Systemtilgang Fuld afsløring: Jeg har en historie med AI, efter at have flirtet med det i 1980'erne (husker du ekspertsystemer?) og så sikkert undgået AI-vinteren i slutningen af 1980'erne ved at gå over til formel verifikation, før jeg endelig landede på netværk som mit speciale i 1988.
Og ligesom min Systems Approach-kollega Larry Peterson har klassikere som Pascal-manualen på sin bogreol, har jeg stadig et par AI-bøger fra firserne på min, især PH Winstons. Kunstig intelligens (1984). At bladre i den bog er noget af et brag, i den forstand, at meget af den ser ud til, at den kunne være skrevet i går. Forordet begynder f.eks. sådan:
Området for kunstig intelligens har ændret sig enormt siden den første udgave af denne bog blev udgivet. Emner i kunstig intelligens er de rigueur for bachelor-datalogi hovedfag, og historier om kunstig intelligens er regelmæssigt omtalt i de fleste af de velrenommerede nyhedsmagasiner. En del af årsagen til forandring er, at der er akkumuleret solide resultater.
Jeg var også fascineret af at se nogle eksempler fra 1984 på "hvad computere kan gøre." Et eksempel var at løse alvorlige vanskelige regneproblemer – bemærkelsesværdigt, fordi nøjagtig aritmetik synes at være ud over mulighederne for nutidens LLM-baserede systemer.
Hvis kalkulation allerede var løselig af computere i 1984, mens grundlæggende aritmetik støder de systemer, vi betragter som nutidens state of the art, er mængden af fremskridt inden for AI i de sidste 40 år måske ikke helt så stor, som den først ser ud til. (Når det er sagt, er der endda bedre calculus-takling-systemer i dag, de er bare ikke baseret på LLM'er, og det er uklart, om nogen refererer til dem som AI.)
En grund til, at jeg hentede min gamle kopi af Winston, var for at se, hvad han havde at sige om definitionen af AI, for det er også et kontroversielt emne. Hans første bud på dette er ikke særlig opmuntrende:
Kunstig intelligens er studiet af ideer, der gør computere i stand til at være intelligente.
Nå, OK, det er ret cirkulært, da du på en eller anden måde skal definere intelligens, som Winston indrømmer. Men han fortsætter med at angive to mål for AI:
- For at gøre computere mere nyttige
- At forstå de principper, der gør intelligens mulig.
Det er med andre ord svært at definere intelligens, men måske vil studiet af AI hjælpe os med at få en bedre forståelse af, hvad det er. Jeg vil gå så langt som at sige, at vi stadig har debatten om, hvad der er efterretninger 40 år senere. Det første mål virker prisværdigt, men gælder klart for en masse ikke-AI-teknologi.
Denne debat om betydningen af "AI" fortsætter med at hænge over industrien. Jeg er stødt på masser af skænderier om, at vi ikke ville have brug for udtrykket Artificial General Intelligence, alias AGI, hvis blot udtrykket AI ikke var blevet så forurenet af folk, der markedsfører statistiske modeller som AI. Jeg køber ikke rigtig dette. Så vidt jeg kan se, har AI altid dækket en bred vifte af computerteknikker, hvoraf de fleste ikke ville narre nogen til at tro, at computeren udviste menneskelige niveauer af intelligens.
Da jeg begyndte at engagere mig igen i AI-området for omkring otte år siden, havde neurale netværk - som nogle af mine kolleger brugte i 1988, før de faldt i unåde - gjort et overraskende comeback, til det punkt, hvor billedgenkendelse med dyb neurale netværk havde overgået menneskers hastighed og nøjagtighed omend med nogle forbehold. Denne stigning i kunstig intelligens førte til et vist niveau af angst blandt mine ingeniørkolleger hos VMware, som fornemmede, at et vigtigt teknologisk skift var undervejs, som (a) de fleste af os ikke forstod (b) vores arbejdsgiver ikke var positioneret til at drage fordel af .
Da jeg kastede mig ud i opgaven med at lære, hvordan neurale netværk fungerer (med en stor assist fra Rodney Brooks) kom jeg til at indse, at det sprog, vi bruger til at tale om AI-systemer, har en betydelig indflydelse på, hvordan vi tænker om dem. For eksempel hørte vi i 2017 meget om "dyb læring" og "dybe neurale netværk", og brugen af ordet "dyb" har en interessant dobbeltbetydning. Hvis jeg siger, at jeg har "dybe tanker", kan du forestille dig, at jeg tænker på meningen med livet eller noget lige så tungt, og "dyb læring" synes at indebære noget lignende.
Men faktisk er det "dybe" i "dyb læring" en reference til dybden, målt i antal lag, af det neurale netværk, der understøtter indlæringen. Det er altså ikke “dybt” i betydningen meningsfuldt, men bare dybt på samme måde som en swimmingpool har en dyb ende – den med mere vand i. Denne dobbelte betydning bidrager til illusionen om, at neurale netværk "tænker".
En lignende forvirring gør sig gældende for "læring", hvor Brooks var så hjælpsom: Et dybt neuralt netværk (DNN) bliver bedre til en opgave, jo flere træningsdata det udsættes for, så i den forstand "lærer" det af erfaring, men den måde, det lærer på, er intet som den måde, et menneske lærer ting på.
Overvej som et eksempel på, hvordan DNN'er lærer AlphaGo, det spil-system, der brugte neurale netværk til besejre menneskelige stormestre. Ifølge systemudviklerne, hvorimod et menneske nemt ville håndtere en ændring af bordstørrelse (normalt et 19×19 gitter), ville en lille ændring gøre AlphaGo impotent, indtil det havde tid til at træne på nye data fra det ændrede bord.
For mig illustrerer dette pænt, hvordan "læring" af DNN'er grundlæggende er ulig menneskelig læring, selvom vi bruger det samme ord. Det neurale netværk er ikke i stand til at generalisere ud fra, hvad det har "lært". Og gør dette punkt, AlphaGo var for nylig besejret af en menneskelig modstander, der gentagne gange brugte en spillestil, der ikke havde været i træningsdataene. Denne manglende evne til at håndtere nye situationer ser ud til at være et kendetegn for AI-systemer.
Sprog betyder noget
Det sprog, der bruges til at beskrive AI-systemer, har fortsat indflydelse på, hvordan vi tænker om dem. Desværre, givet det rimelige tilbageslag på den seneste AI-hype og nogle bemærkelsesværdige fejl med AI-systemer, kan der nu være lige så mange mennesker overbevist om, at AI er fuldstændig værdiløs, som der er medlemmer af lejren, der siger, at AI er ved at opnå menneskelignende intelligens .
Jeg er meget skeptisk over for sidstnævnte lejr, som skitseret ovenfor, men jeg synes også, det ville være uheldigt at miste af syne den positive indvirkning, som AI-systemer – eller, hvis du foretrækker, maskinlæringssystemer – kan have.
Jeg assisterer i øjeblikket et par kollegaer med at skrive en bog om maskinlæringsapplikationer til netværk, og det burde ikke overraske nogen at høre, at der er masser af netværksproblemer, der er egnede til ML-baserede løsninger. Især spor af netværkstrafik er fantastiske datakilder, og træningsdata er den mad, maskinlæringssystemer trives med.
Applikationer lige fra denial-of-service-forebyggelse til malware-detektion til geolocation kan alle gøre brug af ML-algoritmer, og målet med denne bog er at hjælpe netværksfolk til at forstå, at ML ikke er noget magisk pulver, som du drysser på dine data for at få. svar, men et sæt tekniske værktøjer, der selektivt kan anvendes til at producere løsninger på virkelige problemer. Med andre ord, hverken et vidundermiddel eller en overhypet placebo. Formålet med bogen er at hjælpe læserne med at forstå, hvilke ML-værktøjer der egner sig til forskellige klasser af netværksproblemer.
En historie, der fangede mit øje for noget tid tilbage, var brugen af kunstig intelligens til at hjælpe Network Rail i Storbritannien styre vegetationen der vokser sammen med britiske jernbanelinjer. Den vigtigste "AI"-teknologi her er billedgenkendelse (for at identificere plantearter) - at udnytte den slags teknologi, som DNN'er har leveret i løbet af det sidste årti. Måske ikke så spændende som de generative AI-systemer, der fangede verdens opmærksomhed i 2023, men en god, praktisk anvendelse af en teknik, der sidder under AI-paraplyen.
Min tendens i disse dage er at forsøge at bruge udtrykket "machine learning" frem for AI, når det er passende, i håb om at undgå både den hype og allergiske reaktioner, som "AI" nu producerer. Og med Patrick Winstons ord frisk i mit sind, vil jeg måske bare begynde at tale om "at gøre computere nyttige." ®
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
- Kilde: https://go.theregister.com/feed/www.theregister.com/2024/04/25/ai_usefulness/