Kad lietojumprogramma jums pārliecina, ka to darbina “mākslīgais intelekts”, uz brīdi šķiet, ka jūs esat nākotnē. Bet ko tas patiesībā nozīmē? Mēs metam lielus buzzwords - mākslīgo intelektu, mašīnmācīšanos, neironu tīklus - bet ko tie īsti nozīmē un vai tie tiešām palīdz uzlabot lietotnes?
Pavisam nesen Google un Microsoft savām tulkošanas lietojumprogrammām ir pievienojuši neironu tīkla apmācību. Google apgalvo, ka izmanto mašīnmācību, lai piedāvātu atskaņošanas sarakstus. Todoists saka, ka tas izmanto AI, lai uzminētu, kad jums vajadzētu pabeigt uzdevumu. Any.do apgalvo, ka tā mākslīgais intelekts var veikt dažus uzdevumus jūsu labā. Un tas viss bija tikai pagājušajā nedēļā. Daži no mārketinga trikiem izklausās iespaidīgi un paliek kā triki, taču dažreiz izmaiņas nenoliedzami ir izdevīgas. "Mākslīgais intelekts", "mašīnmācīšanās" un "neironu tīkli" apraksta veidus, kā datori izmanto nopietnāku uzdevumu veikšanai un procesa apguvei. Un, lai arī jūs, iespējams, dzirdējāt, ka lietojumprogrammu izstrādātāji izmanto citu sistēmas, praksē tās ir ļoti atšķirīgas.
Neironu tīkli analizē sarežģītus datus, lai atdarinātu cilvēka smadzenes
Mākslīgie neironu tīkli (ANNS vai vienkārši “neironu tīkli”) attiecas uz noteikta veida mācību modeli, kas imitē to, kā sinapses darbojas jūsu smadzenēs. Tradicionālā skaitļošana uzdevuma veikšanai izmanto virkni loģisku operatoru. No otras puses, neironu tīkli datu apstrādei izmanto mezglu (kas darbojas kā neironi) un sinapses (malu) analogus. Ievade tiek izvadīta caur sistēmu un tiek ģenerēta izvade.
Rezultāti tiek salīdzināti ar zināmiem datiem. Piemēram, pieņemsim, ka vēlaties apmācīt datoru, lai atpazītu suņa attēlu. Jūs tīmeklī straumējat miljoniem suņu attēlu, lai redzētu, kuri attēli viņa izvēlas izskatīties kā suņi. Pēc tam persona apstiprina, kuri attēli patiesībā ir suņi. Sistēma dod priekšroku ceļam neironu tīklā, kas noveda pie pareizās atbildes. Laika gaitā un pēc miljoniem atkārtojumu šis tīkls galu galā uzlabos savu rezultātu precizitāti.
Lai redzētu, kā tas darbojas darbībā, varat izmēģināt Google Quick Draw eksperimentu!.. Šajā gadījumā Google apmāca tīmekli atpazīt logotipus un ātras skices. Viņa salīdzina jūsu zīmēto zīmējumu ar piemēriem, ko citi cilvēki zīmē. Tīkls iemācās atpazīt nākotnes logotipus, balstoties uz iepriekš redzēto. Pat ja jūs zīmējat kā piecus gadus vecs bērns (piemēram, es), tīkls ļoti ātri atpazīst vienkāršas formas - zemūdenes, augus, pīles. Izmēģiniet to, jautri.
Neironu tīkli nav panaceja, taču tie lieliski palīdz apstrādāt sarežģītus datus. Google un Microsoft izmanto neironu tīklus, lai apmācītu tulkošanas lietojumprogrammas, jo valodu tulkošana ir sarežģīta. Mēs daudz esam redzējuši sliktus mašīntulkojumus, bet neironu tīkli ir apmācīti uzlabot šos tulkojumus, pamatojoties uz pareiziem tulkojumiem laika gaitā. Tas pats notiek ar runas-teksta tulkošanu. Kopš neironu tīkla ieviešanas, ko darbina Google Voice, tulkošanas kļūdu skaits ir samazinājies par 49%. Šīs sistēmas nav perfektas, taču tās darbojas pašas par sevi, un tas ir galvenais.
Reklāmas video:
Mašīnmācība māca datoriem pilnveidoties praksē
Mašīnmācība ir plašs termins, kas aptver visus mirkļus, kad jūs mēģināt iemācīt mašīnu pilnveidot pats. Tas jo īpaši attiecas uz jebkuru sistēmu, kurā datora veiktspēju uzdevuma izpildē uzlabo tikai lielāka pieredze ar uzdevumu. Neironu tīkli ir mašīnmācīšanās piemērs, taču tie nav vienīgais veids, kā apmācīt datoru.
Piemēram, vienu no alternatīvajām mašīnmācīšanās metodēm sauc par pastiprināšanas mācīšanos. Šajā metodē dators veic uzdevumu un pēc tam novērtē tā rezultātu. Ja, piemēram, dators uzvar šahā, tad tas piešķir uzvarošo vērtību virknei kustību, kuras tas izmanto spēles laikā. Pēc miljoniem spēļu spēlēšanas, pamatojoties uz iepriekšējo spēļu rezultātiem, sistēma var noteikt, kuras darbības visdrīzāk noved pie uzvaras.
Kamēr neironu tīkli ir piemēroti tādām lietām kā attēla atpazīšana, citi mašīnmācīšanās veidi var būt noderīgāki dažādiem uzdevumiem, piemēram, jūsu iecienītās mūzikas identificēšanai. Google apgalvo, ka tā mūzikas lietotne atradīs mūziku, kuru vēlaties klausīties. Tas tiek darīts, analizējot iepriekšējos atskaņošanas sarakstus. Ja rezultāts jums nepatīk, mašīna to uzskatīs par kļūmi. Bet, ja jūs izvēlaties kādu no ieteiktajiem sarakstiem, viņa to atzīmēs kā panākumu un analizēs uzvarošos gājienus, kas viņai ienāca jūsu sirdī.
Šādos gadījumos jūs negūsit pilnu labumu no mašīnmācīšanās, ja bieži neizmantojat šo funkciju. Pirmoreiz atverot lietotni Google mūzika, visticamāk, ieteikumi tiks nokārtoti izrakstīšanās laikā. Bet, jo vairāk jūs to izmantosit, jo labāki būs ieteikumi. Vismaz teorētiski. Arī mašīnmācība nav panaceja. Mašīnmācīšanās ir neskaidrāka nekā neironu tīkli, taču tas arī nozīmē, ka jūsu izmantotā programmatūra balstīsies uz jūsu atsauksmēm, lai uzlabotu tās veiktspēju.
Mākslīgais intelekts ir viss, kam ir priedēklis “smart”
Tāpat kā neironu tīkli ir mašīnmācīšanās forma, mašīnmācīšanās ir mākslīgā intelekta forma. Bet "mākslīgā intelekta" kategorija joprojām ir tik vāji definēta, ka šai frāzei nav praktiskas nozīmes. Jā, tas uzbur tehnoloģiski progresīvas nākotnes attēlus, bet patiesībā mēs joprojām neesam tam pietuvojušies. OCR savulaik mašīnai bija pārāk grūti, taču tagad tālruņa lietotne var skenēt dokumentus un pārvērst tos tekstā. Saukt to par mākslīgā intelekta varoņdarbu ir kaut kā nederīgi.
Iemesls, ka telefonijas pamatiespējas var uzskatīt par mākslīgo intelektu, ir tāds, ka faktiski pastāv divu veidu AI. Vāja vai šauri mērķēta AI apraksta jebkuru sistēmu, kas paredzēta šaura uzdevumu saraksta veikšanai. Piemēram, Google Assistant vai Siri, kas ir diezgan spēcīgs AI, joprojām veic diezgan šauru uzdevumu sarakstu. Viņi saņem balss komandas un atgriežas atbildes vai arī palaiž programmas. Mākslīgā intelekta pētījumi veicina šīs pazīmes, taču tās tiek uzskatītas par "vājām".
Turpretī jaudīgais AI - pazīstams arī kā vispārējais mākslīgais intelekts jeb “pilnā AI” - ir sistēma, kas spēj veikt jebkuru cilvēka uzdevumu. Un tas neeksistē. Tāpēc jebkura "vieda" lietojumprogramma joprojām ir vājš mākslīgais intelekts.
Lai gan sekas var būt neskaidras, praktiskie mākslīgā intelekta pētījumi ir tik labvēlīgi, ka, iespējams, tie jau ir ienākuši jūsu ikdienas dzīvē. Katru reizi, kad tālrunis automātiski atceras vietu, kur esat novietojies, atpazīst sejas fotoattēlos, saņem meklēšanas ieteikumus vai automātiski sagrupē visus jūsu nedēļas nogales kadrus, jūs vienā vai otrā veidā pieskaraties mākslīgajam intelektam. Zināmā mērā "mākslīgais intelekts" patiešām nozīmē tikai to, ka lietotnes būs nedaudz viedākas nekā mēs esam pieraduši. "AI" marķējums no praktiskā viedokļa gandrīz neko nenozīmē.
ILYA KHEL