Egy gyakori pszichológiai jelenség: bármilyen szót elégszer elismételni, és az végül elveszíti minden jelentését, szétesik, mint az átázott szövet a fonetikai semmibe. Sokunk számára a “mesterséges intelligencia” kifejezés már régen így esett szét. A mesterséges intelligencia jelenleg mindenhol jelen van a technológiában, állítólag a tévétől a fogkeféig mindent működtet, de maguk a szavak még soha nem jelentettek kevesebbet.
Nem kellene ennek így lennie.
Míg a “mesterséges intelligencia” kifejezéssel kétségtelenül, kétségtelenül visszaélnek, a technológia többet tesz, mint valaha – jóra és rosszra egyaránt. Alkalmazzák az egészségügyben és a hadviselésben; segít az embereknek zenét és könyveket készíteni; átvizsgálja az önéletrajzunkat, megítéli a hitelképességünket, és finomítja a telefonunkkal készített fényképeket. Röviden, olyan döntéseket hoz, amelyek hatással vannak az életünkre, akár tetszik, akár nem.
Nehéz lehet megfelelni annak a hype-nak és harsányságnak, amellyel a technológiai cégek és a hirdetők a mesterséges intelligenciáról beszélnek. Vegyük például az Oral-B Genius X fogkeféjét, amely egyike az idei CES-en bemutatott számos eszköznek, amelyek állítólagos “AI” képességekkel hencegtek. Ássunk azonban a sajtóközlemény felső sora mögé, és ez mindössze annyit jelent, hogy meglehetősen egyszerű visszajelzést ad arról, hogy a megfelelő ideig és a megfelelő helyeken mossa-e a fogait. Van néhány okos szenzor, amely kiszámítja, hogy hol van a szájban a fogkefe, de ezt mesterséges intelligenciának nevezni zagyvaság, semmi több.
Ahol nem hype van, ott félreértés van. A sajtótudósítások eltúlozzák a kutatást, és minden homályos AI-sztori mellé egy Terminátor képét ragasztják. Gyakran ez abból fakad, hogy nem értik, mi is az a mesterséges intelligencia. A nem szakemberek számára ez egy bonyolult téma lehet, és az emberek gyakran tévesen összekeverik a mai mesterséges intelligenciát azzal a változattal, amelyet a legjobban ismernek: az embernél sokszor intelligensebb, tudatos számítógép tudományos víziójával. A szakértők a mesterséges intelligenciának ezt a konkrét esetét mesterséges általános intelligenciának nevezik, és ha valaha is létrehozunk valami ilyesmit, az valószínűleg még nagyon messze lesz a jövőben. Addig sem segít senkinek, ha eltúlozza az AI rendszerek intelligenciáját vagy képességeit.
Az AI helyett tehát jobb, ha inkább “gépi tanulásról” beszélünk. Ez a mesterséges intelligencia egyik részterülete, amely nagyjából az összes olyan módszert magában foglalja, amelyek jelenleg a legnagyobb hatással vannak a világra (beleértve az úgynevezett mélytanulást is). Mint kifejezés, nem rendelkezik az “AI” misztikumával, de hasznosabb a technológia működésének magyarázatában.
Hogyan működik a gépi tanulás? Az elmúlt néhány évben magyarázatok tucatjait olvastam és néztem, és a leghasznosabbnak tartott különbségtétel már a nevében is benne van: a gépi tanulás lényege, hogy a számítógépek képesek maguktól tanulni. De hogy ez mit jelent, az egy sokkal nagyobb kérdés.
Kezdjük egy problémával. Tegyük fel, hogy olyan programot akarunk készíteni, amely képes felismerni a macskákat. (Valamiért mindig macskákról van szó). Megpróbálhatnád ezt a régimódi módon, explicit szabályok beprogramozásával, mint például “a macskáknak hegyes fülei vannak” és “a macskák szőrösek”. De mit csinálna a program, ha megmutatnánk neki egy tigris képét? Minden szükséges szabály beprogramozása időigényes lenne, és mindenféle bonyolult fogalmakat kellene definiálnod, mint például a “szőrösség” és a “hegyesség”. Jobb, ha hagyjuk, hogy a gép megtanítsa magát. Tehát adsz neki egy hatalmas macskás fotógyűjteményt, és a gép átnézi azokat, hogy megtalálja a saját mintáit a látottakban. Összekapcsolja a pontokat, eleinte eléggé véletlenszerűen, de újra és újra teszteled, és a legjobb verziókat megtartod. És idővel elég jól meg tudja mondani, hogy mi macska és mi nem macska.
So messze, olyan kiszámítható. Valójában valószínűleg olvastál már ilyen magyarázatot, és sajnálom, hogy így van. De nem az a fontos, hogy elolvasd a glosszát, hanem az, hogy tényleg elgondolkodj azon, hogy az a glossza mit jelent. Milyen mellékhatásai vannak annak, ha egy döntéshozó rendszer így tanul?
Nos, ennek a módszernek a legnagyobb előnye a legnyilvánvalóbb: soha nem kell ténylegesen programozni. Persze, pokolian sokat bütykölsz, javítod, hogyan dolgozza fel a rendszer az adatokat, és okosabb módszereket találsz ki az információ befogadására, de nem mondod meg neki, hogy mit keressen. Ez azt jelenti, hogy a rendszer olyan mintákat is észrevehet, amelyeket az emberek esetleg nem vesznek észre, vagy amelyekre eleve nem is gondolnának. És mivel a programnak csak adatokra – 1-ekre és 0-kra – van szüksége, rengeteg feladatra lehet betanítani, mivel a modern világ tele van adatokkal. Egy gépi tanulási kalapáccsal a kezedben a digitális világ tele van szögekkel, amelyek készen állnak arra, hogy a helyükre verjük őket.
De aztán gondoljunk a hátrányokra is. Ha nem tanítod kifejezetten a számítógépet, honnan tudod, hogyan hozza meg a döntéseit? A gépi tanuló rendszerek nem tudják megmagyarázni a gondolkodásukat, és ez azt jelenti, hogy az algoritmusod rossz okokból is jól teljesíthet. Hasonlóképpen, mivel a számítógép csak azokat az adatokat ismeri, amelyekkel Ön táplálja, előfordulhat, hogy elfogult képet kap a világról, vagy csak olyan szűk körű feladatokban lesz jó, amelyek hasonlóak a korábban látott adatokhoz. Nincs meg az a józan esze, amit egy embertől elvárnánk. A világ legjobb macskafelismerő programját is megépíthetnéd, és soha nem mondaná meg, hogy a cicák nem vezethetnek motorkerékpárt, vagy hogy egy macskát inkább “Tiddles”-nek hívnak, mint “Megalorth the Undying”-nek.”
Zseniális rövidítés a számítógépeket megtanítani arra, hogy önmagukért tanuljanak. És mint minden rövidítés, ez is a sarkok lefaragásával jár. A mesterséges intelligencia rendszerekben van intelligencia, ha annak akarod nevezni. De ez nem szerves intelligencia, és nem ugyanazok a szabályok szerint játszik, mint az emberek. Akár azt is megkérdezhetjük: mennyire okos egy könyv? Milyen szakértelem van kódolva egy serpenyőben?
Hogyan állunk most a mesterséges intelligenciával? A következő nagy áttörést hirdető címlapok után (amelyek, nos, még nem álltak le teljesen), egyes szakértők úgy vélik, hogy elértünk egyfajta platóhoz. De ez nem igazán akadályozza a fejlődést. A kutatási oldalon még rengeteg felfedezésre váró út van a meglévő tudásunkon belül, a termékoldalon pedig még csak az algoritmikus jéghegy csúcsát láttuk.
Kai-Fu Lee, kockázati tőkés és korábbi AI-kutató a jelenlegi pillanatot a “megvalósítás korának” nevezi, amikor a technológia elkezd “kiáramlani a laboratóriumból a világba”. Benedict Evans, egy másik VC-stratéga a gépi tanulást a relációs adatbázisokhoz hasonlítja, egy olyan vállalati szoftvertípushoz, amely a 90-es években szerencsét hozott, és egész iparágakat forradalmasított, de ez annyira hétköznapi, hogy valószínűleg már e két szó elolvasásakor elkerekedett a szeme. Mindkét ember azt állítja, hogy most vagyunk azon a ponton, ahol a mesterséges intelligencia gyorsan normális lesz. “Végül nagyjából mindenben lesz valahol valami, és senkit sem fog érdekelni” – mondja Evans.
Igaza van, de még nem tartunk ott.
Itt és most a mesterséges intelligencia – a gépi tanulás – még mindig valami új dolog, ami gyakran megmagyarázatlan vagy alulvizsgált. Ezért a The Verge e heti különszámában, az AI Week-ben megmutatjuk, hogyan történik mindez éppen most, hogyan használják ezt a technológiát a dolgok megváltoztatására. Mert a jövőben ez annyira normális lesz, hogy észre sem fogod venni.
A fekete-fehér Snyder vágás határozottan fekete-fehér és határozottan még mindig 4:3
Halo Infinite fejlesztői szétvertek egy zongorát, hogy hangokat rögzítsenek a játékhoz
A területi kód nélküli helyi hívások októberben nagyrészt megszűnnek – de jó okkal
Minden cikk megtekintése a Tech
témában.