Sejak kebelakangan ini kita banyak mendengar tentang kecerdasan buatan. Ia digunakan hampir di mana-mana: dari teknologi tinggi dan pengiraan matematik yang kompleks hingga perubatan, industri automotif dan juga telefon pintar. Teknologi yang mendasari karya AI dalam pandangan moden, kita gunakan setiap hari dan kadang-kadang kita mungkin tidak memikirkannya. Tetapi apa itu kecerdasan buatan? Bagaimana dia bekerja? Dan adakah ia berbahaya?
Apa itu kecerdasan buatan
Pertama, mari kita tentukan terminologi. Sekiranya anda membayangkan kecerdasan buatan sebagai sesuatu yang mampu berfikir secara bebas, membuat keputusan, dan secara amnya menunjukkan tanda-tanda kesedaran, maka kami perlu segera mengecewakan anda. Hampir semua sistem yang ada sekarang tidak mendekati definisi AI ini. Dan sistem yang menunjukkan tanda-tanda aktiviti tersebut, sebenarnya, masih beroperasi dalam kerangka algoritma yang telah ditentukan.
Kadang kala algoritma ini sangat, sangat maju, tetapi tetap menjadi "kerangka" di mana AI berfungsi. Mesin tidak mempunyai "kebebasan" dan lebih-lebih lagi tanda-tanda kesedaran. Mereka hanyalah program yang sangat hebat. Tetapi mereka adalah "yang terbaik dalam apa yang mereka lakukan." Tambahan pula, sistem AI terus bertambah baik. Dan mereka sama sekali tidak remeh. Walaupun mengetepikan fakta bahawa AI moden jauh dari sempurna, ia mempunyai banyak persamaan dengan kita.
Bagaimana kecerdasan buatan berfungsi
Pertama sekali, AI dapat melaksanakan tugasnya (yang mana sedikit kemudian) dan memperoleh kemahiran baru berkat pembelajaran mesin yang mendalam. Kita juga sering mendengar dan menggunakan istilah ini. Tetapi apa maksudnya? Tidak seperti kaedah "klasik", ketika semua informasi yang diperlukan dimuat ke dalam sistem terlebih dahulu, algoritma pembelajaran mesin memaksa sistem untuk berkembang secara bebas, mempelajari maklumat yang ada. Selain itu, kereta dalam beberapa kes juga boleh mencari sendiri.
Video promosi:
Sebagai contoh, untuk membuat program untuk mengesan penipuan, algoritma pembelajaran mesin berfungsi dengan senarai transaksi bank dan hasil akhirnya (sah atau tidak sah). Model pembelajaran mesin melihat contoh dan mengembangkan hubungan statistik antara transaksi yang sah dan palsu. Selepas itu, apabila anda memberikan butiran transaksi bank baru kepada algoritma, ia mengklasifikasikannya berdasarkan corak yang diambilnya dari contoh sebelumnya.
Biasanya, semakin banyak data yang anda berikan, semakin tepat algoritma pembelajaran mesin ketika menjalankan tugasnya. Pembelajaran mesin sangat berguna untuk menyelesaikan masalah di mana peraturan tidak ditentukan sebelumnya dan tidak dapat ditafsirkan secara binari. Kembali ke contoh kita dengan operasi perbankan: sebenarnya, pada output kita mempunyai sistem penomboran binari: 0 - operasi undang-undang, 1 - haram. Tetapi untuk membuat kesimpulan seperti itu, sistem perlu menganalisis sejumlah parameter dan jika anda memasukkannya secara manual, ia akan memakan masa lebih dari satu tahun. Dan untuk meramalkan semua pilihan tetap tidak akan berjaya. Dan sistem yang berasaskan pembelajaran mesin dalam akan dapat mengenali sesuatu, walaupun tidak pernah menghadapi kes seperti ini sebelumnya.
Pembelajaran Dalam dan Rangkaian Neural
Walaupun algoritma pembelajaran mesin klasik menyelesaikan banyak masalah di mana terdapat banyak maklumat dalam bentuk pangkalan data, mereka tidak dapat menangani data “visual dan pendengaran” seperti gambar, video, fail suara, dan sebagainya.
Walaupun algoritma pembelajaran mesin klasik menyelesaikan banyak masalah di mana terdapat banyak maklumat dalam bentuk pangkalan data, mereka tidak dapat menangani data “visual dan pendengaran” seperti gambar, video, fail suara, dan sebagainya.
Sebagai contoh, membina model ramalan untuk kanser payudara menggunakan pendekatan pembelajaran mesin klasik akan memerlukan puluhan pakar perubatan, pengaturcara dan ahli matematik, kata penyelidik AI Jeremy Howard. Para saintis harus membuat banyak algoritma yang lebih kecil untuk pembelajaran mesin untuk mengatasi aliran maklumat. Subsistem yang terpisah untuk mengkaji sinar-X, yang terpisah untuk MRI, yang lain untuk mentafsir ujian darah, dan sebagainya. Untuk setiap jenis analisis, kita memerlukan sistemnya sendiri. Maka semuanya akan digabungkan menjadi satu sistem besar … Ini adalah proses yang sangat sukar dan memerlukan sumber daya.
Algoritma pembelajaran mendalam menyelesaikan masalah yang sama dengan menggunakan rangkaian neural mendalam, sejenis seni bina perisian yang diilhamkan oleh otak manusia (walaupun rangkaian saraf berbeza dengan neuron biologi, ia berfungsi sama). Rangkaian neural komputer adalah sambungan "neuron elektronik" yang mampu memproses dan mengklasifikasikan maklumat. Mereka disusun seolah-olah dalam "lapisan" dan setiap "lapisan" bertanggung jawab atas sesuatu yang tersendiri, akhirnya membentuk gambaran umum. Contohnya, semasa anda melatih rangkaian saraf pada gambar pelbagai objek, ia mencari cara untuk mengekstrak objek dari gambar ini. Setiap lapisan rangkaian saraf mengesan ciri-ciri tertentu: bentuk objek, warna, rupa objek, dan sebagainya.
Lapisan permukaan rangkaian saraf menunjukkan ciri umum. Lapisan yang lebih dalam sudah menunjukkan objek sebenar. Gambar menunjukkan rajah rangkaian saraf sederhana. Neuron input (maklumat masuk) ditunjukkan dalam warna hijau, biru - neuron tersembunyi (analisis data), kuning - output neuron (penyelesaian).
Adakah rangkaian saraf adalah otak manusia buatan?
Walaupun struktur mesin dan rangkaian saraf manusia serupa, mereka tidak mempunyai ciri sistem saraf pusat kita. Rangkaian neural komputer pada dasarnya semua program bantu yang sama. Kebetulan otak kita adalah sistem pengkomputeran yang paling teratur. Anda mungkin pernah mendengar ungkapan "otak kita adalah komputer"? Para saintis hanya "meniru" beberapa aspek strukturnya secara digital. Ini hanya memungkinkan untuk mempercepat pengiraan, tetapi tidak memberi mesin dengan kesedaran.
Jaringan saraf telah wujud sejak tahun 1950-an (sekurang-kurangnya dalam bentuk konsep). Tetapi sehingga baru-baru ini, mereka tidak mendapat banyak pengembangan, kerana pembuatannya memerlukan sejumlah besar data dan kekuatan pengkomputeran. Dalam beberapa tahun kebelakangan ini, semua ini telah tersedia, sehingga jaringan saraf muncul, setelah mendapat perkembangannya. Penting untuk memahami bahawa tidak ada teknologi yang cukup untuk penampilan penuh mereka. Bagaimana mereka tidak cukup sekarang untuk membawa teknologi ke tahap yang baru.
Untuk apa pembelajaran mendalam dan rangkaian saraf digunakan?
Terdapat beberapa bidang di mana kedua-dua teknologi ini telah membantu membuat kemajuan yang ketara. Lebih-lebih lagi, kita menggunakan sebilangannya setiap hari dalam hidup kita dan tidak memikirkan apa yang ada di belakangnya.
- Penglihatan komputer adalah kemampuan perisian untuk memahami kandungan gambar dan video. Ini adalah satu bidang di mana pembelajaran mendalam telah membuat banyak kemajuan. Contohnya, algoritma pemprosesan imej pembelajaran mendalam dapat mengesan pelbagai jenis barah, penyakit paru-paru, penyakit jantung, dan sebagainya. Dan untuk melakukannya dengan lebih pantas dan cekap daripada doktor. Tetapi pembelajaran mendalam juga terdapat dalam banyak aplikasi yang anda gunakan setiap hari. Apple Face ID dan Google Photos menggunakan pembelajaran mendalam untuk pengecaman wajah dan peningkatan imej. Facebook menggunakan pembelajaran mendalam untuk menandai orang secara automatik dalam foto yang dimuat naik dan sebagainya. Visi komputer juga membantu syarikat untuk mengenal pasti dan menyekat kandungan yang dipersoalkan secara automatik seperti keganasan dan kebogelan. Dan akhirnyapembelajaran mendalam memainkan peranan yang sangat penting dalam membuat kenderaan memandu sendiri supaya mereka dapat memahami persekitarannya.
- Pengecaman suara dan pertuturan. Apabila anda menyampaikan arahan kepada Pembantu Google anda, algoritma pembelajaran mendalam menerjemahkan suara anda menjadi perintah teks. Beberapa aplikasi dalam talian menggunakan pembelajaran mendalam untuk menyalin fail audio dan video. Walaupun anda menyanyikan lagu, rangkaian neural dan algoritma pembelajaran mesin dalam dimainkan.
- Carian internet: walaupun anda mencari sesuatu dalam mesin pencari, agar permintaan anda dapat diproses dengan lebih jelas dan hasil carian seakurat mungkin, syarikat telah mula menghubungkan algoritma rangkaian saraf ke mesin pencari mereka. Oleh itu, prestasi mesin carian Google telah meningkat beberapa kali setelah sistem beralih ke pembelajaran mesin dalam dan rangkaian saraf.
Had pembelajaran mendalam dan rangkaian saraf
Walaupun terdapat banyak kelebihan, pembelajaran mendalam dan rangkaian saraf juga mempunyai beberapa kekurangan.
- Ketergantungan Data: Secara umum, algoritma pembelajaran mendalam memerlukan sejumlah besar data latihan untuk melaksanakan tugas mereka dengan tepat. Malangnya, untuk menyelesaikan banyak masalah, data latihan berkualiti tidak mencukupi untuk membuat model kerja.
- Tidak dapat diramalkan: Rangkaian saraf berkembang dengan cara yang pelik. Kadang-kadang semuanya berjalan seperti yang dirancang. Dan kadang kala (walaupun rangkaian saraf berfungsi dengan baik), malah pencipta berusaha memahami bagaimana algoritma berfungsi. Kekurangan ramalan menjadikannya sangat sukar untuk menghapuskan dan membetulkan kesalahan dalam algoritma rangkaian saraf.
- Bias Algoritma: Algoritma pembelajaran mendalam sama baiknya dengan data yang dilatih. Masalahnya ialah data latihan sering mengandungi kesalahan atau kelemahan tersembunyi atau jelas, dan algoritma mewarisi mereka. Sebagai contoh, algoritma pengecaman wajah yang dilatih terutamanya pada gambar orang kulit putih akan berfungsi kurang tepat pada orang dengan warna kulit yang berbeza.
- Kurangnya generalisasi: Algoritma pembelajaran mendalam bagus untuk melaksanakan tugas yang disasarkan, tetapi tidak dapat menggeneralisasikan pengetahuan mereka. Tidak seperti manusia, model pembelajaran mendalam yang dilatih untuk bermain StarCraft tidak akan dapat memainkan permainan serupa yang lain: katakanlah, WarCraft. Selain itu, pembelajaran mendalam tidak berfungsi dengan baik dalam menangani data yang menyimpang dari contoh latihannya.
Masa depan pembelajaran mendalam, rangkaian saraf dan AI
Jelas bahawa kerja-kerja pembelajaran mendalam dan rangkaian saraf masih belum selesai. Pelbagai usaha sedang dilakukan untuk meningkatkan algoritma pembelajaran mendalam. Pembelajaran Dalam adalah teknik canggih dalam kecerdasan buatan. Ini telah menjadi semakin popular dalam beberapa tahun kebelakangan ini kerana banyaknya data dan peningkatan daya pemprosesan. Ini adalah teknologi teras di sebalik banyak aplikasi yang kami gunakan setiap hari.
Tetapi adakah kesedaran akan lahir berdasarkan teknologi ini? Kehidupan buatan sebenar? Sebilangan saintis percaya bahawa pada masa ketika bilangan hubungan antara komponen rangkaian saraf tiruan mendekati penunjuk yang sama yang ada di otak manusia antara neuron kita, sesuatu seperti ini boleh berlaku. Walau bagaimanapun, tuntutan ini sangat dipersoalkan. Agar AI sebenar muncul, kita perlu memikirkan semula cara kita membina sistem AI. Semua yang ada sekarang hanyalah program yang diaplikasikan untuk pelbagai tugas yang terhad. Sebanyak yang kita ingin percaya bahawa masa depan sudah tiba …
Apa pendapat kamu? Adakah manusia akan mencipta AI?
