebezpečné?
Co je umělá inteligence
Nejprve definujme terminologii. Pokud si představujete umělou inteligenci jako něco, co dokáže samostatně myslet, rozhodovat se a obecně vykazovat známky vědomí, spěcháme vás zklamat. Téměř všechny systémy, které dnes existují, se ani nepřibližují k této definici AI. A ty systémy, které vykazují známky takové aktivity, ve skutečnosti stále fungují v rámci předem určených algoritmů.
Někdy jsou tyto algoritmy velmi, velmi pokročilé, ale zůstávají „rámcem“, ve kterém funguje umělá inteligence. Stroje nemají žádné „svobody“a ještě více projevy vědomí. Jsou to jen velmi silné programy. Jsou však „nejlepší v tom, co dělají“. AI systémy se dále zlepšují. A nejsou vůbec triviální. I když stranou je skutečnost, že moderní umělá inteligence zdaleka není dokonalá, má s námi hodně společného.
Jak umělá inteligence funguje
V první řadě může AI plnit své úkoly (o kterých o něco později) a získat nové dovednosti díky hlubokému strojovému učení. Tento termín také často slyšíme a používáme. Co to ale znamená? Na rozdíl od „klasických“metod, když jsou všechny potřebné informace předem načteny do systému, algoritmy strojového učení nutí systém, aby se vyvíjel nezávisle a studoval dostupné informace. Což navíc auto v některých případech může také hledat samo.
Propagační video:
Například pro vytvoření programu pro detekci podvodů pracuje algoritmus strojového učení se seznamem bankovních transakcí a jejich konečných výsledků (legálních nebo nelegálních). Model strojového učení se dívá na příklady a rozvíjí statistický vztah mezi legitimními a podvodnými transakcemi. Poté, když algoritmu poskytnete podrobnosti o nové bankovní transakci, klasifikuje jej na základě vzorů, které předem z příkladů čerpal.
Čím více údajů poskytnete, tím přesnější se algoritmus strojového učení stane při plnění svých úkolů. Strojové učení je zvláště užitečné pro řešení problémů, kde pravidla nejsou předdefinována a nelze je interpretovat binárně. Návrat k našemu příkladu s bankovními operacemi: ve skutečnosti máme na výstupu binární číslovací systém: 0 - legální operace, 1 - nelegální. Aby však bylo možné dojít k tomuto závěru, musí systém analyzovat celou řadu parametrů a pokud je zadáte ručně, bude to trvat déle než jeden rok. A předpovídat všechny možnosti stejně nebude fungovat. A systém založený na hlubokém strojovém učení bude schopen něco rozpoznat, i když se s takovým případem nikdy předtím nesetkal.
Hluboké učení a neuronové sítě
Zatímco algoritmy klasického strojového učení řeší mnoho problémů, ve kterých je mnoho informací ve formě databází, nezvládají se tak dobře s „vizuálními a zvukovými“daty, jako jsou obrázky, videa, zvukové soubory atd.
Zatímco algoritmy klasického strojového učení řeší mnoho problémů, ve kterých je mnoho informací ve formě databází, nezvládají se tak dobře s „vizuálními a zvukovými“daty, jako jsou obrázky, videa, zvukové soubory atd.
Například vytvoření prediktivního modelu rakoviny prsu pomocí klasických postupů strojového učení bude vyžadovat desítky lékařských odborníků, programátorů a matematiků, říká výzkumník AI Jeremy Howard. Vědci by museli vytvořit mnoho menších algoritmů pro strojové učení, aby si poradili s tokem informací. Samostatný subsystém pro studium rentgenových paprsků, samostatný subsystém pro MRI, jiný pro interpretaci krevních testů atd. Pro každý typ analýzy bychom potřebovali vlastní systém. Pak by se všichni spojili do jednoho velkého systému … To je velmi obtížný a náročný proces.
Algoritmy pro hluboké učení řeší stejný problém pomocí hlubokých neuronových sítí, což je typ softwarové architektury inspirované lidským mozkem (ačkoli neuronové sítě se liší od biologických neuronů, fungují téměř stejně). Počítačové neuronové sítě jsou spojeními „elektronických neuronů“, které jsou schopné zpracovávat a klasifikovat informace. Jsou uspořádány tak, jako by byly ve „vrstvách“a každá „vrstva“je zodpovědná za něco vlastního a nakonec vytvoří obecný obrázek. Například když trénujete neuronovou síť na obrazech různých objektů, najde způsoby, jak extrahovat objekty z těchto obrazů. Každá vrstva neuronové sítě detekuje určité vlastnosti: tvar objektů, barvy, vzhled objektů atd.
Povrchové vrstvy neuronových sítí vykazují společné rysy. Hlubší vrstvy již odhalují skutečné objekty. Obrázek ukazuje schéma jednoduché neuronové sítě. Vstupní neurony (příchozí informace) jsou zobrazeny zeleně, modře - skryté neurony (analýza dat), žlutá - výstupní neuron (řešení).
Jsou neurální sítě umělým lidským mozkem?
I přes podobnou strukturu strojového a lidského nervového systému nemají vlastnosti našeho centrálního nervového systému. Počítačové neuronové sítě jsou v podstatě všechny stejné pomocné programy. Stává se tak, že náš mozek je nejvýkonnějším systémem pro práci s počítači. Pravděpodobně jste slyšeli výraz „náš mozek je počítač“? Vědci jednoduše „replikovali“některé aspekty své struktury digitálně. To umožnilo pouze urychlit výpočty, ale ne vybavit stroje vědomím.
Neuronové sítě existují zhruba od 50. let (alespoň ve formě konceptů). Až donedávna však příliš nezískali vývoj, protože jejich vytvoření vyžadovalo obrovské množství dat a výpočetní výkon. V posledních několika letech se toto všechno stalo dostupným, takže nervové sítě se dostaly do popředí poté, co obdržely svůj vývoj. Je důležité pochopit, že pro jejich plnohodnotný vzhled nebylo dost technologie. Jak nyní nestačí, aby uvedli technologii na novou úroveň.
Na co se používá hluboké učení a neuronové sítě?
Existuje několik oblastí, kde tyto dvě technologie pomohly dosáhnout pozoruhodného pokroku. Navíc je používáme každý den v našem životě a nemyslíme ani na to, co je za nimi.
- Počítačové vidění je schopnost softwaru porozumět obsahu obrázků a videí. To je jedna z oblastí, kde hluboké učení dosáhlo velkého pokroku. Například algoritmy pro hluboké učení obrazu mohou detekovat různé typy rakoviny, plicních onemocnění, srdečních chorob atd. A to rychleji a efektivněji než lékaři. Hluboké učení je však také zakořeněné v mnoha aplikacích, které používáte každý den. Apple Face ID a Fotky Google používají hluboké učení pro rozpoznávání obličeje a vylepšení obrazu. Facebook používá hluboké učení k automatickému označování lidí na nahraných fotografiích atd. Počítačové vidění také pomáhá společnostem automaticky identifikovat a blokovat pochybný obsah, jako je násilí a nahota. A nakonecHluboké učení hraje velmi důležitou roli v tom, jak auty řídí, takže mohou rozumět svému okolí.
- Rozpoznávání hlasu a řeči. Když vyslovíte příkaz pomocníkovi Google, algoritmy hlubokého učení převedou váš hlas do textových příkazů. Několik online aplikací používá hluboké učení k přepisování zvukových a obrazových souborů. I když shazam píseň, nervové sítě a algoritmy hlubokého strojového učení začnou hrát.
- Hledání na internetu: I když hledáte něco ve vyhledávači, aby vaše žádost byla zpracována jasněji a výsledky vyhledávání byly co nejpřesnější, společnosti začaly spojovat algoritmy neuronové sítě se svými vyhledávači. Výkon vyhledávače Google se tak několikrát zvýšil poté, co se systém přepnul na hluboké strojové učení a neuronové sítě.
Limity hlubokého učení a neuronových sítí
Přes všechny jejich výhody, hluboké učení a neuronové sítě mají také některé nevýhody.
- Závislost dat: Obecně platí, že algoritmy pro hluboké učení vyžadují velké množství údajů o školení, aby mohly přesně provádět své úkoly. Bohužel, k vyřešení mnoha problémů, není k dispozici dostatek vysoce kvalitních tréninkových dat k vytvoření pracovních modelů.
- Nepředvídatelnost: Neuronové sítě se vyvíjejí zvláštním způsobem. Někdy jde všechno podle plánu. A někdy (i když neuronová síť dělá dobrou práci), dokonce i tvůrci se snaží pochopit, jak algoritmy fungují. Nedostatek předvídatelnosti způsobuje, že je velmi obtížné eliminovat a opravit chyby v algoritmech neuronových sítí.
- Algoritmická předpojatost: Algoritmy pro hluboké učení jsou stejně dobré jako data, na která jsou školena. Problém je v tom, že data školení často obsahují skryté nebo zjevné chyby nebo nedostatky a algoritmy je dědí. Například algoritmus rozpoznávání obličeje trénovaný primárně na fotografiích bílých lidí bude pracovat méně přesně u lidí s jinou barvou pleti.
- Nedostatek zobecnění: Algoritmy pro hluboké učení jsou dobré pro provádění cílených úkolů, ale špatně zobecňují své znalosti. Na rozdíl od lidí by hluboký model učení vyškolený pro hraní StarCraftu nemohl hrát další podobnou hru: řekněme, WarCraft. Navíc, hluboké učení dělá špatnou práci se zpracováním dat, která se liší od jeho příkladů školení.
Budoucnost hlubokého učení, neuronových sítí a umělé inteligence
Je jasné, že práce na hlubokém učení a neuronových sítích není zdaleka dokončena. Vyvíjí se různé úsilí ke zlepšení algoritmů hlubokého učení. Deep Learning je špičková technika umělé inteligence. V posledních několika letech se stala popularitou kvůli hojnosti dat a zvýšení výkonu zpracování. Toto je základní technologie mnoha aplikací, které každý den používáme.
Ale bude se někdy vědomí na základě této technologie rodit? Skutečný umělý život? Někteří vědci se domnívají, že v okamžiku, kdy se počet spojení mezi složkami umělých neuronových sítí přiblíží ke stejnému ukazateli, který existuje v lidském mozku mezi našimi neurony, se může stát něco podobného. Toto tvrzení je však velmi sporné. Aby se objevila skutečná umělá inteligence, musíme přehodnotit způsob, jakým budujeme systémy umělé inteligence. Nyní jsou použity pouze programy pro přísně omezený rozsah úkolů. Stejně jako bychom chtěli uvěřit, že budoucnost již dorazila …
Co myslíš? Budou lidé vytvářet AI?