Vyberte si časopis, prechádzajte technickými blogmi alebo jednoducho chatujte so svojimi kolegami na priemyselnej konferencii. Rýchlo si všimnete, že takmer všetko, čo vychádza zo sveta technológií, má v sebe nejaký prvok umelej inteligencie alebo strojového učenia. Spôsob, akým sa hovorí o umelej inteligencii, začína znieť takmer ako propaganda. Toto je jediná skutočná technológia, ktorá dokáže vyriešiť všetky vaše potreby! AI je tu, aby nás všetkých zachránila!
Aj keď je pravda, že s technikami založenými na umelej inteligencii dokážeme úžasné veci, vo všeobecnosti nezastupujeme plný význam pojmu „inteligencia“. Inteligencia znamená systém, s ktorým môžu ľudia viesť tvorivý rozhovor - systém, ktorý má nápady a ktorý môže rozvíjať nové. Ide o terminológiu. „Umelá inteligencia“ dnes bežne popisuje implementáciu niektorých aspektov ľudských schopností, ako je rozpoznávanie objektov alebo reči, ale určite nie celý potenciál ľudskej inteligencie.
„Umelá inteligencia“ teda asi nie je najlepším spôsobom, ako opísať „novú“ technológiu strojového učenia, ktorú dnes používame, ale tento vlak opustil stanicu. V každom prípade, zatiaľ čo strojové učenie ešte nie je synonymom strojovej inteligencie, určite sa stalo výkonnejším, schopnejším a ľahšie použiteľným. AI - čo znamená neurónové siete alebo hlboké učenie, ako aj „klasické“ strojové učenie - je konečne na ceste k tomu, aby sa stala štandardnou súčasťou analytickej sady nástrojov.
Teraz, keď sa už dobre venujeme revolúcii v oblasti umelej inteligencie (alebo skôr evolúcii), je dôležité sa pozrieť na to, ako bol kooptovaný koncept umelej inteligencie, prečo a čo to bude znamenať v budúcnosti. Poďme sa ponoriť hlbšie, aby sme preskúmali, prečo umelá inteligencia, dokonca aj jej mierne nesprávna verzia, priťahovala súčasnú úroveň pozornosti.
Sľub AI: Prečo teraz?
V súčasnom hype cykle sa umelá inteligencia alebo strojové učenie často zobrazujú ako relatívne nové technológie, ktoré náhle dospeli a len nedávno prešli od fázy konceptu k integrácii v aplikáciách. Existuje všeobecné presvedčenie, že k vytváraniu samostatných produktov strojového učenia došlo až za posledných niekoľko rokov. V skutočnosti nie je dôležitý vývoj v oblasti umelej inteligencie nový. Dnešná AI je pokračovaním pokroku dosiahnutého za posledných pár desaťročí. Zmena, dôvody, prečo vidíme, že sa umelá inteligencia objavuje na toľkých ďalších miestach, sa netýka ani samotných technológií umelej inteligencie, ale skôr technológií, ktoré ich obklopujú - menovite generovania a spracovania dát.
Nebudem vás nudiť tým, že uvediem, koľko zettabytov dát, ktoré čoskoro uložíme (koľko núl má vlastne zettabyte?). Všetci vieme, že naša schopnosť generovať a zhromažďovať údaje fenomenálne rastie. Zároveň sme zaznamenali ohromujúci nárast dostupného výpočtového výkonu. Prechod od jednojadrových procesorov k viacjadrovým, ako aj vývoj a prijatie univerzálnych jednotiek na spracovanie grafiky (GPGPU) poskytujú dostatok energie na hlboké učenie. S výpočtami už nemusíme manipulovať interne. Výkon na spracovanie si môžeme jednoducho prenajať niekde v cloude.
S toľkými dátami a dostatkom výpočtových zdrojov sú vedci v oblasti dát konečne schopní používať metódy vyvinuté v minulých desaťročiach v úplne inom meradle. V 90. rokoch 20. storočia trvalo natrénovanie neurónovej siete, aby dokázala rozpoznávať čísla na desiatkach tisíc príkladov pomocou ručne písaných číslic. Dnes môžeme trénovať oveľa zložitejšiu (t. J. „Hlbokú“) neurónovú sieť na desiatkach miliónov obrázkov, aby sme rozpoznali zvieratá, tváre a ďalšie zložité objekty. A môžeme nasadiť modely hlbokého učenia na automatizáciu úloh a rozhodnutí v bežných obchodných aplikáciách, ako napríklad zisťovanie a predpovedanie zrelosti produktov alebo smerovanie prichádzajúcich hovorov.
Môže to znieť podozrivo ako budovanie skutočnej inteligencie, ale je potrebné poznamenať, že pod týmito systémami jednoducho ladíme parametre matematickej závislosti, aj keď dosť zložitej. Metódy umelej inteligencie nie sú dobré pri získavaní „nových“ vedomostí; učia sa iba z toho, čo sa im predkladá. Inými slovami, umelá inteligencia sa nepýta na otázky „prečo“. Systémy nefungujú tak, ako deti, ktoré vytrvalo pýtajú svojich rodičov, keď sa snažia pochopiť svet okolo seba. Systém vie iba to, čím bol napájaný. Nepozná nič, o čom by predtým nebol informovaný.
V iných „klasických“ scenároch strojového učenia je dôležité poznať naše údaje a mať predstavu o tom, ako chceme, aby tento systém nachádzal vzory. Napríklad vieme, že rok narodenia nie je pre našich zákazníkov užitočným faktom, pokiaľ toto číslo neprepočítame na vek zákazníka. Vieme tiež o vplyve sezónnosti. Nemali by sme očakávať, že systém sa naučí módne nákupné vzory nezávisle od sezóny. Ďalej možno budeme chcieť vložiť do systému niekoľko ďalších vecí, aby sme sa dozvedeli viac o tom, čo už vie. Na rozdiel od hlbokého učenia sa tento typ strojového učenia, ktorý firmy používajú už celé desaťročia, napredoval stabilnejším tempom.
Posledný pokrok v oblasti umelej inteligencie priniesol predovšetkým oblasti, kde sú vedci v oblasti dát schopní napodobniť schopnosti rozpoznávania ľudí, ako napríklad rozpoznávanie objektov v obrazoch alebo slov v akustických signáloch. Naučiť sa rozpoznávať vzory v zložitých signáloch, ako sú zvukové toky alebo obrázky, je nesmierne silné - dosť silné na to, aby sa mnoho ľudí čudovalo, prečo nepoužívame všade techniky hlbokého učenia.
Sľub AI: Čo teraz?
Vedenie organizácie sa môže pýtať, kedy by mali používať umelú inteligenciu. Výskum založený na umelej inteligencii urobil obrovský pokrok, pokiaľ ide o neurónové siete pri riešení problémov súvisiacich s napodobňovaním toho, čo ľudia robia dobre (rozpoznávanie objektov a rozpoznávanie reči sú dva najvýznamnejšie príklady). Kedykoľvek sa človek spýta: „Čo je to dobrá reprezentácia objektu?“ a nemôže prísť s odpoveďou, potom môže byť treba vyskúšať model hlbokého učenia. Keď však vedci v oblasti dát dokážu skonštruovať sémanticky bohatú reprezentáciu objektov, potom sú klasické metódy strojového učenia pravdepodobne lepšou voľbou (a áno, do hľadania dobrého zobrazenia objektov stojí za to investovať trochu vážnej myšlienky).
Nakoniec si človek jednoducho chce vyskúšať rôzne techniky na tej istej platforme a nenechať sa obmedzovať výberom metód alebo nemožnosťou dohnať aktuálny pokrok v odbore od niektorého dodávateľa softvéru. To je dôvod, prečo sú platformy s otvoreným zdrojovým kódom vodcami na tomto trhu; umožňujú odborníkom kombinovať súčasné najmodernejšie technológie s najnovším vývojom v odbore.
Keď sa tímy posunú vpred v zosúladenie svojich cieľov a metód využívania strojového učenia na ich dosiahnutie, stane sa hlboké učenie súčasťou súboru nástrojov každého dátového vedca. Pri mnohých úlohách bude mať pridanie metód hlbokého učenia sa do mixu veľkú hodnotu. Popremýšľajte o tom. Budeme schopní zahrnúť rozpoznávanie objektov do systému s využitím vopred vycvičeného systému umelej inteligencie. Budeme schopní začleniť existujúce komponenty rozpoznávania hlasu alebo reči, pretože niekto iný prešiel problémami so zhromažďovaním a anotáciou dostatočného množstva údajov. Ale nakoniec si uvedomíme, že hlboké učenie, rovnako ako klasické strojové učenie pred ním, je skutočne iba ďalším nástrojom, ktorý sa dá použiť, keď to má zmysel.
Sľub AI: Čo ďalej?
Jedným z cestných blokov, ktoré sa dostanú na povrch, rovnako ako pred dvoma desaťročiami, sú extrémne ťažkosti, s ktorými sa človek stretáva, keď sa snaží pochopiť, čo sa systémy umelej inteligencie naučili a ako prichádzajú k svojim predpovediam. To nemusí byť rozhodujúce, pokiaľ ide o predpovedanie, či sa zákazníkovi môže alebo nemusí páčiť konkrétny produkt. Problémy však nastanú, keď dôjde na vysvetlenie, prečo sa systém interagujúci s ľuďmi choval neočakávaným spôsobom. Ľudia sú ochotní akceptovať „ľudské zlyhanie“ - neočakávame, že ľudia budú dokonalí. Nebudeme však akceptovať zlyhanie systému umelej inteligencie, najmä ak nemôžeme vysvetliť, prečo zlyhal (a napraviť ho).
Keď sa oboznámime s hlbokým učením, uvedomíme si - rovnako ako pred dvoma desaťročiami pre strojové učenie -, že napriek zložitosti systému a objemu údajov, na ktorých bol trénovaný, je pochopenie vzorov nemožné bez znalosti domén. Rozpoznávanie ľudskej reči funguje rovnako dobre, ako to funguje, pretože dieru môžeme často vyplniť poznaním kontextu aktuálnej konverzácie.
Dnešné systémy umelej inteligencie také hlboké pochopenie nemajú. To, čo teraz vidíme, je plytká inteligencia, schopnosť napodobňovať izolované schopnosti rozpoznávania ľudí a niekedy prekonať človeka v týchto izolovaných úlohách. Výcvik systému na miliardách príkladov je len otázka mať dáta a získať prístup k dostatku výpočtových zdrojov - už nie rozbíjač obchodov.
Je pravdepodobné, že užitočnosť umelej inteligencie nakoniec klesne niekde na miesto propagandy „zachráňte svet“. Možno dostaneme iba neuveriteľný nástroj, ktorý môžu odborníci používať na vykonávanie svojej práce rýchlejšie a lepšie.
Michael Berthold je generálny riaditeľ a spoluzakladateľ spoločnosti KNIME, spoločnosti s otvorenou analýzou dát. Má viac ako 25 rokov skúseností v oblasti dátovej vedy, pracuje na akademickej pôde, naposledy ako riadny profesor na Univerzite Konstanz v Nemecku, predtým na Kalifornskej univerzite v Berkeley a Carnegie Mellon a v priemysle v skupine Intel Neural Network Group, Utopia a Tripos. Michal rozsiahlo publikoval o analýze dát, strojovom učení a umelej inteligencii. Nasledujte Michaela ďalejTwitter, LinkedIn a Blog KNIME.
—
Nové technologické fórum poskytuje miesto na preskúmanie a diskusiu o vznikajúcich podnikových technológiách v nebývalej hĺbke a šírke. Výber je subjektívny, založený na našom výbere technológií, ktoré považujeme za dôležité a pre čitateľov najväčší záujem. neprijíma marketingové záruky na zverejnenie a vyhradzuje si právo upravovať všetok prispievaný obsah. Všetky otázky posielajte na adresu[email protected].
