Когато някое приложение ви увери, че се захранва от "изкуствен интелект", за момент изглежда, че сте в бъдеще. Но какво всъщност означава това? Хвърляме големи модни думи - изкуствен интелект, машинно обучение, невронни мрежи - но какво всъщност означават и наистина ли помагат за подобряване на приложенията?
Съвсем наскоро Google и Microsoft добавиха обучение за невронни мрежи към своите приложения за превод. Google твърди, че използва машинно обучение, за да предлага плейлисти. Todoist казва, че използва AI, за да отгатне кога трябва да завършите задача. Any.do твърди, че неговият изкуствен интелект може да свърши някои задачи вместо вас. И всичко беше само миналата седмица. Някои от маркетинговите трикове звучат впечатляващо и остават трикове, но понякога промените са безспорно полезни. "Изкуствен интелект", "машинно обучение" и "невронни мрежи" всички описват начините, по които компютрите използват, за да изпълняват по-сериозни задачи и да учат в процеса. И макар да сте чували, че разработчиците на приложения възприемат системите на други, на практика те са много различни.
Невронните мрежи анализират сложни данни, за да имитират човешкия мозък
Изкуствените невронни мрежи (ANNs или просто "невронни мрежи") се отнасят до специфичен тип модел на обучение, който подражава на това как работят синапсите в мозъка ви. Традиционните изчисления използват серия от логически оператори за изпълнение на задача. От друга страна, невронните мрежи използват мрежа от възли (които действат като неврони) и аналози на синапси (ръбове) за обработка на данни. Входът се предава през системата и се генерира изход.
След това резултатите се сравняват с известни данни. Например, да кажем, че искате да обучите компютър, за да разпознава изображение на куче. Предавате милиони изображения на кучета в мрежата, за да видите кои изображения е избрала да приличат на кучета. Тогава човекът потвърждава кои изображения всъщност са кучета. Системата дава предпочитание на пътя в невронната мрежа, който доведе до правилния отговор. С течение на времето и след милиони повторения тази мрежа в крайна сметка ще подобри точността на своите резултати.
За да видите как това работи в действие, можете да опитате експеримента с Google Quick Draw!.. В този случай Google тренира мрежата, за да разпознава рисунки, бързи скици. Тя сравнява рисунката, която рисувате, с примерите, които рисуват други хора. Мрежата се научава да разпознава бъдещи рисунки въз основа на видяното в миналото. Дори да рисувате като петгодишно дете (като мен), мрежата много бързо разпознава прости форми - подводници, растения, патици. Опитайте, забавно.
Невронните мрежи не са панацея, но са чудесни за обработка на сложни данни. Google и Microsoft използват невронни мрежи, за да обучават своите приложения за превод, тъй като превеждането на езици е трудно. Много сме виждали лоши машинни преводи, но невронните мрежи са обучени да подобряват тези преводи въз основа на правилни преводи във времето. Същото се случва и с превода от реч в текст. След въвеждането на невронната мрежа, захранвана от Google Voice, грешките в превода са спаднали с 49%. Тези системи не са перфектни, но работят върху себе си и това е основното.
Промоционално видео:
Машинното обучение учи компютрите да се усъвършенстват на практика
Машинното обучение е широк термин, който обхваща всички моменти, когато се опитвате да научите машина да се усъвършенства сама. По-специално, това се отнася за всяка система, в която производителността на компютъра при изпълнение на задача се подобрява само от повече опит с задачата. Невронните мрежи са пример за машинно обучение, но те не са единственият начин за обучение на компютър.
Например един от алтернативните методи за машинно обучение се нарича подсилващо обучение. При този метод компютърът изпълнява задача и след това оценява резултата си. Ако например компютърът печели в шах, тогава той присвоява стойността на печелене на поредица от ходове, които използва по време на играта. След като играе милиони игри, системата може да определи кои стъпки най-вероятно ще доведат до победа въз основа на резултатите от предишни игри.
Докато невронните мрежи са полезни за неща като разпознаване на образи в изображения, други видове машинно обучение могат да бъдат по-полезни за различни задачи като идентифициране на любимата ви музика. Google твърди, че приложението му за музика ще намери музиката, която искате да слушате. Това прави, като анализира предишните ви плейлисти. Ако резултатът не ви хареса, машината ще го счита за провал. Но ако изберете някой от предложените списъци, тя ще го отбележи като успех и ще анализира печелившите ходове, които я доведоха до сърцето ви.
В такива случаи няма да получите пълната полза от машинното обучение, ако не използвате тази функция често. Когато отворите приложението Google Music за първи път, препоръките най-вероятно ще са минали през касата. Но колкото повече го използвате, толкова по-добри ще бъдат предложенията. На теория, поне. Машинното обучение също не е панацея. Машинното обучение е по-неясно от невронните мрежи, но също така предполага, че софтуерът, който използвате, ще разчита на вашите отзиви, за да подобри неговата производителност.
Изкуственият интелект е всичко с префикса "умен"
Точно както невронните мрежи са форма на машинно обучение, машинното обучение е форма на изкуствен интелект. Но категорията „изкуствен интелект“все още е толкова слабо дефинирана, че тази фраза няма практическо значение. Да, той представя образи на бъдеще с технологично развитие, но в действителност все още не сме се доближили до него. OCR някога беше твърде трудно за машина, но сега приложение на телефона ви може да сканира документи и да ги превръща в текст. Наричането му като подвиг на изкуствен интелект е някак неподходящо.
Причината основните възможности за телефония могат да се считат за изкуствен интелект е, защото всъщност има два типа ИИ. Слаб или тясно насочен AI описва всяка система, предназначена да изпълнява тесен списък от задачи. Например Google Assistant или Siri, като са доста мощни AI, все още изпълняват доста тесен списък от задачи. Те получават гласови команди и връщат отговори или стартират приложения. Изследванията за изкуствен интелект подхранват тези характеристики, но те се считат за „слаби“.
За разлика от тях мощният ИИ - известен също като общ изкуствен интелект или „пълен ИИ“- е система, способна да изпълнява всяка човешка задача. И не съществува. Следователно всяко „умно“приложение все още е слаб изкуствен интелект.
Въпреки че последиците могат да бъдат неясни, практическите изследвания в областта на изкуствения интелект са толкова полезни, че вероятно вече са навлезли в ежедневието ви. Всеки път, когато телефонът ви автоматично запомни къде сте паркирали, разпознава лица във вашите снимки, получава предложения за търсене или автоматично групира всички ваши снимки от уикенда, вие докосвате изкуствен интелект по един или друг начин. До известна степен „изкуственият интелект“означава просто, че приложенията ще бъдат малко по-умни, отколкото сме свикнали. Етикетът „AI“сега едва ли означава нещо разбираемо от практическа гледна точка.
ИЛЯ КХЕЛ
