Понимание машинного обучения как технического аутсайдера.
Люди весьма заинтригованы недавней волной использования ChatGPT. Многие также подвергают сомнению серьезность модели относительно ее точности, откладывая вопрос о том, станет ли ИИ разумным в ближайшем будущем? Возможно, на карту будут поставлены рабочие места, и человечество обнаружит, что дрожит перед новой проблемой, с которой оно никогда раньше не сталкивалось, — рабством ИИ.
Хотя все это звучит фантастически и питает поклонников антиутопических фантазий, ИИ далек от того, чтобы быть разумным. На самом деле люди, тесно работавшие в области ИИ, очень хорошо знают, насколько он невероятно глуп. Представление о его функциональности, возможно, было вдохновлено людьми и их способами «разумного» выполнения работы, но у ИИ есть еще много более длинных и высоких ступенек, по которым нужно подниматься.
Человеческая цивилизация всегда была достаточно гибкой в поиске «другого» на протяжении всей истории. Другой опасен, другой может показаться тривиальным, но может представлять экзистенциальную угрозу. Под этой маской для миллениалов велись войны, и нации держали себя закрытыми в границах, опасаясь друг друга. Как ни странно, такое массовое беспокойство стало совершенно очевидным с тех пор, как ИИ добился некоторых плодотворных результатов в своих вариантах использования. Почему мы рассматриваем ИИ как нечто другое? Почему мы постоянно задаем один и тот же вопрос — заменит ли ИИ людей в рабочих сферах?
Почему люди считают интеллект ИИ своим уровнем?
Чтобы понять вопросы, которые я поднял от имени широких масс, нам нужно понять, что такое ИИ на самом деле. Некоторые другие связанные термины добавляются в словарный запас, такие как машинное обучение, контролируемый, неконтролируемый и т. д., когда речь идет об ИИ. Как будто ИИ уже недостаточно сбивает с толку.
Чтобы разбить их на высший уровень — ИИ или искусственный интеллект — это способность машины разумно выполнять задачи — в попытках имитировать то, как это делает человеческий интеллект.
ИИ может выполнять задачи, которые можно решить либо с помощью логических рассуждений, либо с помощью человеческого поведения. ИИ является общим термином для машин, способных выполнять задачи с интеллектом, подобным человеческому.
До ИИ перед компьютерами ставились определенные задачи, такие как получение двух чисел и добавление их, печать определенного сообщения каждый раз, когда вы приходите в конце электронного письма, и так далее. Они работали до тех пор, пока вы не начали просить их порекомендовать вам фильм или узнать, какая погода будет завтра. ИИ начинает отличаться, когда поставленные перед ним задачи становятся динамичными.
Вы можете попросить статическую компьютерную программу дать вам названия 10 последних выпусков фильмов на Netflix, и она все равно может это сделать, если у нее есть доступ к данным о фильмах netflix — ИИ все равно не будет задействован. Это становится сложнее, когда вы просите его дать рекомендации на основе того, что вам понравилось на Netflix. Он больше не понимает контекст того, что вам нравится, потому что он не был запрограммирован на это жестко. Как бы это? Ваши списки просмотра и список понравившихся фильмов могут отличаться от списка ваших братьев, сестер, родителей или друзей. Как компьютерная программа поймет это каждый раз, когда новый пользователь запрашивает рекомендацию?
Точно так же прогноз погоды, исходящий из обычной компьютерной программы, не может быть точным — для этого потребуется отслеживать комбинацию данных о погоде как минимум за 10 с лишним лет, которые постоянно меняются. Со всеми различными аспектами, которые учитываются при прогнозировании завтрашней погоды, простой программы недостаточно, чтобы понять ее.
Искусственный интеллект и машинное обучение:
Вы слышали, что ИИ может играть в шахматы и побеждать гроссмейстеров в турнирах. Deep Blue от IBM сошлась лицом к лицу с гроссмейстером Гарри Каспаровым в матче, который, возможно, был лучшим матчем среди многих шахматных гениев, где модель честно обыграла Каспарова. Хотя Deep Blue от IBM — не самый простой вариант ИИ, его предки стали одной из самых первых моделей ИИ, демонстрирующих человеческое мышление. Его будут считать искусственным интеллектом, потому что он «подражает» человеческим мыслям. Или, может быть, программа, которая находит кратчайший путь от вашего дома до вашего рабочего места. Это также можно сделать с помощью алгоритмов с несколькими путями, которые оптимизируют процесс. Карты Google можно считать приложением искусственного интеллекта, поскольку они проецируют человеческие навыки заключения, предлагая лучший путь на основе расстояния, затраченного времени и других доступных маршрутов. Обычные чат-боты также являются ИИ, хотя они ограничены определенными ключевыми словами и предварительно заданными подсказками, они все равно работают так же, как человек — разговаривают, когда получают словесный ввод.
Раздел ИИ, Машинное обучение, представляет собой процесс, посредством которого машина обучается без явного кодирования. Прежде чем перейти к объяснению того, что такое машинное обучение, я хотел бы сначала оценить, как думают люди. Ребенок будет учиться чему-то в своем окружении либо под наблюдением родителей, либо на собственном опыте, либо в сочетании того и другого. Твоя мать сказала тебе держаться подальше от огня, иначе ты поранишься под присмотром родителей. Из-за этого надзора вы осторожны с огнем, вы не имеете дело с ним, если не знаете, как правильно обращаться с ним. А может, вы решите поиграть с огнем и сильно поранитесь или обожжетесь. После этого вы дважды подумаете, прежде чем снова играть с огнем, потому что вспомните, как это больно. Вы можете играть с огнем ПОСЛЕ того, как ваши родители сказали вам не делать этого, и получить травму в процессе — это укрепит ваш опыт обращения с огнем вместе с родительским контролем, и вы будете осторожны в следующий раз. Способность различать ситуации как плохие и хорошие, предпочтительные или нежелательные, безопасные или опасные и т. д. являются врожденной мыслительной способностью человека.
То, что я только что объяснил, — это три типа обучения, которые люди используют, чтобы адаптироваться к окружающей среде и решать проблемы. Первый – контролируемое обучение, когда у ребенка уже есть понимание опасности, связанной с огнем. Второй - без присмотра, когда ребенок понял опасность после игры с огнем. В-третьих, это усиленное обучение, когда ребенок играет с огнем, получает травму, а затем родители говорят ему, что это плохо. Точно так же алгоритмы машинного обучения также склонны учиться у среды для решения проблем — только в этой аналогии среда — это данные, которые мы передаем. С помощью различных алгоритмов машинного обучения, которые могут обслуживать 3 обучения: контролируемое, неконтролируемое и усиленное обучение.
Когда нам нужно проанализировать ситуацию, мы всегда возвращаемся к нашим предыдущим знаниям. В конечном итоге мы принимаем решения любого масштаба — либо на основе нашего предыдущего опыта (прямого или косвенного), либо на некоторых твердо усвоенных истинах — например, не смотрите на солнце слишком долго, потому что вы будете страдать от постоянной слепоты. Заинтриговав, большинство людей не удовлетворяют свое любопытство, поскольку на карту поставлено их собственное зрение.
Концепция алгоритмов машинного обучения уходит своими корнями непосредственно в процесс того, как люди думают, принимают решения, делают выводы, делают прогнозы и т. д. Так же, как человеческий мозг обрабатывает любое событие или жизненный опыт как точку данных и на основе своего опыта через него. , в сочетании с предварительными знаниями, он определяет множественные выводы. Например, человек с меньшей вероятностью выйдет из дома в дождливый день на своих выходных, потому что он знает, что движение становится очень плохим, дороги становятся грязными и в целом это неприятно. Этот человек с меньшей вероятностью будет придерживаться планов, если день станет мрачнее.
Когда вы хотите попробовать новый ресторан, самое первое, что вы должны сделать, это спросить, ел ли кто-нибудь их еду раньше. Вы бы взяли мнения людей, у которых был хороший опыт, плохой опыт. Вы заметите, что хороших переживаний больше, чем плохих. Отсюда вы делаете вывод, что ресторан может быть и неплохим, так что вы попробуете его.
Человек также не станет заказывать в ресторане, еда которого ранее его разочаровала. Или из ресторана они видели разочарованных других людей.
Эти два примера представляют собой контролируемую и неконтролируемую деривацию — два из множества способов, которыми люди принимают решения, и два из трех способов, как машины принимают решения, подобные человеческим. Конечно, человеческий мозг и его когнитивные способности гораздо сложнее. Вы все еще можете решить пойти куда-нибудь в дождливый день или сделать заказ в ресторане с плохими отзывами, основываясь на других критериях. К счастью, машинное обучение не такое уж сложное, или, лучше сказать, не вдохновленное сложностью человеческого разума. Еще.
В следующей статье я расскажу об алгоритме машинного обучения, который в настоящее время используется и питает множество технологических гигантов и стартапов и не перестает удивлять и пугать людей разумной природой ИИ — нейронные сети.
