Kecerdasan buatan hari ini: Apa gembar-gembur dan apa yang nyata?

Pilih majalah, tatal blog teknologi, atau hanya berbual dengan rakan sebaya anda di persidangan industri. Anda akan cepat menyedari bahawa hampir semua yang keluar dari dunia teknologi nampaknya mempunyai unsur kecerdasan buatan atau pembelajaran mesin dengannya. Cara kecerdasan buatan dibincangkan, ia mulai terdengar seperti propaganda. Inilah satu-satunya teknologi sebenar yang dapat menyelesaikan semua keperluan anda! AI ada di sini untuk menyelamatkan kita semua!

Walaupun benar bahawa kita dapat melakukan perkara yang luar biasa dengan teknik berasaskan AI, kita umumnya tidak merangkumi makna penuh dari istilah "kecerdasan." Kecerdasan menyiratkan sistem dengan mana manusia dapat melakukan percakapan kreatif - sistem yang mempunyai idea dan yang dapat mengembangkan yang baru. Yang menjadi persoalan ialah terminologi. "Kecerdasan buatan" hari ini biasanya menggambarkan pelaksanaan beberapa aspek kemampuan manusia, seperti pengenalan objek atau ucapan, tetapi tentu saja tidak keseluruhan potensi kecerdasan manusia.

Oleh itu, "kecerdasan buatan" mungkin bukan kaedah terbaik untuk menggambarkan teknologi pembelajaran mesin "baru" yang kita gunakan hari ini, tetapi kereta api itu telah meninggalkan stesen. Bagaimanapun, walaupun pembelajaran mesin belum identik dengan kepintaran mesin, ia pasti menjadi lebih kuat, lebih berkebolehan, dan lebih mudah digunakan. AI - yang bermaksud rangkaian neural atau pembelajaran mendalam serta pembelajaran mesin "klasik" - akhirnya dalam perjalanan untuk menjadi bahagian standard dari alat analisis.

Sekarang kita sudah memasuki revolusi AI (atau lebih tepatnya evolusi), penting untuk melihat bagaimana konsep kecerdasan buatan telah dipilih, mengapa, dan apa maksudnya di masa depan. Mari selami lebih mendalam untuk mengetahui mengapa kecerdasan buatan, bahkan beberapa versi yang sedikit salah, telah menarik perhatian sekarang.

Janji AI: Mengapa sekarang?

Dalam kitaran gembar-gembur semasa, kecerdasan buatan atau pembelajaran mesin sering digambarkan sebagai teknologi yang agak baru yang tiba-tiba matang, baru-baru ini beralih dari tahap konsep ke integrasi dalam aplikasi. Terdapat kepercayaan umum bahawa penciptaan produk pembelajaran mesin yang berdiri sendiri hanya berlaku sejak beberapa tahun kebelakangan. Pada hakikatnya, perkembangan penting dalam kecerdasan buatan bukanlah perkara baru. AI masa kini adalah kesinambungan kemajuan yang dicapai sejak beberapa dekad yang lalu. Perubahan itu, sebab-sebab kita melihat kecerdasan buatan muncul di lebih banyak tempat, bukan mengenai teknologi AI itu sendiri, tetapi teknologi yang mengelilinginya — iaitu, penjanaan data dan kekuatan pemprosesan.

Saya tidak akan membuat anda bosan dengan menyebut berapa banyak zettabyte data yang akan kami simpan tidak lama lagi (berapa banyak sifar yang dimiliki zettabyte?). Kita semua tahu bahawa kemampuan kita untuk menjana dan mengumpulkan data berkembang secara fenomenal. Pada masa yang sama, kami telah melihat peningkatan daya pengkomputeran yang tersedia. Peralihan dari pemproses teras tunggal ke multi-teras serta pengembangan dan penggunaan unit pemprosesan grafik umum (GPGPU) memberikan kekuatan yang cukup untuk pembelajaran mendalam. Kita tidak perlu lagi mengendalikan komputer secara dalaman. Kita hanya boleh menyewa kuasa pemprosesan di suatu tempat di awan.

Dengan begitu banyak data dan sumber daya pengkomputeran yang banyak, para saintis data akhirnya dapat menggunakan kaedah yang dikembangkan dalam beberapa dekad yang lalu pada skala yang sama sekali berbeza. Pada tahun 1990-an, diperlukan beberapa hari untuk melatih rangkaian saraf untuk mengenali angka pada puluhan ribu contoh dengan digit tulisan tangan. Hari ini, kita dapat melatih rangkaian saraf yang jauh lebih kompleks (iaitu "dalam") pada puluhan juta gambar untuk mengenali haiwan, wajah, dan objek kompleks lain. Dan kami dapat menerapkan model pembelajaran mendalam untuk mengotomatisasi tugas dan keputusan dalam aplikasi perniagaan arus perdana, seperti mengesan dan meramalkan kematangan hasil atau merutekan panggilan masuk.

Ini mungkin terdengar mencurigakan seperti membangun kecerdasan sebenar, tetapi penting untuk diperhatikan bahawa di bawah sistem ini, kita hanya menyesuaikan parameter ketergantungan matematik, walaupun cukup rumit. Kaedah kecerdasan buatan tidak pandai memperoleh pengetahuan "baru"; mereka hanya belajar dari apa yang disampaikan kepada mereka. Dengan kata lain, kecerdasan buatan tidak mengemukakan soalan "mengapa". Sistem tidak beroperasi seperti anak-anak yang terus-menerus menyoal ibu bapa mereka ketika mereka berusaha memahami dunia di sekitar mereka. Sistem hanya mengetahui apa yang diberi makan. Ia tidak akan mengenali apa-apa yang sebelumnya tidak disedari.

Dalam senario pembelajaran mesin "klasik" yang lain, penting untuk mengetahui data kami dan mempunyai idea tentang bagaimana kami mahu sistem itu mencari corak. Sebagai contoh, kita tahu bahawa tahun kelahiran bukanlah fakta yang berguna mengenai pelanggan kita, kecuali kita menukar nombor ini ke usia pelanggan. Kami juga tahu mengenai kesan musim. Kita tidak boleh mengharapkan sistem mempelajari corak membeli fesyen secara bebas dari musim ini. Selanjutnya, kami mungkin ingin memasukkan beberapa perkara lain ke dalam sistem untuk belajar di atas apa yang sudah diketahui. Tidak seperti pembelajaran mendalam, pembelajaran mesin jenis ini, yang telah digunakan oleh perniagaan selama beberapa dekad, berkembang lebih pesat.

Kemajuan baru-baru ini dalam kecerdasan buatan datang terutamanya di bidang di mana para saintis data dapat meniru kemampuan pengenalan manusia, seperti mengenali objek dalam gambar atau kata-kata dalam isyarat akustik. Belajar mengenali corak dalam isyarat yang kompleks, seperti aliran audio atau gambar, sangat kuat - cukup kuat sehingga banyak orang bertanya-tanya mengapa kita tidak menggunakan teknik pembelajaran mendalam di mana-mana. 

Janji AI: Apa sekarang?

Kepemimpinan organisasi mungkin bertanya kapan mereka harus menggunakan kecerdasan buatan. Oleh itu, penyelidikan berasaskan AI telah membuat kemajuan besar dalam hal rangkaian saraf menyelesaikan masalah yang berkaitan dengan meniru apa yang dilakukan oleh manusia dengan baik (pengenalan objek dan pengecaman pertuturan menjadi dua contoh yang paling menonjol). Setiap kali seseorang bertanya, "Apa representasi objek yang baik?" dan tidak dapat memberikan jawapan, maka model pembelajaran mendalam mungkin patut dicuba. Walau bagaimanapun, apabila saintis data dapat membina perwakilan objek yang kaya dengan semantik, maka kaedah pembelajaran mesin klasik mungkin merupakan pilihan yang lebih baik (dan ya, ada baiknya kita memikirkan sedikit pemikiran serius untuk mencari perwakilan objek yang baik).

Pada akhirnya, seseorang hanya ingin mencuba teknik yang berbeza dalam platform yang sama dan tidak dibatasi oleh pilihan kaedah beberapa vendor perisian atau ketidakupayaan untuk mengikuti perkembangan semasa di lapangan. Inilah sebabnya mengapa platform sumber terbuka menjadi peneraju dalam pasaran ini; mereka membenarkan pengamal menggabungkan teknologi canggih terkini dengan perkembangan terkini.

Melangkah ke hadapan, ketika pasukan menjadi selaras dengan tujuan dan kaedah mereka untuk menggunakan pembelajaran mesin untuk mencapainya, pembelajaran mendalam akan menjadi bagian dari kotak alat setiap saintis data. Untuk banyak tugas, menambahkan kaedah pembelajaran mendalam untuk campuran akan memberikan nilai yang besar. Fikirkan mengenainya. Kami akan dapat memasukkan pengenalan objek dalam sistem, menggunakan sistem kecerdasan buatan yang sudah dilatih. Kami akan dapat memasukkan komponen pengenalan suara atau pertuturan yang ada kerana orang lain telah mengalami masalah mengumpulkan dan memberi penjelasan data yang mencukupi. Tetapi pada akhirnya, kita akan menyedari bahawa pembelajaran mendalam, sama seperti pembelajaran mesin klasik sebelum ini, benar-benar hanya alat lain untuk digunakan apabila masuk akal.

Janji AI: Apa seterusnya?

Salah satu blok jalan yang akan muncul, seperti yang berlaku dua dekad yang lalu, adalah kesukaran yang sangat tinggi yang dihadapi ketika cuba memahami apa yang telah dipelajari oleh sistem kecerdasan buatan dan bagaimana mereka membuat ramalan mereka. Perkara ini mungkin tidak kritikal ketika meramalkan sama ada pelanggan mungkin atau tidak menyukai produk tertentu. Tetapi masalah akan timbul ketika menjelaskan mengapa sistem yang berinteraksi dengan manusia berperilaku dengan cara yang tidak dijangka. Manusia bersedia menerima "kegagalan manusia" - kita tidak mengharapkan manusia sempurna. Tetapi kita tidak akan menerima kegagalan dari sistem kecerdasan buatan, terutamanya jika kita tidak dapat menjelaskan mengapa ia gagal (dan membetulkannya).

Apabila kita menjadi lebih akrab dengan pembelajaran mendalam, kita akan menyedari - seperti yang kita lakukan untuk pembelajaran mesin dua dekad yang lalu - bahawa walaupun kerumitan sistem dan jumlah data yang dilatihnya, pemahaman pola tidak mungkin dilakukan tanpa pengetahuan domain. Pengecaman pertuturan manusia berfungsi begitu juga kerana kita sering dapat mengisi lubang dengan mengetahui konteks perbualan semasa.

Sistem kecerdasan buatan hari ini tidak mempunyai pemahaman yang mendalam. Apa yang kita lihat sekarang adalah kecerdasan yang cetek, keupayaan untuk meniru kemampuan pengiktirafan manusia yang terpencil dan kadang-kadang mengungguli manusia dalam tugas-tugas terpencil itu. Melatih sistem dengan berbilion contoh hanyalah soal memiliki data dan mendapatkan akses ke sumber data yang mencukupi — bukan pemecah perjanjian lagi.

Kemungkinannya, kegunaan kecerdasan buatan akhirnya akan jatuh di sebalik propaganda "menyelamatkan dunia". Mungkin semua yang kita dapat adalah alat yang luar biasa untuk digunakan oleh pengamal untuk melakukan pekerjaan mereka dengan lebih cepat dan lebih baik.

Michael Berthold adalah CEO dan pengasas bersama di KNIME, sebuah syarikat analisis data sumber terbuka. Dia mempunyai pengalaman lebih dari 25 tahun dalam sains data, bekerja di akademik, baru-baru ini sebagai profesor penuh di Konstanz University (Jerman) dan sebelumnya di University of California (Berkeley) dan Carnegie Mellon, dan dalam industri di Intel Neural Network Group, Utopy, dan Tripos. Michael telah banyak menerbitkan analisis data, pembelajaran mesin, dan kecerdasan buatan. Ikuti Michael di  Twitter , LinkedIn dan blog KNIME .   

-

Forum Teknologi Baru menyediakan tempat untuk meneroka dan membincangkan teknologi perusahaan yang baru muncul dalam kedalaman dan luas yang belum pernah terjadi sebelumnya. Pemilihannya bersifat subjektif, berdasarkan pilihan teknologi yang kami anggap penting dan paling menarik bagi pembaca. tidak menerima jaminan pemasaran untuk penerbitan dan berhak untuk mengedit semua kandungan yang disumbangkan. Hantarkan semua pertanyaan ke  [email protected] .