همه این روزها درباره "AI" صحبت می کنند. اما ، آیا شما به Siri ، Alexa یا فقط ویژگی های درست در صفحه کلید تلفن هوشمند شما نگاه نمی کنید ، ما در حال ایجاد هوش مصنوعی با هدف کلی نیستیم. ما برنامه هایی را ایجاد می کنیم که می توانند کارهای خاص و باریکی را انجام دهند.

رایانه ها نمی توانند "فکر کنند"

هر وقت یک شرکت می گوید با ویژگی "AI" جدیدی روبرو می شود ، به معنای کلی این است که شرکت از دستگاه استفاده می کند. آموزش ساختن شبکه عصبی "یادگیری ماشینی" روشی است که به یک ماشین می آموزد که چگونه بهتر بتواند یک کار خاص را انجام دهد.

ما در اینجا به یادگیری ماشین حمله نمی کنیم! یادگیری ماشینی یک فناوری فوق العاده با کاربردهای بسیار قدرتمند است. اما این یک هوش مصنوعی با هدف کلی نیست و درک محدودیت های یادگیری ماشین به شما کمک می کند تا بدانید که چرا فناوری فعلی هوش مصنوعی ما اینقدر محدود است.

"هوش مصنوعی" رویاهای علمی تخیلی ، نوعی مغز رایانه ای یا روباتیک است. در مورد چیزها فکر می کند و آنها را همانطور که انسان می فهمد ، می فهمد. چنین هوش مصنوعی یک هوش کلی مصنوعی (AGI) است ، به این معنی که می تواند در مورد چندین چیز مختلف فکر کند و آن هوش را در چندین حوزه مختلف به کار ببرد. یک مفهوم مرتبط با آن "هوش مصنوعی قوی" است که می تواند دستگاهی باشد که می تواند هوشیاری مانند انسان را تجربه کند.

ما هنوز آن نوع هوش مصنوعی را نداریم. ما در هر کجای آن نزدیک نیستیم. یک موجود رایانه ای مانند سیری ، الکسا یا کورتانا همانطور که ما انسانها نمی فهمیم و فکر نمی کنیم. اصلاً چیزها "درک نمی کنند".

هوش مصنوعی که ما انجام داده ایم ، آموزش دیده اند تا بتوانند یک کار خاص را به خوبی انجام دهند ، با فرض اینکه انسان می تواند داده هایی را برای کمک به آنها در یادگیری فراهم کند. آنها یاد می گیرند کاری انجام دهند ، اما هنوز آن را درک نمی کنند.

رایانه ها درک نمی کنند

Gmail یک ویژگی جدید "پاسخ هوشمند" دارد که پاسخ به ایمیل ها را پیشنهاد می کند. ویژگی پاسخ هوشمند "ارسال شده از آیفون من" را به عنوان یک پاسخ معمول معرفی کرد. همچنین می خواستم "من شما را دوست دارم" به عنوان پاسخ به انواع مختلف ایمیل ، از جمله ایمیل های کاری پیشنهاد دهید.

به این دلیل است که کامپیوتر نمی فهمید که این پاسخ ها چیست. تازه آموخته شده است که بسیاری از افراد این عبارات را در ایمیل ارسال می کنند. نمی داند که آیا می خواهید به رئیس خود بگویید "دوستت دارم" یا نه.

به عنوان نمونه دیگر ، Google Photos یک کولاژ از عکس های تصادفی از فرش را در یکی از خانه های ما گرد هم آورد. سپس آن کولاژ را به عنوان برجسته اخیر در مرکز Google Home معرفی کرد. Google Photos می داند که عکس ها مشابه هستند اما درک نکردند که چقدر بی اهمیت هستند.

ماشین ها اغلب به یادگیری سیستم بازی می پردازند

یادگیری ماشین همه چیز در مورد اختصاص یک کار و اجازه دادن به رایانه است. کارآمدترین روش برای انجام آن از آنجا که آنها درک نمی کنند ، به راحتی می توان با "یادگیری" رایانه چگونگی حل مسئله متفاوت از آنچه را که می خواستید حل کرد.

در اینجا لیستی از نمونه های سرگرم کننده وجود دارد که در آن "هوش مصنوعی" برای بازی کردن بازی ها و اهداف تعیین شده ایجاد شده است. فقط یادگیری بازی سیستم. این مثالها همه از این صفحه گسترده عالی به دست می آیند:

• "موجودات پرورش یافته به سرعت رشد می کنند و واقعاً بلند هستند و با افتادن سرعت های بالایی ایجاد می کنند."
• "عامل خود را در انتهای سطح 1 می کشد تا از افت سطح 2 جلوگیری کند."
• "عامل به طور نامحدود بازی را متوقف می کند تا از دست ندهد."
• "در یک شبیه سازی زندگی مصنوعی که بقا به انرژی نیاز داشت اما زایمان هیچ هزینه ای برای انرژی نداشت ، یک گونه یک سبک زندگی بی تحرک را تشکیل می داد که بیشتر برای جفت گیری از جفت گیری تشکیل می شد. بچه های جدیدی که می توانند از آنها غذا بخورند (یا به عنوان همسران مورد استفاده قرار می گیرند تا بچه های خوراکی بیشتری تولید کنند). "
• " از آنجا که هوش مصنوعی ها احتمالاً اگر یک بازی را از دست بدهند ، "کشته می شدند" ، کشته شدن این بازی یک مزیت بود. روند انتخاب ژنتیک بنابراین ، چندین هوش مصنوعی روش هایی برای خراب کردن بازی ایجاد کردند. "
• " شبکه های عصبی برای طبقه بندی قارچ های خوراکی و سمی تکامل یافته از داده های ارائه شده به ترتیب متناوب استفاده کردند و در واقع هیچ ویژگی تصاویر ورودی را یاد نگرفتند. " 19659021] برخی از این راه حلها ممکن است هوشمندانه به نظر برسند ، اما هیچ یک از این شبکه های عصبی درک نکردند که چه می کنند. به آنها هدفی اهدا شد و راهی برای تحقق آن آموختند. اگر هدف جلوگیری از از دست دادن در یک بازی رایانه ای باشد ، فشردن دکمه مکث ساده ترین و سریعترین راه حل است که می توانند پیدا کنند.

  شبکه های یادگیری ماشین و شبکه های عصبی

  با یادگیری ماشین ، رایانه ای برای انجام برنامه ریزی نشده است. کار خاص در عوض ، داده ها تغذیه می شوند و عملکرد آن را در این کار ارزیابی می کنند.

  نمونه ابتدایی یادگیری ماشینی شناخت تصویر است. بیایید بگوییم که می خواهیم یک برنامه رایانه ای را آموزش دهیم تا عکس هایی را که یک سگ در آنها وجود دارد شناسایی کنیم. ما می توانیم میلیون ها تصویر به رایانه ارائه دهیم ، بعضی از آنها سگ در آنها و برخی دیگر ندارند. تصاویر برچسب خورده اند که آیا آنها سگ دارند یا نه. برنامه رایانه ای "خود را آموزش می دهد تا آنچه را كه سگ ها بر اساس آن مجموعه داده ها تشخیص می دهند ، تشخیص دهند.

  از روش یادگیری ماشین برای آموزش یک شبکه عصبی استفاده می شود ، که یک برنامه رایانه ای با چند لایه است که هر ورودی داده از آن عبور می کند ، و هر لایه قبل از تصمیم گیری ، وزن و احتمالات مختلفی را به آنها اختصاص می دهد. این روش چگونه فکر می کنیم مغز ممکن است کار کند ، با لایه های مختلفی از نورونها درگیر یک کار در فکر کردن هستند. "یادگیری عمیق" به طور کلی به شبکه های عصبی اشاره دارد که لایه های زیادی بین ورودی و خروجی انباشته شده است.

  از آنجا که می دانیم کدام عکس در مجموعه داده ها شامل سگ است و کدام ها نیست ، می توانیم عکس ها را از طریق شبکه عصبی اجرا کنیم و ببینیم. آیا آنها به جواب صحیح منجر می شوند یا خیر. اگر شبکه تصمیم گرفت که یک عکس خاص را انجام دهد ، وقتی این کار را انجام داد ، سگی نداشته باشید ، برای مثال مکانیسمی برای گفتن شبکه وجود دارد که اشتباه بوده ، برخی موارد را تنظیم کرده و دوباره سعی کنید. رایانه در تشخیص اینکه آیا عکس ها دارای یک سگ هستند ، بهتر می شوند.

  همه اینها به طور خودکار اتفاق می افتد. با داشتن نرم افزار مناسب و داده های ساختاری زیادی که کامپیوتر برای آموزش خود می تواند انجام دهد ، کامپیوتر می تواند شبکه عصبی خود را تنظیم کند تا سگ ها را در عکس ها شناسایی کند. ما این را "AI" می نامیم.

  اما ، در پایان روز ، شما یک برنامه کامپیوتری هوشمند ندارید که بفهمد یک سگ چیست. شما یک رایانه دارید که آموخته است که تصمیم بگیرد که آیا یک سگ در عکس است یا خیر. این هنوز هم بسیار چشمگیر است ، اما این تنها کاری است که می تواند انجام دهد.

  و بسته به ورودی شما به آن ، ممکن است این شبکه عصبی به اندازه ظاهری هوشمند نباشد. به عنوان مثال ، اگر هیچ عکسی از گربه ها در مجموعه داده های شما وجود نداشت ، ممکن است شبکه عصبی تفاوت بین گربه ها و سگ ها را نبیند و وقتی آن را بر روی عکس های واقعی مردم رها کنید ، همه گربه ها را به عنوان سگ علامت بزنید.

  چیست؟ یادگیری ماشین مورد استفاده برای

  

  یادگیری ماشینی برای انواع کارها از جمله تشخیص گفتار استفاده می شود. دستیاران صوتی مانند گوگل ، الکسا و سیری به دلیل تکنیک های یادگیری ماشین که آنها را برای درک گفتار انسانی آموزش داده اند ، در درک صدای انسان بسیار خوب هستند. آنها تعداد زیادی از نمونه های گفتار انسان را آموزش داده اند و در درک اینکه صداها با کدام کلمات مطابقت دارند بهتر و بهتر می شوند.

  اتومبیل های رانندگی از تکنیک های یادگیری ماشینی استفاده می کنند که به کامپیوتر آموزش می دهند تا اشیاء موجود در جاده را شناسایی و چگونه به درستی به آنها پاسخ دهید Google Photos مملو از ویژگی هایی مانند آلبوم های زنده است که به طور خودکار افراد و حیوانات را در عکس ها با استفاده از یادگیری ماشین شناسایی می کند.

  DeepMind از Alphabet از ماشین یادگیری برای ایجاد AlphaGo استفاده کرد ، یک برنامه رایانه ای که می تواند بازی پیچیده ای را انجام دهد و بهترین انسانها را در آن شکست دهد. جهان. همچنین از یادگیری ماشین برای ایجاد رایانه هایی استفاده می شود که در اجرای سایر بازی ها از شطرنج گرفته تا DOTA 2. استفاده کنند.

  یادگیری ماشینی حتی برای Face ID در آخرین آیفون ها نیز استفاده می شود. آیفون شما یک شبکه عصبی را ایجاد می کند که می خواهد چهره شما را شناسایی کند ، و اپل شامل یک تراشه اختصاصی "موتور عصبی" است که کلیه کارهای شماره گیری را برای این و سایر وظایف یادگیری دستگاه انجام می دهد.

  یادگیری ماشین برای بسیاری موارد دیگر نیز قابل استفاده است. موارد مختلف ، از شناسایی تقلب در کارت اعتباری گرفته تا توصیه های شخصی محصولات در وب سایت های خرید.

  اما ، شبکه های عصبی ایجاد شده با یادگیری ماشین ، واقعاً چیزی را نمی فهمند. آنها برنامه های مفیدی هستند که می توانند وظایف باریکی را که برای آنها آموزش دیده بودند ، به دست آورند ، و این همان است.

  اعتبار تصویر: Phonlamai Photo / Shutterstock.com ، تاتیانا شپلوا / Shutterstock.com ، ساندری عکاسی / Shutterstock.com.