Het probleem met AI-machines zijn dingen leren, maar kan hen niet begrijpen

Iedereen heeft het tegenwoordig over 'AI'. Maar of u nu kijkt naar Siri, Alexa of alleen de functies voor autocorrecties die u aantreft op het toetsenbord van uw smartphone, we creëren geen kunstmatige intelligentie voor algemene doeleinden. We maken programma's die specifieke, smalle taken kunnen uitvoeren.

Computers kunnen niet "denken"

Wanneer een bedrijf zegt dat het uitkomt met een nieuwe "AI" -functie, betekent dit meestal dat het bedrijf machinaal leren gebruikt om een ​​neuraal netwerk te bouwen. "Machine learning" is een techniek waarmee een machine "leert" hoe ze beter kan presteren op een specifieke taak.

We vallen hier machine learning niet aan! Machinaal leren is een fantastische technologie met veel krachtige toepassingen. Maar het is geen kunstmatige intelligentie voor algemene doeleinden. Als u de beperkingen van machine learning begrijpt, begrijpt u waarom onze huidige AI-technologie zo beperkt is.

De "kunstmatige intelligentie" van sci-fi dromen is een computergestuurd of robotachtig brein dat over dingen denkt en ze begrijpt zoals mensen dat doen. Een dergelijke kunstmatige intelligentie zou een kunstmatige algemene intelligentie (AGI) zijn, wat betekent dat het kan denken aan meerdere verschillende dingen en die intelligentie kan toepassen op meerdere verschillende domeinen. Een gerelateerd concept is 'sterke AI', wat een machine zou zijn die in staat is om mensachtig bewustzijn te ervaren.

We hebben dat soort AI nog niet. We zijn er nergens dichtbij. Een computerentiteit zoals Siri, Alexa of Cortana begrijpt en denkt niet zoals wij mensen doen. Het 'begrijpt' dingen helemaal niet.

De kunstmatige intelligenties die we hebben, zijn zeer goed opgeleid om een ​​specifieke taak te doen, ervan uitgaande dat mensen de gegevens kunnen leveren om ze te helpen leren. Ze leren iets te doen, maar begrijpen het nog steeds niet.

Computers begrijpen het niet

Gmail heeft een nieuwe "Smart Reply" -functie die antwoorden op e-mails suggereert. De Smart Reply-functie identificeerde "Verzonden vanaf mijn iPhone" als een algemeen antwoord. Het wilde ook "Ik hou van jou" voorstellen als een antwoord op veel verschillende soorten e-mails, inclusief werkmails.

Dat komt omdat de computer niet begrijpt wat deze antwoorden betekenen. Het is net geleerd dat veel mensen deze zinnen in e-mails verzenden. Het weet niet of je "Ik hou van je" tegen je baas wilt zeggen of niet.

Als een ander voorbeeld stelde Google Photos een collage samen van onbedoelde foto's van het tapijt in een van onze huizen. Vervolgens heeft het die collage geïdentificeerd als een recent hoogtepunt op een Google Home Hub. Google Photos wist dat de foto's vergelijkbaar waren, maar begreep niet hoe onbelangrijk ze waren.

Machines leren vaak om het systeem te spelen

Bij machinaal leren gaat het erom een ​​taak toe te wijzen en een computer te laten beslissen wat de meest efficiënte manier is om het te doen. Omdat ze het niet begrijpen, is het gemakkelijk om een ​​computer te laten 'leren' om een ​​ander probleem op te lossen dan wat je wilde.

Hier is een lijst met leuke voorbeelden waarbij 'kunstmatige intelligenties' zijn gemaakt om games te spelen en toegewezen doelen die zojuist zijn geleerd om het systeem te spelen. Deze voorbeelden komen allemaal uit deze uitstekende spreadsheet:

• "Wezens gefokt voor snelheid groeien echt lang en genereren hoge snelheden door om te vallen."
• "Agent vermoord zichzelf aan het einde van level 1 om te voorkomen dat hij verliest op niveau 2."
• "Agent pauzeert het spel voor onbepaalde tijd om te voorkomen dat het verliest."
• "In een kunstmatige levenssimulatie waarbij overleving energie vereiste maar bevalling geen energiekosten had, ontwikkelde één soort een sedentaire levensstijl die voornamelijk bestond uit paren om nieuwe kinderen te produceren die konden worden gegeten (of werden gebruikt als partners om meer eetbare kinderen te produceren) .”
• "Omdat de AI's eerder" vermoord "raakten als ze een game verloren, was het een voordeel voor het genetische selectieproces om te kunnen crashen. Daarom hebben verschillende AI's manieren ontwikkeld om het spel te laten crashen. "
• "Neurale netten ontwikkeld om eetbare en giftige paddenstoelen te classificeren maakten gebruik van de gegevens die in afwisselende volgorde werden gepresenteerd en leerden eigenlijk geen kenmerken van de invoerbeelden."

Sommige van deze oplossingen kunnen slim klinken, maar geen van deze neurale netwerken begreep wat ze aan het doen waren. Ze kregen een doel toegewezen en leerden een manier om het te bereiken. Als het doel is om te voorkomen dat je verliest in een computerspel, is het drukken op de pauzeknop de eenvoudigste en snelste oplossing die ze kunnen vinden.

Machine learning en neurale netwerken

Bij machine learning is een computer niet geprogrammeerd om een ​​specifieke taak uit te voeren. In plaats daarvan worden er gegevens ingevoerd en geëvalueerd over de prestaties van de taak.

Een elementair voorbeeld van machine learning is beeldherkenning. Laten we zeggen dat we een computerprogramma willen trainen om foto's te identificeren die een hond in zich hebben. We kunnen een computer miljoenen afbeeldingen geven, waarvan sommige honden bevatten en andere niet. Op de afbeeldingen staat of ze een hond hebben of niet. Het computerprogramma "traint" zichzelf om te herkennen hoe honden eruit zien op basis van die dataset.

Het machine-leerproces wordt gebruikt om een ​​neuraal netwerk te trainen, wat een computerprogramma is met meerdere lagen waar elke gegevensinvoer doorheen gaat, en elke laag kent verschillende gewichten en kansen toe voordat hij uiteindelijk een beslissing neemt. Het is gemodelleerd naar hoe we denken dat de hersenen kunnen werken, met verschillende lagen neuronen die betrokken zijn bij het doordenken van een taak. "Diep leren" verwijst over het algemeen naar neurale netwerken met veel lagen gestapeld tussen de invoer en uitvoer.

Omdat we weten welke foto's in de dataset honden bevatten en welke niet, kunnen we de foto's door het neurale netwerk laten lopen en kijken of ze het juiste antwoord opleveren. Als het netwerk beslist dat een bepaalde foto geen hond heeft, bijvoorbeeld, is er een mechanisme om het netwerk te vertellen dat het fout was, sommige dingen aan te passen en opnieuw te proberen. De computer wordt steeds beter in het identificeren of foto's een hond bevatten.

Dit gebeurt allemaal automatisch. Met de juiste software en veel gestructureerde gegevens waarop de computer zichzelf kan trainen, kan de computer het neurale netwerk afstemmen om honden in foto's te identificeren. We noemen dit 'AI'.

Maar aan het eind van de dag heb je geen intelligent computerprogramma dat begrijpt wat een hond is. Je hebt een computer die geleerd heeft te beslissen of een hond al dan niet op een foto staat. Dat is nog steeds behoorlijk indrukwekkend, maar dat is alles wat het kan doen.

En, afhankelijk van de input die u eraan gaf, is dat neurale netwerk misschien niet zo slim als het eruit ziet. Als er bijvoorbeeld geen foto's van katten in uw gegevensverzameling zitten, ziet het neurale netwerk mogelijk geen verschil tussen katten en honden en kan het alle katten als honden labelen wanneer u het loslaat op de echte foto's van mensen.

Waarvoor wordt machinaal leren gebruikt?

Machinaal leren wordt gebruikt voor allerlei soorten taken, waaronder spraakherkenning. Stemassistenten zoals Google, Alexa en Siri zijn zo goed in het begrijpen van menselijke stemmen als gevolg van machine learning-technieken die hen hebben getraind om menselijke spraak te begrijpen. Ze hebben getraind in een enorme hoeveelheid menselijke spraakmonsters en worden steeds beter in het begrijpen van welke geluiden overeenkomen met welke woorden.

Zelfrijdende auto's gebruiken machinale leertechnieken om de computer te trainen om voorwerpen op de weg te identificeren en om daarop correct te reageren. Google Foto's zit vol met functies zoals Live Albums die mensen en dieren automatisch identificeren in foto's met behulp van machine learning.

Alphabet's DeepMind gebruikte machine learning om AlphaGo te maken, een computerprogramma dat het complexe bordspel Go kon spelen en de beste mensen ter wereld kon verslaan. Machinaal leren is ook gebruikt om computers te maken die goed zijn in het spelen van andere spellen, van schaken tot DOTA 2.

Machinaal leren wordt zelfs gebruikt voor Face ID op de nieuwste iPhones. Je iPhone bouwt een neuraal netwerk op dat leert je gezicht te identificeren, en Apple heeft een speciale "neurale motor" -chip die al het rekenwerk voor deze en andere machine-leertaken uitvoert.

Machinaal leren kan worden gebruikt voor tal van andere dingen, van het identificeren van creditcardfraude tot gepersonaliseerde productaanbevelingen op winkelwebsites.

Maar de neurale netwerken die met machine learning zijn gemaakt, begrijpen echt niets. Het zijn nuttige programma's die de smalle taken kunnen uitvoeren waarvoor ze zijn opgeleid, en dat is alles.

Beeldcredits: Phonlamai Photo / Shutterstock.com, Tatiana Shepeleva / Shutterstock.com, Diversenfotografie / Shutterstock.com.