Зміст:
Відео: Настя и сборник весёлых историй (Вересень 2024)
"Ендрю Інграм" - це цифровий помічник, який сканує ваші електронні листи, дає планування ідей для зустрічей та зустрічей, які ви обговорюєте зі своїми колегами, встановлює завдання та надсилає запрошення до відповідних сторін з дуже невеликою допомогою. Він використовує передові можливості штучного інтелекту X.ai, New
Хоча думка про те, що ваші електронні листи скануються справжніми людьми, може здаватися моторошною, вона стала загальною практикою серед багатьох компаній, які надають послуги AI своїм клієнтам. Недавня стаття в The Wall Street Journal виклала кілька фірм, які дозволяють своїм працівникам отримувати доступ та читати електронні листи клієнтів, щоб створити нові функції та навчити їх ШІ на випадки, яких раніше не було.
Називається технікою "Чарівник Оза" або псевдо-AI, практика мовчки використовувати людей, щоб компенсувати недоліки алгоритмів ШІ, проливає світло на деякі найглибші виклики, з якими стикається індустрія ШІ.
AI не готовий до широких проблем
За більшістю інновацій AI за останні роки стоять алгоритми глибокого навчання та нейронні мережі. Глибоконейронні мережі дуже ефективні при класифікації інформації. У багатьох випадках, таких як розпізнавання голосу та обличчя або виявлення раку за МРТ та КТ, вони можуть перевершити людей.
Але це не означає, що глибоке навчання та нейронні мережі можуть виконати будь-яке завдання, яке може зробити людина.
"Глибоке навчання дозволяє нам вирішити проблему сприйняття. Це велика справа, оскільки сприйняття обмежило ШІ з моменту його створення понад 60 років тому", - говорить Джонатан Муган, співзасновник і генеральний директор DeepGrammar. "Вирішення проблеми сприйняття нарешті зробило AI корисним для таких речей, як розпізнавання голосу та робототехніка".
Однак, зазначає Муган, сприйняття - не єдина проблема. Глибока боротьба з навчанням, де задіяні здорові думки та розуміння.
"Глибоке навчання не допомагає нам у цій проблемі", - каже він. "Ми досягли певного прогресу в NLP (природній обробці мови), розглядаючи мову як проблему сприйняття; тобто перетворюючи слова та речення у вектори. Це дозволило нам краще представити текст для класифікації та машинного перекладу (коли є багато дані), але це не допомагає з розумними міркуваннями. Ось чому чат-боти значною мірою не спрацювали. "
Однією з головних проблем, з якою стикаються усі програми глибокого навчання, є збір правильних даних для навчання своїх моделей AI. Зусилля та дані, які спрямовуються на підготовку нейронної мережі для виконання завдання, залежать від того, наскільки широкий проблемний простір та який рівень точності потрібен.
Наприклад, додаток для класифікації зображень, такий як додаток Not Hotdog із Силіконової долини HBO, виконує дуже вузьку та конкретну задачу: він повідомляє, чи показує камеру вашого смартфона хот-дог чи ні. З достатньою кількістю зображень хот-догів, AI програми може виконувати свою дуже важливу функцію з високим рівнем точності. І навіть якщо вона раз у раз помиляється, це нікому не зашкодить.
Але інші програми AI, такі як X.ai будується, вирішують набагато ширші проблеми, а значить, вони потребують безлічі прикладів якості. Також їх толерантність до помилок значно нижча. Існує велика різниця між помилкою прийому огірків для хот-дога та плануванням важливої ділової зустрічі в неправильний час.
На жаль, дані про якість не є товаром, яким володіють усі компанії.
"Основне правило полягає в тому, що чим загальнішою є проблема, яку намагається вирішити ШІ, тим більше можливих випадків або незвичних форм поведінки. Це неминуче означає, що вам потрібно набагато більше прикладів для навчання, щоб висвітлити все", - говорить доктор Стів Марш, CTO в Geospock. "Стартапи, як правило, не мають доступу до величезної кількості даних про тренування, тому моделі, які вони можуть створити, будуть дуже нішевими та крихкими, які зазвичай не виправдають їхніх очікувань".
Таким багатством інформації володіють лише великі компанії, такі як Facebook та Google, які роками збирають дані мільярдів користувачів. Менші компанії повинні сплачувати великі суми, щоб отримати або створити дані про навчання, і це затримує їх запуск. Альтернативою є все-таки запустити і почати тренувати свій ШІ на льоту, використовуючи тренерів для людей та живих даних клієнтів і сподіваючись, що зрештою, ШІ стане менш залежною від людей.
Наприклад, Edison Software, Каліфорнійська компанія, яка розробляє додатки для управління електронною поштою, змусила своїх працівників читати електронні листи своїх клієнтів, щоб розробити функцію "розумної відповіді", оскільки у них не було достатньо даних для підготовки алгоритму, компанія Про це заявив генеральний директор The Wall Street Journal. Створення розумних відповідей - це широке та складне завдання. Навіть Google, який має доступ до електронних листів мільярдів користувачів, надає розумні відповіді у дуже вузьких випадках.
Але використання людей для навчання AI з живими даними користувачів не обмежується меншими компаніями.
У 2015 році Facebook запустила M, чат-інтелект AI, який міг зрозуміти та реагувати на різні нюанси розмов та виконувати багато завдань. Facebook зробив M доступним для обмеженої кількості користувачів у Каліфорнії та створив штат працівників людських служб, які слідкували б за роботою AI та втручалися виправити його, коли він не міг зрозуміти запит користувача. Спочатку планувалося, що люди-оператори допоможуть навчити помічника реагувати на крайні випадки, яких раніше не бачили. З часом М змогла б працювати без допомоги людей.
Недосяжна мета?
Незрозуміло, скільки часу знадобиться для Edison Software, X.ai та інших компаній, які запустили системи "людина-в-циклі", щоб зробити свій AI повністю автоматизованим. Існує також сумнів, чи можуть сучасні тенденції ШІ коли-небудь досягти точки залучення до ширших областей.
У 2018 році Facebook відключив M, не розгортаючи його офіційно. Компанія не ділилася деталями, але зрозуміло, що створити чат, який може вступати в широкі розмови, дуже важко. А надання М доступним для всіх двох мільярдів користувачів Facebook, не попередньо зробивши його повністю здатним автоматично реагувати на всілякі розмови, зажадало б, щоб гігант соціальних медіа наймав величезний персонал для заповнення прогалин М.
Муган DeepGrammar вважає, що врешті-решт ми зможемо створити AI, який зможе вирішити здорові розумні міркування, які інші класифікують як загальний ШІ. Але це станеться не скоро. "На даний момент на горизонті немає методів, які дозволять комп'ютеру зрозуміти, що знає маленька дитина", - каже Муган. "Без цього базового розуміння комп'ютери не зможуть виконати багато завдань у 100 відсотків часу".
Для того, щоб зробити це в перспективі, фахівці OpenAI нещодавно розробили Dactyl, робототехнічну руку, яка може обробляти об'єкти. Це завдання, яке будь-яка людська дитина вчиться виконувати підсвідомо в ранньому віці. Але для розвитку тих же навичок знадобилося 6144 процесорів Dactyl і 8 графічних процесорів і близько ста років. Хоча це захоплююче досягнення, воно також підкреслює великі відмінності між вузьким ШІ та способом роботи людського мозку.
"Ми дуже далекі від штучного загального інтелекту, і цілком ймовірно, що AGI буде поєднанням і координацією багатьох різних типів вузьких або специфічних для програми ШІ", - говорить Марш. "Я думаю, що зараз є тенденція переохолоджувати можливості ШІ, але я також бачу, що в цьому є величезна цінність лише у виконанні перших перших кроків та впровадженні традиційних моделей машинного навчання".
Чи є інший AI зимовий маяч?
У 1984 році Американська асоціація штучного інтелекту (пізніше перейменована на Асоціацію просування штучного інтелекту) попередила ділову спільноту, що галас і ентузіазм навколо ШІ зрештою призведуть до розчарування. Незабаром інвестиції та інтерес до AI обвалилися, що призвело до епохи, більш відомої як "AI зима".
З початку 2010-х років інтерес та інвестиції в цій галузі знову зростають. Деякі фахівці побоюються, що якщо програми AI будуть неефективними та не виправдають очікувань, настане інша зима AI. Але експерти, з якими ми говорили, вважають, що ШІ вже занадто інтегрований у наше життя, щоб відступити на його кроки.
"Я не думаю, що ми загрожуємо AI-зимі, як ті, що були раніше, тому що AI зараз надає реальну цінність, а не лише гіпотетичну цінність", - каже Муган. "Однак, якщо ми продовжимо говорити широкій громадськості, що комп’ютери розумні, як люди, ми ризикуємо отримати зворотній зв'язок. Ми не повернемося до того, щоб не використовувати глибоке навчання для сприйняття, але термін" AI "може бути зв'язаний, і ми доведеться називати це чимось іншим ".
Безперечно, що принаймні перед нами стоїть епоха розчарування. Ми збираємось дізнатися, в якій мірі ми можемо довіряти поточним сумішам ШІ в різних областях.
"Я очікую побачити - це те, що деякі компанії приємно здивовані тим, наскільки швидко вони можуть надати AI для раніше ручного і дорогого сервісу, і що інші компанії збираються виявити, що це займе більше часу, ніж вони очікували, щоб зібрати достатньо даних, щоб стати фінансово життєздатний ", - каже Джеймс Бергстра, співзасновник і керівник наукових досліджень на Kindred.ai. "Якщо останніх занадто багато, а перших недостатньо, це може спричинити чергову AI зиму серед інвесторів".
- Штучний інтелект має проблему зміщення, і це наша помилка Штучний інтелект має проблему зміщення, і це наша вина
- Чому навчання AI грати в ігри важливо Чому навчання AI грати в ігри важливо
- AI пропонує величезний потенціал, але це не станеться за ніч. AI пропонує величезний потенціал, але він не станеться за ніч
Марш Геоспока прогнозує, що хоча фінансування не вщухне, деякі зміни в його динаміці будуть вноситись. Оскільки інвестори розуміють, що справжній досвід є рідкісним, і лише ті, хто має доступ до даних для навчання моделей, будуть різними в галузі, відбудеться велика консолідація на ринку і набагато менше стартапів отримає фінансування.
"Для багатьох стартапів AI без застосування нішевого ринку або величезної кількості даних: зима настає", - підсумовує Марш.
