Apabila aplikasi meyakinkan anda bahawa aplikasi ini dikuasakan oleh "kepintaran buatan", nampaknya anda akan berada di masa hadapan. Tetapi apa sebenarnya maksudnya? Kami melontarkan kata kunci yang besar - kecerdasan buatan, pembelajaran mesin, rangkaian saraf - tetapi apa sebenarnya maksudnya dan adakah mereka benar-benar membantu meningkatkan aplikasi?
Baru-baru ini, Google dan Microsoft telah menambahkan latihan rangkaian saraf ke aplikasi terjemahan mereka. Google mendakwa menggunakan pembelajaran mesin untuk menawarkan senarai main. Todoist mengatakan ia menggunakan AI untuk meneka kapan anda harus menyelesaikan sesuatu tugas. Any.do mendakwa bahawa kepintaran buatannya dapat melakukan beberapa tugas untuk anda. Semuanya baru minggu lalu. Beberapa gimik pemasaran terdengar mengagumkan dan tetap gimik, tetapi kadang-kadang perubahan tidak dapat disangkal bermanfaat. "Kecerdasan buatan", "pembelajaran mesin" dan "rangkaian saraf" semuanya menerangkan cara komputer menggunakan untuk melakukan tugas yang lebih serius dan belajar dalam prosesnya. Walaupun anda mungkin pernah mendengar bahawa pembangun aplikasi menggunakan sistem yang lain, dalam praktiknya ia sangat berbeza.
Rangkaian saraf menganalisis data kompleks untuk meniru otak manusia
Rangkaian neural buatan (ANN, atau sekadar "rangkaian neural") merujuk kepada jenis model pembelajaran tertentu yang meniru bagaimana sinapsis berfungsi di otak anda. Pengkomputeran tradisional menggunakan rangkaian pengendali logik untuk menyelesaikan sesuatu tugas. Rangkaian saraf, sebaliknya, menggunakan rangkaian nod (yang bertindak seperti neuron) dan analog sinapsis (tepi) untuk memproses data. Input dihantar melalui sistem dan output dihasilkan.
Hasil kajian kemudian dibandingkan dengan data yang diketahui. Sebagai contoh, katakan anda ingin melatih komputer untuk mengenali imej anjing. Anda menyiarkan berjuta-juta gambar anjing di seluruh web untuk melihat gambar yang dipilihnya untuk kelihatan seperti anjing. Orang itu kemudian mengesahkan gambar mana sebenarnya anjing. Sistem memberi keutamaan kepada jalan dalam rangkaian saraf yang membawa kepada jawapan yang betul. Dari masa ke masa dan setelah berjuta-juta lelaran, rangkaian ini akhirnya akan meningkatkan ketepatan hasilnya.
Untuk melihat bagaimana tindakan ini berfungsi, anda boleh mencuba percubaan Draw Pantas Google!.. Dalam hal ini, Google melatih web untuk mengenali coretan, lakaran cepat. Dia membandingkan lukisan yang anda lukis dengan contoh yang dilukis oleh orang lain. Rangkaian belajar mengenali coretan masa depan berdasarkan apa yang telah dilihatnya pada masa lalu. Walaupun anda melukis seperti kanak-kanak berusia lima tahun (seperti saya), jaring sangat cepat mengenali bentuk sederhana - kapal selam, tanaman, itik. Cubalah, seronok.
Rangkaian saraf bukanlah ubat mujarab, tetapi mereka hebat dalam menangani data yang kompleks. Google dan Microsoft menggunakan rangkaian neural untuk melatih aplikasi terjemahannya kerana sukar menerjemahkan bahasa. Kami telah banyak kali melihat terjemahan mesin yang tidak baik, tetapi rangkaian saraf dilatih untuk memperbaiki terjemahan berdasarkan terjemahan yang betul dari masa ke masa. Perkara yang sama berlaku dengan terjemahan ucapan-ke-teks. Sejak pengenalan rangkaian saraf yang dikuasakan oleh Google Voice, kesalahan terjemahan telah menurun sebanyak 49%. Sistem ini tidak sempurna, tetapi berfungsi sendiri, dan ini adalah perkara utama.
Video promosi:
Pembelajaran mesin mengajar komputer untuk meningkatkan dalam praktik
Pembelajaran mesin adalah istilah luas yang merangkumi semua saat ketika anda berusaha mengajar mesin untuk meningkatkannya sendiri. Khususnya, ini berlaku untuk sistem di mana prestasi komputer dalam menyelesaikan tugas hanya ditingkatkan dengan lebih banyak pengalaman dengan tugas tersebut. Rangkaian saraf adalah contoh pembelajaran mesin, tetapi bukan satu-satunya cara untuk melatih komputer.
Sebagai contoh, salah satu kaedah pembelajaran mesin alternatif dipanggil pembelajaran pengukuhan. Dalam kaedah ini, komputer melakukan tugas dan kemudian menilai hasilnya. Sekiranya, misalnya, komputer menang di catur, maka ia memberikan nilai kemenangan kepada serangkaian pergerakan yang digunakannya semasa permainan. Setelah bermain berjuta-juta permainan, sistem dapat menentukan langkah mana yang paling mungkin membawa kemenangan berdasarkan hasil permainan sebelumnya.
Walaupun rangkaian saraf baik untuk perkara seperti pengecaman corak dalam gambar, jenis pembelajaran mesin yang lain dapat lebih berguna untuk pelbagai tugas seperti mengenal pasti muzik kegemaran anda. Google mendakwa bahawa aplikasi muziknya akan menemui muzik yang ingin anda dengarkan. Ia melakukannya dengan menganalisis senarai main anda sebelumnya. Sekiranya anda tidak menyukai hasilnya, mesin akan menganggapnya sebagai kegagalan. Tetapi jika anda memilih salah satu senarai yang dicadangkan, dia akan menandakannya sebagai kejayaan dan menganalisis gerakan kemenangan yang membawanya ke hati anda.
Dalam kes seperti ini, anda tidak akan mendapat manfaat sepenuhnya dari pembelajaran mesin jika anda tidak kerap menggunakan ciri ini. Apabila anda membuka aplikasi Muzik Google untuk pertama kalinya, cadangan kemungkinan besar akan berlaku selepas pembayaran. Tetapi semakin banyak anda menggunakannya, semakin baik cadangannya. Secara teori, sekurang-kurangnya. Pembelajaran mesin juga bukan ubat mujarab. Pembelajaran mesin lebih kabur daripada rangkaian neural, tetapi ini juga menunjukkan bahawa perisian yang anda gunakan akan bergantung pada maklum balas anda untuk meningkatkan kinerjanya.
Kecerdasan buatan adalah segalanya dengan awalan "pintar"
Sama seperti rangkaian saraf merupakan bentuk pembelajaran mesin, pembelajaran mesin adalah bentuk kecerdasan buatan. Tetapi kategori "kecerdasan buatan" masih kurang jelas sehingga frasa ini tidak mempunyai makna praktikal. Ya, ini menghasilkan gambar masa depan yang berteknologi maju, tetapi pada kenyataannya, kita masih belum mendekatinya. OCR pernah terlalu sukar untuk mesin, tetapi kini aplikasi di telefon anda dapat mengimbas dokumen dan mengubahnya menjadi teks. Menyebutnya sebagai kecerdasan buatan entah bagaimana tidak wajar.
Sebab bahawa keupayaan asas telefon boleh dianggap kecerdasan buatan adalah kerana sebenarnya terdapat dua jenis AI. AI yang lemah atau disasarkan secara sempit menerangkan sistem yang dirancang untuk melaksanakan senarai tugas yang sempit. Sebagai contoh, Pembantu Google atau Siri, sebagai AI yang cukup hebat, masih menjalankan senarai tugas yang agak sempit. Mereka menerima arahan suara dan memberikan respons, atau mereka melancarkan aplikasi. Penyelidikan kecerdasan buatan memanfaatkan ciri-ciri ini, tetapi mereka dianggap "lemah."
Sebaliknya, AI yang kuat - juga dikenali sebagai kecerdasan buatan umum, atau "AI penuh" - adalah sistem yang mampu melaksanakan tugas manusia. Dan ia tidak wujud. Oleh itu, sebarang aplikasi "pintar" masih merupakan kecerdasan buatan yang lemah.
Walaupun implikasinya tidak jelas, penyelidikan praktikal dalam kecerdasan buatan sangat bermanfaat sehingga mungkin sudah memasuki kehidupan seharian anda. Setiap kali telefon anda secara automatik mengingati tempat anda meletak kenderaan, mengenali wajah dalam foto anda, mendapatkan cadangan carian, atau secara automatik mengumpulkan semua gambar hujung minggu anda, anda menyentuh kecerdasan buatan dalam satu atau lain cara. Pada tahap tertentu, "kecerdasan buatan" sebenarnya bermaksud bahawa aplikasi akan sedikit lebih pintar daripada yang biasa kita lakukan. Label "AI" hampir tidak bermaksud apa-apa yang praktikal dari sudut praktikal sekarang.
ILYA KHEL
