Wanneer een applicatie je verzekert dat deze wordt aangedreven door "kunstmatige intelligentie", lijkt het even alsof je in de toekomst bent. Maar wat betekent dit eigenlijk? We gooien grote modewoorden naar voren - kunstmatige intelligentie, machine learning, neurale netwerken - maar wat betekenen ze echt en helpen ze echt om apps te verbeteren?
Meer recentelijk hebben Google en Microsoft neurale netwerktraining toegevoegd aan hun vertaaltoepassingen. Google beweert machine learning te gebruiken om afspeellijsten aan te bieden. Todoist zegt dat het AI gebruikt om te raden wanneer je een taak moet voltooien. Any.do beweert dat zijn kunstmatige intelligentie een aantal taken voor u kan uitvoeren. En het was allemaal vorige week. Sommige marketinggimmicks klinken indrukwekkend en blijven gimmicks, maar soms zijn veranderingen onmiskenbaar gunstig. "Kunstmatige intelligentie", "machine learning" en "neurale netwerken" beschrijven allemaal de manier waarop computers worden gebruikt om serieuzere taken uit te voeren en daarbij te leren. En hoewel je misschien hebt gehoord dat applicatieontwikkelaars de systemen van anderen overnemen, zijn ze in de praktijk heel verschillend.
Neurale netwerken analyseren complexe gegevens om het menselijk brein na te bootsen
Kunstmatige neurale netwerken (ANN's, of gewoon "neurale netwerken") verwijzen naar een specifiek type leermodel dat simuleert hoe synapsen in uw hersenen werken. Traditioneel computergebruik gebruikt een reeks logische operators om een taak uit te voeren. Neurale netwerken gebruiken daarentegen een netwerk van knooppunten (die werken als neuronen) en analogen van synapsen (randen) om gegevens te verwerken. Input wordt door het systeem geleid en output wordt gegenereerd.
De bevindingen worden vervolgens vergeleken met bekende gegevens. Stel dat u een computer wilt trainen om een afbeelding van een hond te herkennen. U streamt miljoenen afbeeldingen van honden over het web om te zien welke afbeeldingen ze eruit ziet als honden. De persoon bevestigt vervolgens welke afbeeldingen eigenlijk honden zijn. Het systeem geeft de voorkeur aan het pad in het neurale netwerk dat tot het juiste antwoord heeft geleid. Na verloop van tijd en na miljoenen iteraties zal dit netwerk uiteindelijk de nauwkeurigheid van zijn resultaten verbeteren.
Om te zien hoe dit werkt, kunt u het Google Quick Draw-experiment proberen!.. In dit geval traint Google het web om doodles, snelle schetsen, te herkennen. Ze vergelijkt de tekening die je maakt met de voorbeelden die andere mensen tekenen. Het netwerk leert toekomstige doodles te herkennen op basis van wat het in het verleden heeft gezien. Zelfs als je tekent als een vijfjarig kind (zoals ik), herkent het net heel snel eenvoudige vormen - onderzeeërs, planten, eenden. Probeer het, leuk.
Neurale netwerken zijn geen wondermiddel, maar ze zijn goed in het omgaan met complexe gegevens. Google en Microsoft gebruiken neurale netwerken om hun vertaaltoepassingen te trainen, omdat het vertalen van talen moeilijk is. We hebben vaak slechte machinevertalingen gezien, maar neurale netwerken zijn getraind om die vertalingen in de loop van de tijd te verbeteren op basis van correcte vertalingen. Hetzelfde gebeurt met spraak-naar-tekstvertaling. Sinds de introductie van het neurale netwerk, mogelijk gemaakt door Google Voice, zijn vertaalfouten met 49% gedaald. Deze systemen zijn niet perfect, maar ze werken aan zichzelf, en dit is het belangrijkste.
Promotie video:
Machine learning leert computers in de praktijk te verbeteren
Machine learning is een brede term die alle momenten omvat waarop u een machine probeert te leren zichzelf te verbeteren. Dit is in het bijzonder van toepassing op elk systeem waarin de prestaties van de computer bij het voltooien van een taak alleen worden verbeterd door meer ervaring met de taak. Neurale netwerken zijn een voorbeeld van machine learning, maar ze zijn niet de enige manier om een computer te trainen.
Een van de alternatieve methoden voor machine learning wordt bijvoorbeeld reinforcement learning genoemd. Bij deze methode voert de computer een taak uit en evalueert vervolgens het resultaat. Als de computer bijvoorbeeld wint bij schaken, kent hij de winnende waarde toe aan een reeks zetten die hij tijdens het spel gebruikt. Na miljoenen games te hebben gespeeld, kan het systeem op basis van de resultaten van eerdere games bepalen welke stappen het meest waarschijnlijk tot de overwinning leiden.
Hoewel neurale netwerken goed zijn voor zaken als patroonherkenning in afbeeldingen, kunnen andere soorten machine learning nuttiger zijn voor verschillende taken, zoals het identificeren van uw favoriete muziek. Google beweert dat zijn muziek-app de muziek zal vinden waarnaar je wilt luisteren. Het doet dit door uw vorige afspeellijsten te analyseren. Als het resultaat u niet bevalt, zal de machine het als een mislukking beschouwen. Maar als u een van de voorgestelde lijsten kiest, zal ze het als een succes markeren en de winnende zetten analyseren die haar naar uw hart hebben gebracht.
In dergelijke gevallen profiteert u niet volledig van machine learning als u deze functie niet vaak gebruikt. Wanneer u de Google Music-app voor het eerst opent, zijn de aanbevelingen waarschijnlijk niet meer beschikbaar. Maar hoe meer u het gebruikt, hoe beter de suggesties zullen zijn. In theorie tenminste. Machine learning is ook geen wondermiddel. Machine learning is vager dan neurale netwerken, maar het houdt ook in dat de software die u gebruikt, afhankelijk is van uw feedback om de prestaties te verbeteren.
Kunstmatige intelligentie is alles met het voorvoegsel 'slim'
Net zoals neurale netwerken een vorm van machine learning zijn, is machine learning een vorm van kunstmatige intelligentie. Maar de categorie "kunstmatige intelligentie" is nog steeds zo slecht gedefinieerd dat deze uitdrukking geen praktische betekenis heeft. Ja, het roept beelden op van een technologisch geavanceerde toekomst, maar in werkelijkheid zijn we er nog niet dichtbij gekomen. OCR was ooit te moeilijk voor een machine, maar nu kan een app op je telefoon documenten scannen en omzetten in tekst. Het is op de een of andere manier ongepast om het een prestatie van kunstmatige intelligentie te noemen.
De reden dat basistelefoniemogelijkheden als kunstmatige intelligentie kunnen worden beschouwd, is omdat er eigenlijk twee soorten AI zijn. Zwakke of eng gerichte AI beschrijft elk systeem dat is ontworpen om een beperkte lijst met taken uit te voeren. Google Assistant of Siri, die behoorlijk krachtige AI zijn, voeren bijvoorbeeld nog steeds een vrij beperkte lijst met taken uit. Ze ontvangen spraakopdrachten en antwoorden terug, of ze starten applicaties. Onderzoek naar kunstmatige intelligentie voedt deze functies, maar ze worden als "zwak" beschouwd.
Daarentegen is krachtige AI - ook wel bekend als algemene kunstmatige intelligentie of "volledige AI" - een systeem dat elke menselijke taak kan uitvoeren. En het bestaat niet. Daarom is elke "slimme" applicatie nog steeds een zwakke kunstmatige intelligentie.
Hoewel de implicaties misschien vaag zijn, is praktisch onderzoek in kunstmatige intelligentie zo lonend dat het waarschijnlijk al in uw dagelijkse leven is binnengekomen. Elke keer dat je telefoon automatisch onthoudt waar je hebt geparkeerd, gezichten in je foto's herkent, zoeksuggesties krijgt of al je weekendopnames automatisch groepeert, raak je op de een of andere manier kunstmatige intelligentie aan. Tot op zekere hoogte betekent 'kunstmatige intelligentie' eigenlijk gewoon dat apps net iets slimmer zullen zijn dan we gewend zijn. Het "AI" -label betekent nu praktisch gezien nauwelijks iets praktisch.
ILYA KHEL
