Abordarea Sistemelor Dezvăluire completă: am o istorie cu AI, am cochetat cu ea în anii 1980 (vă amintiți sistemele expert?) și apoi am evitat în siguranță iarna AI de la sfârșitul anilor 1980, trecând la verificarea formală, înainte de a ajunge în sfârșit la rețele ca specialitatea mea în 1988.
Și la fel cum colegul meu de Abordare Sisteme, Larry Peterson, are pe raftul lui versuri clasice precum manualul Pascal, mai am câteva cărți cu inteligență artificială din anii optzeci, în special pe cea a lui PH Winston. Inteligenta Artificiala (1984). Răsfoirea acelei cărți este o explozie, în sensul că o mare parte din ea pare să fi fost scrisă ieri. De exemplu, prefața începe astfel:
Domeniul Inteligenței Artificiale s-a schimbat enorm de când a fost publicată prima ediție a acestei cărți. Subiectele de inteligență artificială sunt obligatorii pentru specializările de licență în informatică, iar poveștile despre inteligența artificială sunt prezentate în mod regulat în majoritatea revistelor de știri de renume. O parte din motivul schimbării este că s-au acumulat rezultate solide.
Am fost, de asemenea, intrigat să văd câteva exemple din 1984 de „ce pot face computerele”. Un exemplu a fost rezolvarea unor probleme serioase de calcul – notabilă deoarece aritmetica precisă pare să depășească capacitățile sistemelor bazate pe LLM de astăzi.
Dacă calculul era deja rezolvabil de computere în 1984, în timp ce aritmetica de bază blochează sistemele pe care le considerăm ca fiind stadiul actual al tehnicii, poate că progresul înregistrat în AI în ultimii 40 de ani nu este chiar atât de mare pe cât pare la prima vedere. (Asta fiind spuse, există chiar mai bine sistemele de abordare a calculului de astăzi, pur și simplu nu se bazează pe LLM și nu este clar dacă cineva se referă la ele ca AI.)
Unul dintre motivele pentru care mi-am luat vechea copie a lui Winston a fost să văd ce avea de spus despre definiția AI, pentru că și acesta este un subiect controversat. Prima sa abordare nu este foarte încurajatoare:
Inteligența artificială este studiul ideilor care permit computerelor să fie inteligente.
Ei bine, este destul de circular, pentru că trebuie să definiți cumva inteligența, așa cum recunoaște Winston. Dar apoi continuă să afirme două obiective ale AI:
- Pentru a face computerele mai utile
- Pentru a înțelege principiile care fac posibilă inteligența.
Cu alte cuvinte, este greu de definit inteligența, dar poate că studiul AI ne va ajuta să înțelegem mai bine ce este aceasta. Aș merge până acolo încât să spun că încă avem dezbaterea despre ceea ce constituie inteligența 40 de ani mai târziu. Primul obiectiv pare lăudabil, dar se aplică în mod clar multor tehnologii non-AI.
Această dezbatere asupra semnificației „AI” continuă să planeze asupra industriei. Am întâlnit o mulțime de războaie că nu am avea nevoie de termenul de inteligență generală artificială, alias AGI, dacă termenul de IA nu ar fi fost atât de poluat de oamenii care comercializează modele statistice ca AI. Chiar nu cumpăr asta. Din câte îmi pot da seama, AI a acoperit întotdeauna o gamă largă de tehnici de calcul, dintre care majoritatea nu ar păcăli pe nimeni, făcându-le să creadă că computerul afișează niveluri umane de inteligență.
Când am început să mă angajez din nou în domeniul inteligenței artificiale în urmă cu aproximativ opt ani, rețelele neuronale – pe care unii dintre colegii mei le foloseau în 1988 înainte să cadă în disfavoare – au revenit uluitor, până la punctul în care recunoașterea imaginii prin profunde reţelele neuronale aveau depășit viteza și acuratețea oamenilor, deși cu unele avertismente. Această creștere a inteligenței artificiale a condus la un anumit nivel de anxietate în rândul colegilor mei de inginerie de la VMware, care au simțit că se desfășoară o schimbare tehnologică importantă pe care (a) majoritatea dintre noi nu înțelegeam (b) angajatorul nostru nu era poziționat să profite de .
În timp ce mă aruncam în sarcina de a învăța cum funcționează rețelele neuronale (cu a mare ajutor de la Rodney Brooks) Mi-am dat seama că limbajul pe care îl folosim pentru a vorbi despre sistemele AI are un impact semnificativ asupra modului în care le gândim. De exemplu, până în 2017 auzeam multe despre „învățare profundă” și „rețele neuronale profunde”, iar utilizarea cuvântului „profundă” are un dublu sens interesant. Dacă spun că am „gânduri profunde” vă puteți imagina că mă gândesc la sensul vieții sau la ceva la fel de important, iar „învățare profundă” pare să implice ceva similar.
Dar, de fapt, „profunzimea” în „învățare profundă” este o referire la profunzimea, măsurată în număr de straturi, a rețelei neuronale care susține învățarea. Deci nu este „adânc” în sensul sensului, ci doar adânc în același mod în care o piscină are un capăt adânc – cel cu mai multă apă în ea. Acest dublu sens contribuie la iluzia că rețelele neuronale „gândesc”.
O confuzie similară se aplică „învățării”, care este locul în care Brooks a fost atât de util: o rețea neuronală profundă (DNN) devine mai bună la o sarcină cu cât este expusă mai multe date de antrenament, deci, în acest sens, „învață” din experiență, dar felul în care învață nu seamănă cu felul în care un om învață lucrurile.
Ca exemplu despre modul în care DNN învață, luați în considerare AlphaGo, sistemul de joc care folosea rețelele neuronale pentru învinge mari maeștri umani. Potrivit dezvoltatorilor de sistem, în timp ce un om s-ar ocupa cu ușurință de o schimbare a dimensiunii plăcii (în mod normal, o grilă de 19 × 19), o mică schimbare ar face AlphaGo impotent până când va avea timp să se antreneze pe noi date de pe placa redimensionată.
Pentru mine, acest lucru ilustrează clar modul în care „învățarea” DNN-urilor este în mod fundamental diferită de învățarea umană, chiar dacă folosim același cuvânt. Rețeaua neuronală nu poate generaliza din ceea ce a „învățat”. Și făcând acest punct, AlphaGo a fost recent învins de către un adversar uman care a folosit în mod repetat un stil de joc care nu fusese în datele de antrenament. Această incapacitate de a gestiona situații noi pare să fie un semn distinctiv al sistemelor AI.
Limba contează
Limbajul folosit pentru a descrie sistemele AI continuă să influențeze modul în care le gândim. Din păcate, având în vedere respingerea rezonabilă a hype-ului recent în domeniul AI și a unor eșecuri notabile cu sistemele AI, ar putea fi acum atât de mulți oameni convinși că AI este complet lipsită de valoare, cât sunt membri ai taberei care spun că AI este pe cale să obțină inteligență asemănătoare omului. .
Sunt foarte sceptic față de această din urmă tabără, așa cum am menționat mai sus, dar cred că ar fi regretabil să pierdem din vedere impactul pozitiv pe care sistemele AI – sau, dacă preferați, sistemele de învățare automată – îl pot avea.
În prezent, asist câțiva colegi care scriu o carte despre aplicațiile de învățare automată pentru rețea și nu ar trebui să surprindă pe nimeni să audă că există o mulțime de probleme de rețea care pot fi soluționate de soluții bazate pe ML. În special, urmele de trafic în rețea sunt surse fantastice de date, iar datele de instruire sunt hrana pe care se dezvoltă sistemele de învățare automată.
Aplicațiile, de la prevenirea refuzului serviciului, la detectarea malware-ului și la geolocalizare, toate pot folosi algoritmi ML, iar scopul acestei cărți este de a ajuta oamenii din rețele să înțeleagă că ML nu este o pudră magică pe care o presărați pe datele dvs. pentru a le obține. răspunsuri, ci un set de instrumente de inginerie care pot fi aplicate selectiv pentru a produce soluții la probleme reale. Cu alte cuvinte, nici un panaceu, nici un placebo exagerat. Scopul cărții este de a ajuta cititorii să înțeleagă care instrumente ML sunt potrivite pentru diferite clase de probleme de rețea.
O poveste care mi-a atras atenția cu ceva timp în urmă a fost utilizarea AI pentru a ajuta Network Rail în Marea Britanie gestionează vegetația care crește alături de liniile de cale ferată britanice. Tehnologia cheie „AI” aici este recunoașterea imaginii (pentru a identifica speciile de plante) – valorificând tipul de tehnologie pe care DNN-urile le-au oferit în ultimul deceniu. Poate nu la fel de interesantă precum sistemele AI generative care au captat atenția lumii în 2023, dar o aplicare bună și practică a unei tehnici care se află sub umbrela AI.
Tendința mea în zilele noastre este să încerc să folosesc termenul „învățare automată” mai degrabă decât AI atunci când este potrivit, în speranța de a evita atât hype-ul, cât și reacțiile alergice pe care „AI” le produce acum. Și cu cuvintele lui Patrick Winston proaspete în minte, aș putea să încep să vorbesc despre „a face computerele utile”. ®
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
- PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
- PlatoESG. carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
- PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
- Sursa: https://go.theregister.com/feed/www.theregister.com/2024/04/25/ai_usefulness/