Τι σημαίνει τεχνητή νοημοσύνη;
Τεχνητή Νοημοσύνη - Μια εισαγωγή, επεξηγημένη με ευκολονόητο τρόπο.
Συναντάμε τον όρο τεχνητή νοημοσύνη (AI) όλο και πιο συχνά. Δυστυχώς, ακόμη και σε αυτόν τον τομέα της τεχνολογίας, πολλοί άνθρωποι δεν μπορούν να φανταστούν τι ακριβώς σημαίνει. Ή αναρωτιέστε τον εαυτό σας: Τι μπορεί πραγματικά να κάνει η τεχνητή νοημοσύνη για μένα;
Με την τεχνητή νοημοσύνη, γενικά κάποιος προσπαθεί να μεταφέρει την ανθρώπινη σκέψη και μάθηση σε μια μηχανή ή έναν υπολογιστή.
Εάν θέλετε να πλησιάσετε αυτό το θέμα και να εισαγάγετε τον όρο στην αγγλική ορθογραφία σε μια μηχανή αναζήτησης, θα εμφανιστούν πάνω από πέντε δισεκατομμύρια αποτελέσματα αναζήτησης.
Όποιος έχει ασχοληθεί με ένα ή δύο άρθρα θα διαπιστώσει ότι έχει σχεδόν κατακλυστεί με τεχνικούς όρους και μάχες λέξεων.
"Τεχνητή νοημοσύνη, μηχανική μάθηση, βαθιά μάθηση, νευρωνικά δίκτυα, αδύναμη τεχνητή νοημοσύνη, ισχυρή τεχνητή νοημοσύνη, ΜΕΓΑΛΑ ΔΕΔΟΜΕΝΑ, επιχείρηση που βασίζεται σε δεδομένα, κύρια διαχείριση δεδομένων, αυτοματισμός μάρκετινγκ, σχεδιασμός εμπειρίας χρήστη, TensorFlow κ.λπ.."
Για να αναφέρω μόνο μερικά παραδείγματα.
Σε πολλές περιπτώσεις, προσφέρονται για λήψη δωρεάν «λευκές βίβλοι» με παραδείγματα εφαρμογών, οι λεγόμενες «περιπτώσεις χρήσης», στις οποίες πρακτικά παραδείγματα προορίζονται να σας βοηθήσουν να κατανοήσετε την εφευρετικότητα πίσω από την τεχνητή νοημοσύνη και πώς οι εταιρείες δεν έχουν πλέον «κανένα πρόβλημα». χάρη στην εισαγωγή του " έχουν περισσότερα.
Πολλές προσφορές και άρθρα υποδηλώνουν ότι η τεχνητή νοημοσύνη είναι «η λύση στα προβλήματά σας» και ότι «χρειάζεστε οπωσδήποτε την τεχνητή νοημοσύνη τώρα» για να τα λύσετε. Αλλά ποια προβλήματα εννοούνται στην πραγματικότητα και έχετε πραγματικά προβλήματα για τα οποία η τεχνητή νοημοσύνη μπορεί να λυθεί; λύση?
Για να μπορέσουμε να σχηματίσουμε γνώμη επ' αυτού, θα προσπαθήσουμε να σας εξηγήσουμε τον όρο και πώς λειτουργεί πολύ απλά και χωρίς μαθηματικά, ώστε να αρχίσετε να κατανοείτε τη βασική λειτουργικότητα ενός AI.
Οι προαναφερθέντες όροι και πολλοί άλλοι από την τεχνητή νοημοσύνη είναι στην πραγματικότητα «κάπως» σχετικοί.
Σε σχέση με όλους τους διαφορετικούς όρους, θα πρέπει να σημειωθεί ότι η τεχνητή νοημοσύνη (AI) είναι ένας γενικός όρος και όροι όπως «deep learning» ή «neural networks», καθώς και πολλοί άλλοι, ταιριάζουν στη συνολική εικόνα της AI.
Είναι αδύνατο να εξηγήσουμε λεπτομερώς αυτούς τους όρους και την πολυπλοκότητά τους σε αυτό το σημείο. Ωστόσο, οι όροι «αδύναμη τεχνητή νοημοσύνη» και «ισχυρή τεχνητή νοημοσύνη» θα πρέπει να συζητηθούν προσεκτικά παρακάτω.
ΔΥΝΑΤΟ AI
Από σήμερα, η ισχυρή τεχνητή νοημοσύνη είναι ευσεβής πόθος και απέχει πολύ από την πραγματικότητα. Αυτό αναφέρεται σε «ρομπότ» ή «τεχνητές μορφές ζωής» που διαμορφώνονται περισσότερο ή λιγότερο 1:1 με βάση τους ανθρώπους στη σκέψη και τη συμπεριφορά τους. Ωστόσο, τέτοια ισχυρά AI υπάρχουν προς το παρόν μόνο στη σκηνή επιστημονικής φαντασίας. Ένα από τα πιο διάσημα ισχυρά AI είναι πιθανώς το δημοφιλές android Lieutenant Commander Data, τον οποίο υποδύεται ο Brent Spiner, από τη σειρά Star Trek "The Next Generation".
Αν δεν τον γνωρίζετε, ίσως να είστε πιο εξοικειωμένοι με τον «Εξολοθρευτή», τον οποίο υποδύεται ο Άρνολντ Σβαρτσενέγκερ, αν και είναι περισσότερο ένας συνδυασμός ανθρώπου και μηχανής.
ΑΔΥΝΑΤΗ ΑΙ
Η αδύναμη τεχνητή νοημοσύνη είναι αυτό που συναντάμε στην καθημερινή ζωή σήμερα, ακόμα κι αν μπορεί να μην το γνωρίζουμε σε πολλούς τομείς. Παραδείγματα αυτού περιλαμβάνουν την ενεργοποίηση μέσω της αναγνώρισης προσώπου σε κινητά τηλέφωνα. Ή εάν προτείνεται στοχευμένη διαφήμιση σε έναν ιστότοπο, λαμβάνετε προτάσεις προϊόντων από το Amazon ή άλλα ηλεκτρονικά καταστήματα ή ακόμα και προτάσεις για ταινίες σε πλατφόρμες όπως το NETFLIX ή το Apple TV. Τέλος, θα πρέπει να αναφερθούν παραδείγματα όπως το Amazon Alexa ή το Siri της Apple, δηλαδή βοηθοί φωνής ή μετατροπείς ομιλίας σε κείμενο. Τα τελευταία μας δίνουν τη δυνατότητα, για παράδειγμα, Β. να εκφωνήσουμε ένα μήνυμα με τη φωνή μας στο WhatsApp, ώστε οι προφορικές λέξεις να είναι διαθέσιμες ως κείμενο.
Για να αναπτύξουν ισχυρή τεχνητή νοημοσύνη, οι υπολογιστές θα πρέπει να έχουν τη δική τους συνείδηση και νοημοσύνη. Ή συναισθήματα, όπως εμείς οι άνθρωποι. Αλλά αυτό ακριβώς δεν έχουν, και είμαστε ακόμη μίλια μακριά από αυτό παρά τη συνεχιζόμενη τεχνολογική πρόοδο.
Το αδύναμο AI με τη σειρά του, όπως το χρησιμοποιούμε και το γνωρίζουμε σήμερα, βασίζεται στα συστήματα υπολογιστών που γνωρίζουμε σήμερα, σε συνδυασμό με πολύπλοκους μαθηματικούς αλγόριθμους. Αναφέρεται επίσης στην τεχνική γλώσσα ως «εφαρμοσμένα μαθηματικά».
Αν θέλετε, η τεχνητή νοημοσύνη δεν είναι τίποτα άλλο παρά ένας πολύπλοκος αλγόριθμος ή συνδυασμοί πολλών αλγορίθμων.
Με απλά λόγια, τι είναι ένας αλγόριθμος;
Ένας αλγόριθμος αποτελείται από μαθηματικούς τύπους, σαφώς καθορισμένες οδηγίες, πολλά επιμέρους βήματα και είναι πεπερασμένος. Ένας αλγόριθμος πρέπει να είναι πεπερασμένος για να φτάσουμε σε ένα αποτέλεσμα. Αν ήταν άπειρο, μάλλον θα περίμενες για πάντα ένα αποτέλεσμα.
Ένας αλγόριθμος απαιτεί πάντα μια είσοδο για να μπορέσει να δώσει ένα αποτέλεσμα, δηλαδή μια έξοδο. Έτσι, για παράδειγμα, εάν θέλετε ένας βοηθός φωνής όπως ο SIRI ή η ALEXA να κάνει κάτι για εσάς, σε αυτήν την περίπτωση πρέπει πρώτα να εισαγάγετε κάτι στον αλγόριθμο με τη μορφή φωνητικών εντολών πριν ο αλγόριθμος απαντήσει με έξοδο. Παράδειγμα εισαγωγής: "Hey Siri, τι ώρα είναι;". Παράδειγμα εξόδου: "It's 9:09 a.m."
Αυτό μπορεί να ακούγεται πολύ απλό και λογικό στην αρχή, αλλά δεν είναι. Για παράδειγμα, πώς γνωρίζει η SIRI πώς οι λέξεις και οι προτάσεις που εκφωνείτε «αποσυντίθενται» και «μεταφράζονται μηχανικά», όπου αυτό το ερώτημα στη συνέχεια προωθείται για να απαντηθεί και πώς το SIRI γνωρίζει στο τέλος τι θα «απαντηθεί» στο δικό σας ερώτηση ως έξοδο πρέπει; Τι ακριβώς συμβαίνει, λοιπόν, αφού διαμορφώσετε την καταχώρησή σας (στο παράδειγμά μας, η ερώτηση σχετικά με την τρέχουσα ώρα);
Η απάντηση σε αυτό φαίνεται στην αρχή απλή: η εισαγωγή σας «εξαφανίζεται» ως δια μαγείας σε έναν πολύπλοκο αλγόριθμο που κάνει ακριβώς τα πράγματα που δεν μπορείτε να δείτε. Πολύπλοκες μαθηματικές πράξεις, τύποι, υπολογισμοί, συγκρίσεις, χαρτογράφηση, δρομολόγηση σε άλλα συστήματα, ανάκτηση πληροφοριών από δισεκατομμύρια εγγραφές, ταξινόμηση, όλα πίσω ώστε το SIRI να μπορεί να σας απαντήσει με μία φωνή κ.λπ.
Θα εξετάσουμε τώρα λεπτομερώς πώς συμβαίνει όλο αυτό σε έναν ή περισσότερους αλγόριθμους, π.χ. Π.χ. πώς αναλύεται η γλώσσα σας σε μεμονωμένα φωνήματα κ.λπ., αυτό πιθανότατα θα διαρκέσει λίγο και δεν είναι το ζητούμενο σε αυτό το σημείο. Ωστόσο, αυτό το παράδειγμα έχει σκοπό να καταστήσει σαφές ότι ένα φαινομενικά απλό αίτημα μπορεί να οδηγήσει σε πολύ περίπλοκες διαδικασίες.
Είναι σημαντικό να γνωρίζουμε ότι μια είσοδος σε έναν αλγόριθμο αρχικά αντιπροσωπεύει ένα «πρόβλημα» για αυτόν και ένας αλγόριθμος αποτελείται από έναν πεπερασμένο αριθμό μεμονωμένων μαθηματικών βημάτων με σαφώς καθορισμένες οδηγίες δράσης προκειμένου να λυθεί το πρόβλημα μέσω της επόμενης εξόδου. Για αυτό αναπτύχθηκε.
Το καθήκον ενός αλγορίθμου είναι να αντιδρά στην έξοδο και να χρησιμοποιεί συναρτήσεις για τον υπολογισμό μιας λύσης που διατυπώθηκε από μια είσοδο.
Στα μαθηματικά, μια συνάρτηση είναι υπολογίσιμη εάν μπορεί να διαμορφωθεί για υπολογισμό χρησιμοποιώντας έναν αλγόριθμο. Απλό παράδειγμα:
Το 1+1 είναι προβλέψιμο.
Το 1 + TOAST BREAD αρχικά δεν μπορεί να υπολογιστεί εφόσον δεν έχει οριστεί ακριβέστερα το TOAST BREAD.
Οι αλγόριθμοι αναπτύσσονται με πολύ περίπλοκο τρόπο και, όπως ήδη αναφέρθηκε παραπάνω, χρησιμοποιούνται σε πολλούς τομείς σήμερα.
Θα ρίξουμε μια ματιά παρακάτω στο πώς μπορεί να συμβεί αυτό σε ένα AI:
Η τεχνητή νοημοσύνη με τη μορφή αδύναμης τεχνητής νοημοσύνης έχει ως στόχο να «μαθαίνει ανεξάρτητα» και έτσι να λύνει ορισμένες διαδικασίες, εργασίες ή ακόμα και προβλέψεις και να βελτιώνεται με την πάροδο του χρόνου. Και ιδανικά ώστε τα αποτελέσματα να είναι καλύτερα από αυτά που «υπολογίζει» ένας άνθρωπος.
Το ερώτημα είναι: θα πετύχει αυτό;
Η απάντηση σε αυτό είναι: μέσα σε εργασίες όπου η τεχνητή νοημοσύνη έχει νόημα, σίγουρα.
Γιατί; Ακολουθεί ένα παράδειγμα: Ένας από τους παλαιότερους και πιο γνωστούς αλγόριθμους τεχνητής νοημοσύνης είναι πιθανώς ο υπολογιστής σκακιού. Στον αλγόριθμο δόθηκαν βασικά χαρακτηριστικά ή κανόνες του παιχνιδιού, καθώς και οι κινήσεις ήδη γνωστών και σημαντικών παιχνιδιών και όσο περισσότερο έπαιζε εναντίον άλλων αντιπάλων, τόσο καλύτερος γινόταν. Στο τέλος νίκησε τους σκακιστικούς μεγάλους του κόσμου μας.
Ένα αδύναμο AI δεν έχει συνείδηση, κανένα συναίσθημα ή πραγματική νοημοσύνη, αλλά έχει το πλεονέκτημα ότι ο αλγόριθμος ή οι αλγόριθμοι «μόνο» πρέπει να ασχοληθούν με αυτό για το οποίο τελικά αναπτύχθηκαν. Ο υπολογιστής σκακιού έχει κάποια πλεονεκτήματα σε αυτούς τους τομείς.
Παραδείγματα:
- Δεν είναι ποτέ κουρασμένος ή εξαρτημένος από οποιαδήποτε άλλη μορφή ημέρας ή ώρας.
- Δεν σκέφτεται τίποτα άλλο εκτός από το σκάκι, που αναπόφευκτα κάνουμε υποσυνείδητα εμείς οι άνθρωποι, για παράδειγμα να σκεφτόμαστε την οικογένεια, τα προβλήματα ή άλλα πράγματα.
- Μπορεί να είναι αντίπαλος του εαυτού του. Παίζει λοιπόν και κόντρα στον εαυτό του Υπολογιστής εναντίον υπολογιστή. Με αυτόν τον τρόπο, δοκιμάζει νέες κινήσεις που δεν είναι ακόμη εξοικειωμένοι με τους αποθηκευμένους κανόνες του παιχνιδιού, αν χρειαστεί ένα εκατομμύριο ή δισεκατομμύρια φορές. «Μαθαίνει» πότε κερδίζω και πότε χάνω και «θυμάται» τα πάντα μέχρι την παραμικρή λεπτομέρεια. Μπορεί επίσης να παίξει εναντίον σας και άλλων πραγματικών ανθρώπων ταυτόχρονα, ενώ συνεχίζει να προπονείται στο παρασκήνιο και επίσης να μαθαίνει από τις νέες σας κινήσεις που δεν γνωρίζει ακόμα.
- Μπορεί να πραγματοποιήσει αυτές τις αριθμητικές πράξεις σε κλάσματα χρόνου που είναι αδιανόητες για εμάς τους ανθρώπους.
- «Θυμάται» τα παιχνίδια και κινείται σε μια βάση δεδομένων, την οποία μπορεί να ανακτήσει πιο γρήγορα και με ακρίβεια όπως εμείς οι άνθρωποι. Δεν έχει σημασία αν ένα παιχνίδι είναι μιας ημέρας ή 20 ετών.
Για αυτό χρησιμοποιούνται επίσης αλγόριθμοι. Ωστόσο, είναι πραγματικά πολύ περίπλοκα, τα λεγόμενα τεχνητά νευρωνικά δίκτυα.
Αν θέλουμε να το καταλάβουμε αυτό με λίγα λόγια, πρέπει να κάνουμε μια σύντομη εκδρομή στον εαυτό μας ως «άνθρωποι»:
Όταν εμείς οι άνθρωποι μαθαίνουμε και θυμόμαστε κάτι νέο, οι νευρώνες στρατολογούνται μέσα στο ανθρώπινο βιολογικό νευρικό μας σύστημα κατά τη διάρκεια της μαθησιακής διαδικασίας. Αυτό δημιουργεί νευρωνικές συνδέσεις (συνάψεις). Όσο περισσότερα μαθαίνουμε ή όσο περισσότερο προπονούμαστε, αυτές οι συνάψεις γίνονται πιο δυνατές. Είναι σαν «κυκλώματα» που σχηματίζονται. Μπορούμε να θυμηθούμε αυτά τα μαθημένα «κυκλώματα». Αν τα ξεμάθουμε ξανά με την πάροδο του χρόνου, αυτά τα «κυκλώματα» μπορεί να διαλυθούν ξανά.
Το 1943, ο Warren McCulloch, ένας Αμερικανός νευροφυσιολόγος και κυβερνητικός, μαζί με τον Walter Pitts, έναν Αμερικανό λογικό, κατάφεραν να δημιουργήσουν ένα τεχνητό μοντέλο νευρώνων και έτσι να αναδημιουργήσουν ηλεκτρονικά και μαθηματικά τμήματα νευρώνων στο νευρικό σύστημα των ζωντανών όντων. Θεωρούνται λοιπόν οι ιδρυτές της σημερινής νευροπληροφορικής. Ακόμη και σήμερα, πολλά τεχνητά νευρωνικά δίκτυα εξακολουθούν να βασίζονται σε πολλά μέρη στη δικτύωση των λεγόμενων νευρώνων Mc-Culloch-Pitts.
Για να το καταλάβετε αυτό με περισσότερες λεπτομέρειες, πρέπει να γνωρίζετε ότι οι υπολογιστές σήμερα είναι τα λεγόμενα συστήματα ελέγχου. ΑΝ, ΤΟΤΕ… Επίσης γνωστό σε πολλούς ως 0 ή 1, ή ON ή OFF. Παράδειγμα: Εάν ένας χρήστης κάνει κλικ στο «Εκτύπωση», μετά στο «Εκτύπωση». Εάν είναι «σκοτεινό», τότε «ανάβει φως» κ.λπ.
Σήμερα έχουμε τους προαναφερθέντες ιδρυτές να ευχαριστήσουμε για το γεγονός ότι, μέσω πολύπλοκων μαθηματικών αλγορίθμων μέσα σε τεχνητά νευρωνικά δίκτυα (και συνεπώς την τεχνητή νοημοσύνη στο σύνολό της), μπορούμε τουλάχιστον καλύτερα να «διαλύσουμε» τη δομή «ΑΝ, ΤΟΤΕ...» και χρησιμοποιήστε έναν αλγόριθμο "Teach" για να "αναπτύξουν περαιτέρω" τον εαυτό τους χωρίς προγραμματιστής να χρειάζεται να καθορίσει κάθε βήμα.
Αυτό σημαίνει ότι τα τεχνητά νευρωνικά δίκτυα είναι σε θέση να «μάθουν», να αποθηκεύουν και επίσης να συνδέουν τις δικές τους δομές «ΑΝ, ΤΟΤΕ…» μέσα στις δομές «ΑΝ, ΤΟΤΕ…». Συνδέοντας «τα επιμέρους μαθησιακά βήματα» μεταξύ τους, αναδύονται μοτίβα που επιτρέπουν στην τεχνητή νοημοσύνη να γίνεται ολοένα και καλύτερο στην αποφυγή σφαλμάτων. Επιπλέον, μια τεχνητή νοημοσύνη συνήθως δεν ξεμαθαίνει τίποτα όπως εμείς οι άνθρωποι, εκτός εάν η τεχνητή νοημοσύνη έχει ρητή εντολή να το κάνει.
Για να το διευκρινίσουμε λίγο καλύτερα, ας επιστρέψουμε στο παράδειγμά μας με το SIRI και την ερώτηση για την ώρα. Σε ένα καθαρό σύστημα «ΑΝ, ΤΟΤΕ…» χωρίς τη χρήση τεχνητής νοημοσύνης, ένας προγραμματιστής θα έπρεπε να λάβει υπόψη κάθε περίπτωση «εισόδου» και να προγραμματίσει κάθε βήμα χειροκίνητα.
Η ερώτηση ή η είσοδος που κάνετε στο SIRI μπορεί να είναι διαφορετική:
Παραδείγματα:
- Γεια σου Siri, τι ώρα είναι; ή
- Γεια σου Siri, τι ώρα; ή
- Γεια σου Siri, τι ώρα είναι; ή
- Γεια σου Siri, τι κάνεις;
Υπάρχουν λοιπόν διάφοροι τρόποι για να ζητήσετε απλώς τον χρόνο. Ας υποθέσουμε ότι υπάρχουν 1.000 έως 2.000 διαφορετικοί τρόποι για να ζητήσετε χρόνο. Ο καθένας μας σίγουρα μπορεί να σκεφτεί 5-10 παραδείγματα. Εκτός των συστημάτων που βασίζονται σε τεχνητή νοημοσύνη, αυτές οι 5-10 δυνατότητες θα προγραμματίζονται χειροκίνητα από έναν προγραμματιστή σύμφωνα με τους κλασικούς κανόνες «ΑΝ, ΤΟΤΕ…». Παραδείγματα:
ΑΝ "Hey Siri, τι ώρα είναι", ΤΟΤΕ "Say time"
ΑΝ «Γεια σου Siri, τι ώρα είναι;» ΤΟΤΕ «Πες την ώρα»
και τα λοιπά..
Ένας τέτοιος χειροκίνητος προγραμματισμός μπορεί να γίνει λίγο πιο έξυπνος, έχοντας έναν προγραμματιστή να συνδέσει διαφορετικά ερωτήματα μεταξύ τους προκειμένου να είναι σε θέση να αξιολογήσει ορισμένες «υποθέσεις». Στο πρώτο μας παράδειγμα του ερωτήματος υπάρχει π.χ. π.χ. η λέξη "LATE", στο δεύτερο αίτημα η λέξη "TIME". Τέτοιοι σύνδεσμοι στη συνέχεια αυξάνουν την πιθανότητα να βγει ο χρόνος ακόμα κι αν ένα αίτημα δεν αντιστοιχεί 100% σε μια πρόταση όπως είχε αποθηκευτεί στον προγραμματισμό.
Τέτοιοι σύνδεσμοι αναγνωρίζουν ορισμένα μοτίβα μέσα στα ερωτήματα, τα οποία μπορούν επίσης να οδηγήσουν σε σωστή έξοδο.
Πολύ απλά παρουσιάζεται:
ΑΝ "Hey Siri" ΚΑΙ "late" Ή "time", ΤΟΤΕ "say time"
Στην πράξη αυτό εξακολουθεί να μην λειτουργεί, αλλά σε αυτό το σημείο θα πρέπει να σας δείξει κατά προσέγγιση πώς λειτουργεί.
Με βάση αυτά τα παραδείγματα, θα πρέπει να είναι σαφές ότι είναι αδύνατο να γίνει χειροκίνητος προγραμματισμός για κάθε αίτημα εκ των προτέρων. Ούτε ακόμα κι αν, για παράδειγμα, είχατε ξεκινήσει μια παγκόσμια τηλεφωνική έρευνα πριν προγραμματίσετε ή αναπτύξετε λογισμικό με στόχο να σημειώσετε πώς θα ρωτούσαν οι άλλοι για την ώρα για να λάβετε υπόψη αυτές τις ερωτήσεις στον προγραμματισμό. Εσείς ή οι προγραμματιστές σας πιθανότατα θα πάθετε κατάρρευση κάποια στιγμή στην προσπάθεια να προετοιμάσετε όλες αυτές τις διαφορετικές επιλογές για προγραμματισμό με οποιονδήποτε ουσιαστικό τρόπο.
Εάν, εκτός από τις πραγματικές, ξεκάθαρα διατυπωμένες ερωτήσεις, πρόκειται να προγραμματιστούν χειροκίνητα «μοτίβα», οι οποίες «υποθέσεις» πρέπει να ληφθούν υπόψη από το συνδυασμό διαφορετικών ερωτήσεων και όρων, ένα πράγμα γίνεται σχετικά γρήγορα προβλέψιμο: χάνετε το ίχνος . Θα μπορούσατε επίσης να πείτε: Τελειώνει σε χάος.
Ένα άλλο παράδειγμα είναι τα ηλεκτρονικά ρομπότ κενού, τα οποία μπορούν πλέον να βρεθούν σε πολλά νοικοκυριά. Πώς πρέπει ένας προγραμματιστής να προγραμματίσει ένα ρομπότ με ηλεκτρική σκούπα από την αρχή, έτσι ώστε να μην προσκρούει συνεχώς σε αντικείμενα στο σπίτι σας ή αν αλλάξει κάτι, να το λάβει αυτό υπόψη από την αρχή; Εκτός από εκατομμύρια διαφορετικά νοικοκυριά, όπου κάθε ηλεκτρική σκούπα ρομπότ χρειάζεται το δικό της πρόγραμμα λόγω των διαφορετικών συνθηκών και εγκαταστάσεων. Αυτό είναι επίσης αδύνατον, προγραμματίζοντας κάτι τέτοιο χειροκίνητα και λαμβάνοντας υπόψη κάθε ενδεχόμενο εκ των προτέρων.
Η λύση δεν είναι να προγραμματίσετε τα πάντα χειροκίνητα, αλλά μάλλον να αποδεχτείτε όλες τις εισόδους ή αιτήματα που προέρχονται από όλο τον κόσμο σε διάφορες μορφές και στη συνέχεια να τις απορρίψετε σε ένα τεχνητό νευρωνικό δίκτυο που αποτελείται από πολύπλοκους μαθηματικούς αλγόριθμους.
Ωστόσο, κάθε νευρωνικό δίκτυο έχει τις δικές του ατομικές εργασίες. Υπολογίζει κανείς π.χ. Β. Αιτήματα από το SIRI, ένας άλλος εκπαιδεύει ένα ρομπότ κενού. Στη συνέχεια, διαφορετικά νευρωνικά δίκτυα μπορούν να συνδεθούν μεταξύ τους.
Μέσα σε αυτά τα νευρωνικά δίκτυα δημιουργούνται αυτόματα νέες εντολές «ΑΝ, ΤΟΤΕ...», καθώς και σύνθετες συνδέσεις μεταξύ τους, από τις οποίες μπορούν να αναγνωριστούν ορισμένα μοτίβα. Χωρίς προγραμματιστή να χρειάζεται να το προγραμματίσει χειροκίνητα όπως περιγράφεται παραπάνω.
Επειδή η τεχνητή νοημοσύνη εκπαιδεύεται συνεχώς και όλο και περισσότερο μέσω των εισροών που έχει μάθει, μπορεί όλο και περισσότερο να αναγνωρίζει τα πράγματα από μόνη της και να καταλήγει σε λύσεις, ακόμα κι αν, για παράδειγμα, Ο Β. δεν έχει ακούσει ποτέ ξανά λέξη που ζητήθηκε στο SIRI. Και με αυτόν τον τρόπο, συνεχίζει να επεκτείνει τις «γνώσεις» της στο παρασκήνιο.
Στην αρχή, μπορεί ακόμη και να λυπηθείτε λίγο για το AI εάν δεν έχει αρκετές πληροφορίες για να "μάθετε ανεξάρτητα" από την είσοδο και να αναγνωρίσετε μοτίβα.
Αυτό σημαίνει ξεκάθαρα ότι όσο περισσότερα δεδομένα λαμβάνει μια τεχνητή νοημοσύνη μέσω εισαγωγής, τόσο καλύτερα ολοκληρώνει την εργασία του. Όσο λιγότερα δεδομένα έχει, τόσο πιο λανθασμένη είναι η έξοδος.
Επομένως, κάθε AI έχει μια λεγόμενη λειτουργία μάθησης ή εκπαίδευσης. Εάν λάβει είσοδο που δεν μπορεί αρχικά να αντιστοιχιστεί σε ένα μοτίβο λόγω πολύ λίγων δεδομένων, το AI προωθεί τέτοια αιτήματα σε ανθρώπινες ομάδες.
Οι ανθρώπινες ομάδες εξετάζουν τα αιτήματα προς το AI που δεν μπορούσαν αρχικά να εκχωρηθούν και εκχωρούν τις κατάλληλες επιλογές εξόδου για το AI.
Με τον καιρό, το AI γίνεται όλο και καλύτερο λόγω της μαζικής συσσώρευσης δεδομένων (BIG-DATA) και τα αιτήματα προς τις ανθρώπινες ομάδες γίνονται λιγότερα. Αρχίζει επίσης να εκπαιδεύει τον εαυτό της χρησιμοποιώντας τα δεδομένα που συλλέγονται και να συνεχίζει να επεκτείνει και να βελτιώνει την αναγνώριση προτύπων.
Σύμφωνα με τα τρέχοντα δεδομένα, μόνο το SIRI επεξεργάζεται περίπου 3,2 δισεκατομμύρια αιτήματα φωνής την εβδομάδα. Τα μαζικά δεδομένα όπως αυτό είναι η ιδανική «τροφή» για συστήματα που βασίζονται σε AI.
Εταιρείες όπως η Google, η Amazon, το Facebook, το Instagram, για να αναφέρουμε μόνο μερικές, αποθηκεύουν επίσης τεράστιες ποσότητες δεδομένων. Ειδικότερα σχετικά με τη συμπεριφορά των χρηστών.
Οι προτάσεις μουσικής ή ταινιών όπως αυτές του NETFLIX δεν προέρχονται μόνο από αυτά που έχετε ακούσει ή παρακολουθήσει στο παρελθόν. Για το σκοπό αυτό, για παράδειγμα, αξιολογούνται δεδομένα από όλο τον κόσμο προκειμένου να σας γίνουν οι κατάλληλες προτάσεις.
Εάν σκέφτεστε αν η τεχνητή νοημοσύνη μπορεί να είναι χρήσιμη για εσάς ή την εταιρεία σας, υπάρχουν μερικές προτάσεις που θα σας συνιστούσαμε να σκεφτείτε:
1. Ποια ερώτηση θα θέλατε να κάνετε σε ένα AI και ποια θα θέλατε να είναι η αντίστοιχη έξοδος; Και ταυτόχρονα σε αυτό το πλαίσιο: Η τεχνητή νοημοσύνη θα ήταν ενδεχομένως καλύτερη στην παροχή απαντήσεων από τις υπάρχουσες ομάδες ανθρώπινων έργων;
2. Θα ήθελα να λύσω ένα πρόβλημα που π.χ. Β. έχει να κάνει με μοντέλα πρόβλεψης που δύσκολα απαντούν οι άνθρωποι; Για παράδειγμα, στο πλαίσιο των διαδικασιών παραγωγής, των logistics, των μεταφορών και πολλά άλλα.
3. Υπάρχουν τομείς στους οποίους εμφανίζονται επανειλημμένα σφάλματα που μια τεχνητή νοημοσύνη θα μπορούσε ενδεχομένως να βελτιστοποιήσει;
4. Σκέφτομαι να αντικαταστήσω ορισμένες περιοχές με τεχνητή νοημοσύνη προκειμένου να εξοικονομήσω κόστος στο μέλλον. Πάνω απ 'όλα, αναρωτηθείτε εάν έχετε ήδη μεγάλο όγκο δεδομένων από τα τελευταία χρόνια που θα μπορούσαν να χρησιμοποιηθούν για να τροφοδοτήσουν μια τεχνητή νοημοσύνη. Υπάρχει επίσης η επιλογή αγοράς εξωτερικών δεδομένων που μπορούν ενδεχομένως να βοηθήσουν στην επίλυση προβλημάτων σε ένα AI.
Επανειλημμένα, η τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί πολύ λογικά στον τομέα ορισμένων μοντέλων πρόβλεψης, εάν, για παράδειγμα, οι έρευνες εξαρτώνται από πολλούς παράγοντες που αλληλοεπικαλύπτονται, όπως ο καιρός, η προμήθεια αγαθών, η παράδοση, η διαθεσιμότητα, το προσωπικό, η διαφήμιση.
Η τεχνητή νοημοσύνη μπορεί επίσης να έχει νόημα σε μέρη όπου εσείς οι ίδιοι έχετε παρατηρήσει ότι, για οποιονδήποτε λόγο, το «όριο» του δυνατού φαίνεται να έχει φτάσει και δεν έχετε πλέον ιδέα τι να κάνετε στη συνέχεια.
Θα πρέπει επίσης να έχετε κατά νου ότι η τεχνητή νοημοσύνη μπορεί να λύσει προβλήματα σε πολλούς τομείς, αλλά σε πολλούς τομείς δεν μπορεί. Επιπλέον, η τεχνητή νοημοσύνη δεν λύνει τα πάντα προβλήματα και η τεχνητή νοημοσύνη αναπτύχθηκε από εμάς τους ανθρώπους. Αυτό σημαίνει ότι μπορεί να προκύψουν σφάλματα στα συστήματα τεχνητής νοημοσύνης και στους αλγόριθμους που χρησιμοποιούνται. Όταν η τεχνητή νοημοσύνη χρησιμοποιείται σε μια εταιρεία, είναι συνήθως για μια συγκεκριμένη περιοχή για την οποία αναπτύχθηκε και εκπαιδεύτηκε. Το AI δεν μπορεί να εφαρμοστεί εύκολα σε άλλες περιοχές ή απλά να μεταφερθεί.
Θα χαρούμε να σας συμβουλεύσουμε στον τομέα της τεχνητής νοημοσύνης και να σας βοηθήσουμε να αναλύσετε εάν η χρήση της τεχνητής νοημοσύνης μπορεί να έχει νόημα ή όχι. Η εφαρμογή και η εισαγωγή της τεχνητής νοημοσύνης σε εταιρείες αποτελεί επίσης μέρος της γκάμα των υπηρεσιών μας.
*************************
AI στην καθημερινότητά μας
Όσο περίεργο κι αν ακούγεται, το μαχητικό αεροσκάφος EURO-Fighter είναι κατασκευασμένο στο υψηλότερο όριο αστάθειας. Κανονικά θα κατασκευάζατε ένα αεροπλάνο έτσι ώστε τα φτερά να είναι αρκετά μακριά ώστε να παρέχουν στο αεροπλάνο την υψηλότερη δυνατή και ασφαλέστερη ανύψωση και, για λόγους ασφάλειας, θα προτιμούσατε να πετάξετε έναν μεγάλο βρόχο για να γυρίσετε το αεροπλάνο στον αέρα και ίσως να σχεδιάσετε το αεροσκάφος λίγο πιο χαμηλά στη μέγιστη ταχύτητα για να μην ωθήσει τα υλικά στο μέγιστο όριο φορτίου τους. Το EURO Fighter έχει κοντά φτερά για να το κάνει πιο ευέλικτο, είναι σχεδιασμένο για μέγιστη επιτάχυνση και πολλά άλλα. Χωρίς τη χρήση AI, το EURO Fighter θα αποδεικνυόταν ακατάλληλο να πετάξει σε ορισμένες περιοχές. Για να το κρατήσει στον αέρα, το AI πρέπει να υπολογίσει κατάλληλα μοντέλα πρόβλεψης της μελλοντικής αντίδρασης του πιλότου, καθώς και να λάβει υπόψη πολλά άλλα πράγματα εκτός από το υψόμετρο, την ατμοσφαιρική πίεση, τον καιρό γενικά, το περιβάλλον όπως η έρημος, οι θερμοκρασίες. , ταχύτητα, βάρος, δυνάμεις G κ.λπ. Και αυτό συμβαίνει σε κλάσματα δευτερολέπτου, συνεχώς και συνεχώς, ενώ το αεροπλάνο είναι στον αέρα.
