Съдържание:
Видео: 5 НОВЫХ ЛАЙФХАКОВ С КОНСТРУКТОРОМ LEGO 4K (Септември 2024)
„Andrew Ingram“ е дигитален асистент, който сканира имейлите ви, дава график за идеи за срещи и срещи, които обсъждате с вашите колеги, поставя задачи и изпраща покани до съответните страни с много малко съдействие. Той използва усъвършенстваните възможности за изкуствен интелект на X.ai, a New
Въпреки че идеята, че вашите имейли се сканират от реални хора, може да звучи страховито, това е станала обичайна практика сред много компании, които предоставят AI услуги на своите клиенти. Неотдавнашна статия в The Wall Street Journal разкри няколко фирми, които позволяват на служителите си да имат достъп и да четат имейли на клиенти, за да създадат нови функции и да обучават AI в случаи, които не са виждали досега.
Наречена техниката „Магьосник от Оз“ или псевдо-AI, практиката безшумно използване на хора за компенсиране на недостатъците на AI алгоритмите хвърля светлина върху някои от най-дълбоките предизвикателства, пред които е изправена индустрията на AI.
AI не е готов за широки проблеми
Зад повечето AI иновации през последните години стоят алгоритмите за дълбоко обучение и невронните мрежи. Дълбоко-невронните мрежи са много ефективни при класифицирането на информация. В много случаи, като разпознаване на глас и лице или идентифициране на рак при ЯМР и КТ, те могат да надминат хората.
Но това не означава, че дълбокото учене и невронните мрежи могат да изпълнят всяка задача, която хората могат.
"Дълбокото обучение ни позволява да решим проблема с възприятието. Това е голяма работа, защото възприятието е ограничило AI от създаването му преди 60 години", казва Джонатан Муган, съосновател и изпълнителен директор на DeepGrammar. „Решаването на проблема с възприятието най-накрая направи AI полезен за неща като разпознаване на глас и роботика.“
Въпреки това, отбелязва Муган, възприятието не е единственият проблем. Дълбоки борби за учене, в които се включват здрави разсъждения и разбиране.
„Дълбокото учене не ни помага при този проблем“, казва той. „Постигнахме известен напредък в NLP (обработката на естествен език), като третираме езика като проблем с възприятието, т.е. преобразуването на думи и изречения във вектори. Това ни позволи по-добре да представим текст за класификация и машинен превод (когато има много данни), но това не помага при здрави разсъждения. Ето защо чатботите до голяма степен се провалят."
Един от основните проблеми, с които се сблъскват всички приложения за задълбочено обучение, е този в събирането на точните данни за обучение на техните AI модели. Усилията и данните, които преминават в обучение на невронна мрежа за изпълнение на задача, зависят от това колко широко е проблемното пространство и какво ниво на точност е необходимо.
Например приложение за класификация на изображения като приложението Not Hotdog от Силиконовата долина на HBO върши много тясна и специфична задача: Тя ви казва дали камерата на вашия смартфон показва хотдог или не. С достатъчно изображения на hotdog, AI на приложението може да изпълнява своята много важна функция с високо ниво на точност. И дори ако прави грешка всеки път, това няма да навреди на никого.
Но други приложения на AI, като например тази, която X.ai изгражда, се справят с много по-широки проблеми, което означава, че изискват много примери за качество. Също така тяхната толерантност към грешки е много по-ниска. Има голяма разлика между грешката на краставицата за хотдог и насрочването на важна бизнес среща в неправилен момент.
За съжаление данните за качеството не са стока, която притежават всички компании.
„Правилото е, че колкото по-общ проблем се опитва да реши AI, толкова повече случаи или необичайно поведение могат да възникнат. Това неизбежно означава, че имате нужда от много повече примери за обучение, за да покриете всичко“, казва д-р Стив Марш, CTO в Geospock. „Стартъпите обикновено нямат достъп до огромно количество данни за обучение, така че моделите, които могат да създадат, ще бъдат много ниши и крехки, които обикновено не отговарят на техните очаквания.“
Такова богатство на информация притежава само големи компании като Facebook и Google, които от години събират данните на милиарди потребители. По-малките компании трябва да плащат големи суми за получаване или създаване на данни за обучение и това забавя стартирането на техните приложения. Алтернативата е да стартирате така или иначе и да започнете да тренирате AI в движение, използвайки човешки обучители и живи клиентски данни и се надяваме, че в крайна сметка AI ще стане по-малко разчита на хората.
Например, Edison Software, базираната в Калифорния компания, която разработва приложения за управление на имейли, накара служителите си да прочетат имейлите на своите клиенти, за да развият функция „интелигентен отговор“, тъй като не разполагат с достатъчно данни за обучение на алгоритъма, компанията Изпълнителният директор каза пред The Wall Street Journal. Създаването на интелигентни отговори е широка и предизвикателна задача. Дори Google, който има достъп до имейлите на милиарди потребители, предоставя интелигентни отговори за много тесни случаи.
Но използването на хора за обучение на AI с живи потребителски данни не се ограничава само до по-малки компании.
През 2015 г. Facebook стартира M, AI chatbot, който може да разбере и отговори на различни нюанси на разговорите и да изпълни много задачи. Facebook направи M достъпна за ограничен брой потребители в Калифорния и създаде персонал от човешки оператори, които да следят работата на AI и да се намесят, за да го коригират, когато не може да разбере заявка на потребителя. Първоначалният план беше човешките оператори да помогнат да научи асистента да реагира на крайни случаи, които не беше виждал досега. С течение на времето М ще може да работи без помощта на хората.
Непостижима цел?
Не е ясно колко време ще отнеме на Edison Software, X.ai и други компании, които са пуснали системи "човек в контур", за да направят своя AI напълно автоматизиран. Има също така съмнение дали настоящите тенденции на AI някога могат да стигнат до точката на включване в по-широки области.
През 2018 г. Facebook изключи M, без да го разгръща официално. Компанията не сподели подробности, но е ясно, че създаването на чат, който може да участва в широки разговори, е много трудно. И предоставянето на M на разположение на всички два милиарда потребители на Facebook, без първо да го направи напълно способен да отговаря автоматично на всякакъв вид разговори, щеше да наложи социалният медиен гигант да наеме огромен персонал от хора, които да запълнят пропуските на M.
Mugan на DeepGrammar вярва, че в крайна сметка ще успеем да създадем AI, който може да реши здрави разсъждения, което другите класифицират като общ AI. Но това няма да стане скоро. „В момента няма хоризонти на методите, които да позволят на компютъра да разбере какво знае малко дете“, казва Муган. "Без това основно разбиране, компютрите няма да могат да вършат много задачи добре 100 процента от времето."
За да поставят това в перспектива, експерти на OpenAI наскоро разработиха Dactyl, роботизирана ръка, която може да борави с обекти. Това е задача, която всяко човешко дете се научава да изпълнява подсъзнателно в ранна възраст. Но бяха необходими 6, 144 процесора и 8 графични процесори на Dactyl и опит от около сто години, за да развият същите умения. Въпреки че е завладяващо постижение, то също така подчертава големите разлики между тесния ИИ и начина на работа на човешкия мозък.
"Ние сме много далеч от изкуствения общ интелект и е твърде вероятно, че AGI ще бъде комбинацията и координацията на много различни видове тесни или специфични за приложение ИИ", казва Марш. „Мисля, че в момента има тенденция да се свръхпечат възможностите на AI, но също така виждам, че има огромна полза само в предприемането на първоначалните стъпки и прилагането на традиционните модели за машинно обучение.“
Друг AI зимата се очертава?
През 1984 г. Американската асоциация за изкуствен интелект (по-късно преименувана на Асоциация за повишаване на изкуствения интелект) предупреди бизнес общността, че свръх и ентусиазъм около AI в крайна сметка ще доведе до разочарование. Скоро след това инвестициите и интересът към AI се сриват, което води до епоха, по-известна като „AI зимата“.
От началото на 2010 г. интересът и инвестициите в областта отново се увеличават. Някои експерти се опасяват, че ако приложенията на AI не изпълнят резултатите и не изпълнят очакванията, ще настъпи друга AI зима. Но експертите, с които говорихме, вярват, че AI вече е станала прекалено интегрирана в живота ни, за да проследи стъпките му.
„Не мисля, че сме изложени на опасност от AI зима като предишните, защото AI сега предоставя реална стойност, а не само хипотетична стойност“, казва Муган. "Въпреки това, ако продължим да казваме на широката общественост, че компютрите са умни като хората, рискуваме да предизвикаме обратна реакция. Няма да се върнем към това, че не използваме задълбочено обучение за възприятие, но терминът" AI "би могъл да бъде спокоен и ние би трябвало да го нарека нещо друго."
Сигурното е, че най-малкото пред нас стои ера на разочарование. Предстои да научим до каква степен можем да се доверим на настоящите смеси от AI в различни области.
"Това, което очаквам да видя е, че някои компании са приятно изненадани от това колко бързо могат да предоставят AI за предишно ръчна и скъпа услуга, както и че други компании ще открият, че отнема повече време, отколкото очакваха да съберат достатъчно данни, за да станат финансово жизнеспособни ", казва Джеймс Бергстра, съосновател и ръководител на научните изследвания в Kindred.ai. "Ако има прекалено много от последните и не са достатъчни от първите, това може да предизвика друга AI зима сред инвеститорите."
- Изкуственият интелект има проблем с пристрастията и това е наша грешка Изкуственият интелект има проблем с пристрастията и това е наша грешка
- Защо преподаването на AI да играе игри е важно Защо преподаването на AI да играе игри е важно
- AI предлага огромен потенциал, но няма да се случи през нощта AI предлага огромен потенциал, но няма да се случи през нощта
Маршът на Geospock прогнозира, че докато финансирането няма да отшуми, ще има някои корекции в неговата динамика. Тъй като инвеститорите осъзнават, че истинският опит е рядък и само онези, които имат достъп до данни за обучение на моделите, ще бъдат различни в отрасъла, ще има голяма консолидация на пазара и много по-малко стартиращи компании ще получат финансиране.
"За много стартиращи AI без приложение на пазарна ниша или огромно количество данни: идва зимата", заключава Марш.
