Umjetna inteligencija danas: što je hype, a što stvarno?

Uzmite časopis, listajte tehnološke blogove ili jednostavno razgovarajte s vršnjacima na industrijskoj konferenciji. Brzo ćete primijetiti da se čini da gotovo sve što izlazi iz tehnološkog svijeta ima neki element umjetne inteligencije ili strojnog učenja. Način na koji se raspravlja o umjetnoj inteligenciji počinje zvučati gotovo poput propagande. Evo jedne prave tehnologije koja može riješiti sve vaše potrebe! AI je ovdje da nas sve spasi!

Iako je istina da tehnike koje se temelje na AI možemo učiniti nevjerojatne stvari, uglavnom ne utjelovljujemo puno značenje izraza "inteligencija". Inteligencija podrazumijeva sustav s kojim ljudi mogu kreativno razgovarati - sustav koji ima ideje i koji može razviti nove. U pitanju je terminologija. "Umjetna inteligencija" danas obično opisuje provedbu nekih aspekata ljudskih sposobnosti, poput prepoznavanja predmeta ili govora, ali zasigurno ne cjelokupni potencijal za ljudsku inteligenciju.

Stoga "umjetna inteligencija" vjerojatno nije najbolji način za opisivanje "nove" tehnologije strojnog učenja koju danas koristimo, ali taj je vlak napustio postaju. U svakom slučaju, iako strojno učenje još nije sinonim za strojnu inteligenciju, zasigurno je postalo moćnije, sposobnije i jednostavnije za upotrebu. AI - što znači neuronske mreže ili duboko učenje, kao i „klasično“ strojno učenje - napokon je na putu da postane standardni dio analitičkog alata.

Sad kad smo dobro zašli u AI revoluciju (ili bolje rečeno evoluciju), važno je pogledati kako je koncept umjetne inteligencije kooptiran, zašto i što će to značiti u budućnosti. Zaronimo dublje kako bismo istražili zašto je umjetna inteligencija, čak i njezina pomalo pogrešno promišljena verzija, privukla sadašnju razinu pažnje.

AI obećanje: Zašto sada?

U trenutnom hype ciklusu umjetna inteligencija ili strojno učenje često se prikazuju kao relativno nove tehnologije koje su naglo sazrijele, tek nedavno prelazeći s faze koncepta na integraciju u aplikacije. Općenito je uvjerenje da se stvaranje samostalnih proizvoda za strojno učenje dogodilo tek posljednjih nekoliko godina. U stvarnosti važni događaji u umjetnoj inteligenciji nisu novi. Današnja umjetna inteligencija nastavak je napretka postignutog u posljednjih nekoliko desetljeća. Promjena, razlozi zbog kojih se umjetna inteligencija pojavljuje na toliko više mjesta, nisu toliko povezane sa samim tehnologijama umjetne inteligencije, već tehnologijama koje ih okružuju - naime, generiranje i obrada podataka.

Neću vas zamarati navodeći koliko zetbabajta podataka ćemo uskoro spremiti (koliko nula uopće ima zettabajt?). Svi znamo da naša sposobnost generiranja i prikupljanja podataka fenomenalno raste. Istodobno smo vidjeli zapanjujući porast dostupne računalne snage. Prelazak s jednojezgrenih procesora na višejezgrene, kao i razvoj i usvajanje jedinica za grafičku obradu opće namjene (GPGPU) pružaju dovoljno snage za duboko učenje. Više ni ne trebamo rukovati računanjem u vlastitoj kući. Jednostavno možemo unajmiti procesorsku snagu negdje u oblaku.

S toliko podataka i puno računalnih resursa, znanstvenici podataka napokon su u mogućnosti koristiti metode razvijene u proteklim desetljećima u potpuno drugačijoj mjeri. Devedesetih su bili potrebni dani da se osposobi neuronska mreža za prepoznavanje brojeva na desecima tisuća primjera ručno napisanim znamenkama. Danas na desetcima milijuna slika možemo istrenirati mnogo složeniju (tj. „Duboku“) neuronsku mrežu za prepoznavanje životinja, lica i drugih složenih objekata. A možemo primijeniti modele dubokog učenja za automatizaciju zadataka i odluka u uobičajenim poslovnim aplikacijama, poput otkrivanja i predviđanja zrelosti proizvoda ili usmjeravanja dolaznih poziva.

To može zvučati sumnjivo kao izgradnja stvarne inteligencije, ali važno je napomenuti da ispod tih sustava jednostavno podešavamo parametre matematičke ovisnosti, iako prilično složene. Metode umjetne inteligencije nisu dobre u stjecanju "novih" znanja; oni uče samo iz onoga što im se predstavlja. Drugim riječima, umjetna inteligencija ne postavlja pitanja zašto. Sustavi ne djeluju poput djece koja ustrajno ispituju roditelje dok pokušavaju razumjeti svijet oko sebe. Sustav samo zna čime je hranjen. Neće prepoznati ništa što prije nije bilo svjesno.

U drugim, "klasičnim" scenarijima strojnog učenja, važno je znati svoje podatke i imati ideju o tome kako želimo da taj sustav pronađe uzorke. Na primjer, znamo da godina rođenja nije korisna činjenica o našim kupcima, osim ako taj broj pretvorimo u dob kupca. Također znamo o učinku sezonalnosti. Ne bismo trebali očekivati ​​da će sustav naučiti modne uzorke kupnje neovisno o sezoni. Nadalje, možda ćemo htjeti ubrizgati nekoliko drugih stvari u sustav kako bismo naučili povrh onoga što već zna. Za razliku od dubokog učenja, ova vrsta strojnog učenja, koju tvrtke koriste desetljećima, više je napredovala stalnim tempom.

Nedavni napredak u umjetnoj inteligenciji došao je prije svega u područja u kojima su znanstvenici podataka sposobni oponašati sposobnosti ljudskog prepoznavanja, poput prepoznavanja predmeta na slikama ili riječi u zvučnim signalima. Učenje prepoznavanja obrazaca u složenim signalima, poput audio tokova ili slika, izuzetno je moćno - dovoljno snažno da se mnogi ljudi pitaju zašto svugdje ne koristimo tehnike dubokog učenja. 

AI obećanje: Što sada?

Organizacijsko vodstvo možda pita kada bi trebali koristiti umjetnu inteligenciju. Pa, istraživanje temeljeno na AI postiglo je ogroman napredak kada su u pitanju neuronske mreže koje rješavaju probleme koji su povezani s oponašanjem onoga što ljudi dobro rade (prepoznavanje predmeta i prepoznavanje govora dva su najistaknutija primjera). Kad god netko pita: "Što je dobro predstavljanje objekta?" i ne mogu doći do odgovora, tada bi možda vrijedilo isprobati model dubokog učenja. Međutim, kada su znanstvenici podataka sposobni konstruirati semantički bogatu predstavu objekta, tada su klasični metodi strojnog učenja vjerojatno bolji izbor (i da, vrijedi uložiti malo ozbiljnog razmišljanja u pokušaj pronalaska dobre reprezentacije objekta).

Na kraju, čovjek jednostavno želi isprobati različite tehnike na istoj platformi, a ne biti ograničen izborom metoda ili nemogućnošću sustizanja trenutnog napretka na tom području. Zbog toga su platforme s otvorenim kodom vodeće na ovom tržištu; omogućuju praktičarima da kombiniraju najnovije tehnologije s najnovijim dostignućima u razvoju.

Krećući se naprijed, kako se timovi usklađuju u svojim ciljevima i metodama za korištenje strojnog učenja da bi ih postigli, duboko učenje postat će dio alata svakog znanstvenika. Za mnoge zadatke dodavanje metoda dubokog učenja u kombinaciju pružit će veliku vrijednost. Razmisli o tome. Moći ćemo uključiti prepoznavanje objekata u sustav, koristeći unaprijed obučeni sustav umjetne inteligencije. Moći ćemo uključiti postojeće komponente za prepoznavanje glasa ili govora jer je netko drugi prošao kroz problem prikupljanja i bilježenja dovoljno podataka. No, na kraju ćemo shvatiti da je duboko učenje, baš kao i klasično strojno učenje prije njega, zapravo samo još jedan alat koji se koristi kada ima smisla.

AI obećanje: Što dalje?

Jedna od blokada cesta koja će se pojaviti, baš kao i prije dva desetljeća, iznimna je poteškoća s kojom se čovjek susreće kada pokušava shvatiti što su sustavi umjetne inteligencije naučili i kako dolaze do svojih predviđanja. To možda nije presudno kada je riječ o predviđanju može li se kupac svidjeti ili ne određeni proizvod. No, pojavit će se problemi kad treba objasniti zašto se sustav koji je u interakciji s ljudima ponašao na neočekivan način. Ljudi su spremni prihvatiti "ljudski neuspjeh" - ne očekujemo da će ljudi biti savršeni. Ali nećemo prihvatiti neuspjeh sustava umjetne inteligencije, pogotovo ako ne možemo objasniti zašto nije uspio (i ispraviti ga).

Kako se upoznajemo s dubokim učenjem, shvatit ćemo - baš kao što smo to učinili i za strojno učenje prije dva desetljeća - da je unatoč složenosti sustava i količini podataka na kojima je osposobljen, razumijevanje obrazaca nemoguće bez znanja domene. Prepoznavanje ljudskog govora djeluje jednako dobro kao i zato što često možemo popuniti rupu znajući kontekst trenutnog razgovora.

Današnji sustavi umjetne inteligencije nemaju to duboko razumijevanje. Ono što sada vidimo je plitka inteligencija, sposobnost oponašanja izoliranih sposobnosti ljudskog prepoznavanja i ponekad nadmašivanja ljudi u tim izoliranim zadacima. Obuka sustava na milijardama primjera samo je pitanje posjedovanja podataka i dobivanja pristupa dovoljnim računalnim resursima, a ne više prekida.

Šanse su da će korisnost umjetne inteligencije u konačnici pasti negdje ispod propagande "spasiti svijet". Možda je sve što ćemo dobiti nevjerojatan alat koji će vježbači koristiti za brži i bolji rad.

Michael Berthold je izvršni direktor i suosnivač tvrtke KNIME, tvrtke za analitiku podataka otvorenog koda. Ima više od 25 godina iskustva u znanosti o podacima, radeći u akademskim krugovima, nedavno kao redoviti profesor na Sveučilištu Konstanz (Njemačka) i prethodno na Sveučilištu Kalifornija (Berkeley) i Carnegie Mellon, te u industriji u Intelovoj grupi za neuronsku mrežu, Utopija i Tripos. Michael je opširno objavljivao o analitici podataka, strojnom učenju i umjetnoj inteligenciji. Slijedite Michaela na  Twitteru , LinkedInu i blogu KNIME .   

-

New Tech Forum pruža mjesto za istraživanje i raspravu o novonastaloj tehnologiji poduzeća u neviđenoj dubini i širini. Izbor je subjektivan, zasnovan na našem odabiru tehnologija za koje vjerujemo da su važne i da najviše zanimaju čitatelje. ne prihvaća marketinške kolaterale za objavljivanje i zadržava pravo uređivanja cjelokupnog sadržaja. Pošaljite sve upite na  [email protected] .