Sadržaj:
Video: Джейн Гудалл о том, что отделяет нас от приматов. (Studeni 2024)
"Andrew Ingram" digitalni je asistent koji skenira vaše adrese e-pošte, daje ideje za zakazivanje sastanaka i sastanaka o kojima razgovarate sa svojim suradnicima, postavlja zadatke i šalje pozive relevantnim strankama uz vrlo malo pomoći. Koristi napredne mogućnosti umjetne inteligencije X.ai-a, New-a
Iako bi ideja da vam stvarni ljudi skeniraju e-poštu mogla zvučati jezivo, to je postala uobičajena praksa mnogih kompanija koje pružaju AI usluge svojim kupcima. Nedavni članak u časopisu The Wall Street Journal izložio je nekoliko tvrtki koje su dopustile svojim zaposlenicima pristup i čitanje e-mailova kupaca kako bi izgradili nove značajke i osposobili AI na slučajevima koje prije nisu vidjeli.
Nazvana tehnikom "Čarobnjak iz Oza" ili pseudo-AI, praksa tihog korištenja ljudi kako bi nadoknadila nedostatke AI algoritama osvjetljava neke od najdubljih izazova s kojima se AI industrija suočava.
AI nije spreman za široke probleme
Iza većine AI inovacija posljednjih godina stoje algoritmi dubokog učenja i neuronske mreže. Duboko-neuronske mreže vrlo su učinkovite pri razvrstavanju informacija. U mnogim slučajevima, poput prepoznavanja glasa i lica ili prepoznavanja raka na MR i CT snimci, mogu nadmašiti ljude.
Ali to ne znači da duboko učenje i neuronske mreže mogu obaviti bilo koji zadatak koji čovjek može.
"Duboko učenje omogućava nam da riješimo problem percepcije. To je velika stvar jer je percepcija ograničila AI od njegovog početka prije 60 godina", kaže Jonathan Mugan, suosnivač i izvršni direktor DeepGrammara. "Rješavanje problema percepcije konačno je učinilo AI korisnim za stvari poput prepoznavanja glasa i robotike."
Međutim, napominje Mugan, percepcija nije jedini problem. Borbe za duboko učenje u kojima se radi o razumnom razumu i razumijevanju.
"Duboko učenje ne pomaže nam u ovom problemu", kaže on. "Napravili smo određeni napredak u NLP-u (obrada prirodnog jezika) tretirajući jezik kao problem percepcije, tj. Pretvaranje riječi i rečenica u vektore. To nam je omogućilo da bolje predstavimo tekst za klasifikaciju i strojni prijevod (kada ima puno podataka), ali ne pomaže u zdravstvenom razumu. Zbog toga su chatboti uglavnom propali."
Jedan od glavnih problema s kojim se suočavaju sve aplikacije za duboko učenje jest prikupljanje pravih podataka za obuku njihovih AI modela. Napor i podaci koji se ulažu u osposobljavanje neuronske mreže za izvršavanje zadatka ovise o tome koliko je problemski prostor i koja je razina točnosti potrebna.
Primjerice, aplikacija za razvrstavanje slika, poput aplikacije Not Hotdog iz HBO-ove Silicijske doline, obavlja vrlo uski i specifični zadatak: Ona vam pokazuje prikazuje li kamera vašeg pametnog telefona hot-dog ili ne. Uz dovoljno hotdog slika, AI aplikacije može obavljati svoju vrlo važnu funkciju s visokom razinom točnosti. Čak i ako svako vrijeme napravi grešku, to nikome neće nauditi.
Ali druge AI aplikacije, poput one koju gradi X.ai, rješavaju mnogo šire probleme, što znači da zahtijevaju puno kvalitetnih primjera. Također, njihova tolerancija na pogreške je mnogo manja. Postoji velika razlika između zamišljanja krastavca za hotdog i zakazivanja važnog poslovnog sastanka u pogrešno vrijeme.
Nažalost, podaci o kvaliteti nisu roba koju posjeduju sve tvrtke.
"Glavno pravilo je da što općenitiji problem koji AI pokušava riješiti, to se mogu pojaviti rubni slučajevi ili neuobičajena ponašanja. To neizbježno znači da vam je potrebno znatno više primjera treninga da biste sve pokrili", kaže dr. Steve Marsh, CTO u Geospocku. "Startapovi obično nemaju pristup ogromnim količinama podataka o treninzima, tako da će modeli koje je moguće izraditi biti vrlo nišni i krhki, koji obično ne ispune njihova očekivanja."
Takvo bogatstvo informacija posjeduju samo velike tvrtke poput Facebooka i Googlea, koje godinama prikupljaju podatke milijardi korisnika. Manje tvrtke moraju platiti velike iznose za pribavljanje ili stvaranje podataka o obuci, a to odgađa pokretanje njihovih aplikacija. Alternativa je ionako pokrenuti i započeti trenirati svoj AI u letu koristeći ljudske trenere i žive podatke o klijentima i nadajući se da će na kraju AI postati manje ovisan o ljudima.
Primjerice, Edison Software, tvrtka iz Kalifornije koja razvija aplikacije za upravljanje e-mailovima, svoje zaposlenike je čitala e-mailove svojih klijenata kako bi razvili značajku "pametnog odgovora", jer nisu imali dovoljno podataka za obuku algoritma, što je tvrtka Izvršni direktor izjavio je za The Wall Street Journal. Stvaranje pametnih odgovora širok je i izazovan zadatak. Čak i Google, koji ima pristup e-pošti milijardi korisnika, nudi pametne odgovore za vrlo uske slučajeve.
No, korištenje ljudi za treniranje AI s podacima uživo korisnika nije ograničeno na manje tvrtke.
2015. godine Facebook je pokrenuo M, AI chatbot koji je mogao razumjeti i odgovarati na različite nijanse razgovora i obaviti mnoge zadatke. Facebook je M učinio dostupnim ograničenom broju korisnika u Kaliforniji i uspostavio osoblje ljudskih operatora koji će pratiti performanse AI-ja i intervenirati da ga isprave kad ne može razumjeti zahtjev korisnika. Prvobitni je plan bio da ljudski operatori pomognu naučiti asistenta da odgovori na rubne slučajeve koje ranije nije vidio. Vremenom će M moći funkcionirati bez pomoći ljudi.
Nepristupačan cilj?
Nije jasno koliko će vremena trebati za Edison Software, X.ai i druge tvrtke koje su pokrenule sustave "čovjek-u-petlji" da svoj AI u potpunosti automatiziraju. Također postoji sumnja mogu li trenutni trendovi AI ikada dostići točku uključivanja u šire domene.
2018. godine Facebook je ugasio M bez da ga je službeno rasporedio. Tvrtka nije dijelila detalje, ali jasno je da je kreiranje chatbota koji može sudjelovati u širokim razgovorima vrlo teško. A ako bi M postao dostupan svim dvjema milijardama korisnika Facebooka, a da se prethodno nije u potpunosti mogao automatski odgovoriti na sve vrste razgovora, društveni medijski gigant trebao bi zaposliti ogroman ljudski kadar kako bi popunio praznine M-a.
Mugan iz DeepGrammara vjeruje da ćemo s vremenom moći stvoriti AI koji može riješiti zdravorazumske zaključke, što drugi klasificiraju kao opće AI. Ali to se neće dogoditi uskoro. "Trenutno na horizontu ne postoje metode koje će omogućiti računalu da shvati što malo dijete zna", kaže Mugan. "Bez ovog osnovnog razumijevanja, računala neće biti u stanju obavljati mnoge zadatke 100 posto vremena."
Da bi to vidjeli u perspektivu, stručnjaci na OpenAI nedavno su razvili Dactyl, robotsku ruku koja može upravljati predmetima. To je zadatak koji svako ljudsko dijete nauči obavljati podsvjesno u ranoj dobi. Ali za uspostavljanje istih vještina trebalo je 6.144 CPU-a Dactyl i 8 GPU-a, te iskustvo vrijedno stotinu godina. Iako je fascinantno postignuće, ono ujedno naglašava velike razlike između uskog AI i načina na koji ljudski mozak funkcionira.
"Mi smo jako udaljeni od umjetne opće inteligencije i vrlo je vjerojatno da će AGI biti kombinacija i koordinacija mnogih različitih vrsta uskih ili aplikativnih specifičnih alata", kaže Marsh. "Mislim da trenutno postoji tendencija prekomjernog povezivanja mogućnosti AI, ali također vidim da postoji ogromna vrijednost u samo poduzimanju prvih koraka i primjeni tradicionalnih modela strojnog učenja."
Je li još jedna AI zima?
Godine 1984. Američko udruženje za umjetnu inteligenciju (kasnije preimenovano u Udruženje za unapređenje umjetne inteligencije) upozorilo je poslovnu zajednicu da će hipeti i entuzijazam oko AI na kraju dovesti do razočaranja. Ubrzo nakon toga ulaganje i interes za AI propadali, što je dovelo do razdoblja poznatijeg kao "AI zima".
Od početka 2010. godine, zanimanje i ulaganja na terenu ponovo su u porastu. Neki stručnjaci strahuju da će, ukoliko AI aplikacije ne ostvare rezultate i ne ispune očekivanja, uslijediti još jedna AI zima. Ali stručnjaci s kojima smo razgovarali vjeruju da je AI već previše integriran u naš život da bi povukao njegove korake.
"Mislim da nismo u opasnosti od AI zime poput one prije, jer AI sada daje stvarnu vrijednost, a ne samo hipotetsku vrijednost", kaže Mugan. "Međutim, ako nastavimo s kazivanjem široj javnosti da su računala pametna poput ljudi, riskiramo povratnu reakciju. Nećemo se vratiti na upotrebu dubljeg učenja za percepciju, ali izraz" AI "mogao bi nam biti dosadan i morao bih to nazvati nečim drugim."
Ono što je sigurno je da u najmanju ruku pred nama stoji eru razočaranja. Uskoro ćemo saznati u kojoj mjeri možemo vjerovati trenutnim mješavinama AI u različitim područjima.
"Ono što očekujem je da su neke tvrtke ugodno iznenađene time koliko brzo mogu pružiti AI za prethodno ručnu i skupu uslugu, a druge će tvrtke utvrditi da treba duže nego što su očekivale da prikupe dovoljno podataka da postanu financijski održiva ", kaže James Bergstra, suosnivač i voditelj istraživanja na Kindred.ai. "Ako ih ima previše, a nije dovoljno prvih, to bi moglo pokrenuti još jednu AI zimu među investitorima."
- Umjetna inteligencija ima problem pristranosti, a naša je greška Umjetna inteligencija ima problem pristranosti, i naša je greška
- Zašto je podučavanje AI igranja igara važno Zašto je podučavanje AI igranja igara važno
- AI nudi ogroman potencijal, ali neće se dogoditi preko noći AI nudi ogroman potencijal, ali neće se dogoditi preko noći
Geospock's Marsh predviđa da će se, iako financiranje neće smanjiti, izmijeniti neka dinamika. Budući da investitori shvaćaju da je istinska stručnost rijetka i da će samo oni koji imaju pristup podacima za obuku modela biti različiti u industriji, doći će do velike konsolidacije na tržištu i mnogo manje startupa će dobiti sredstva.
"Za mnoge AI startapove bez nišne tržišne aplikacije ili ogromne količine podataka: dolazi zima", zaključuje Marsh.
