We horen de laatste tijd steeds meer over kunstmatige intelligentie. Het wordt bijna overal gebruikt: van geavanceerde technologie en complexe wiskundige berekeningen tot medicijnen, de auto-industrie en zelfs smartphones. De technologieën die in de moderne visie aan het werk van AI ten grondslag liggen, gebruiken we elke dag en soms denken we er misschien niet eens over na. Maar wat is kunstmatige intelligentie? Hoe werkt hij? En is het gevaarlijk?
Wat is kunstmatige intelligentie
Laten we eerst de terminologie definiëren. Als je je kunstmatige intelligentie voorstelt als iets dat in staat is om onafhankelijk te denken, beslissingen te nemen en in het algemeen tekenen van bewustzijn te vertonen, dan haasten we ons om je teleur te stellen. Bijna alle systemen die tegenwoordig bestaan, komen niet eens in de buurt van deze definitie van AI. En die systemen die tekenen van een dergelijke activiteit vertonen, werken in feite nog steeds binnen het kader van vooraf bepaalde algoritmen.
Soms zijn deze algoritmen erg geavanceerd, maar ze blijven het "raamwerk" waarbinnen de AI werkt. Machines hebben geen "vrijheden" en nog meer tekenen van bewustzijn. Het zijn gewoon heel krachtige programma's. Maar ze zijn "de beste in wat ze doen". Bovendien blijven AI-systemen verbeteren. En ze zijn helemaal niet triviaal. Zelfs afgezien van het feit dat moderne AI verre van perfect is, heeft het veel met ons gemeen.
Hoe kunstmatige intelligentie werkt
Allereerst kan AI zijn taken uitvoeren (waarover iets later) en nieuwe vaardigheden verwerven dankzij deep machine learning. We horen en gebruiken deze term ook vaak. Maar wat betekent het? In tegenstelling tot "klassieke" methoden, wanneer alle benodigde informatie van tevoren in het systeem is geladen, dwingen machine learning-algoritmen het systeem om zich onafhankelijk te ontwikkelen en de beschikbare informatie te bestuderen. Waarbij de auto overigens in sommige gevallen ook zelf kan zoeken.
Promotie video:
Om bijvoorbeeld een programma te maken om fraude op te sporen, werkt een algoritme voor machine learning met een lijst met banktransacties en hun eindresultaat (legaal of illegaal). Een machine learning-model kijkt naar voorbeelden en ontwikkelt een statistische relatie tussen legitieme en frauduleuze transacties. Wanneer u het algoritme daarna de details van een nieuwe banktransactie geeft, classificeert het deze op basis van de patronen die het vooraf uit de voorbeelden heeft getrokken.
Hoe meer gegevens u verstrekt, hoe nauwkeuriger het algoritme voor machine learning wordt bij het uitvoeren van zijn taken. Machine learning is vooral handig voor het oplossen van problemen waarbij de regels niet vooraf zijn gedefinieerd en niet binair kunnen worden geïnterpreteerd. Terugkerend naar ons voorbeeld met bankactiviteiten: in feite hebben we aan de uitgang een binair nummeringssysteem: 0 - legale operatie, 1 - illegaal. Maar om tot een dergelijke conclusie te komen, moet het systeem een hele reeks parameters analyseren en als u ze handmatig invoert, duurt het meer dan een jaar. En om alle opties te voorspellen, zal sowieso niet werken. En een systeem dat gebaseerd is op deep machine learning zal iets kunnen herkennen, zelfs als het nog nooit eerder zo'n geval is tegengekomen.
Diep leren en neurale netwerken
Hoewel klassieke algoritmen voor machine learning veel problemen oplossen waarin veel informatie in de vorm van databases aanwezig is, kunnen ze als het ware niet goed omgaan met 'visuele en auditieve' gegevens zoals afbeeldingen, video's, geluidsbestanden, enzovoort.
Hoewel klassieke algoritmen voor machine learning veel problemen oplossen waarin veel informatie in de vorm van databases aanwezig is, kunnen ze als het ware niet goed omgaan met 'visuele en auditieve' gegevens zoals afbeeldingen, video's, geluidsbestanden, enzovoort.
Voor het bouwen van een voorspellend model voor borstkanker met behulp van klassieke machine learning-benaderingen zijn bijvoorbeeld tientallen medische experts, programmeurs en wiskundigen nodig, zegt AI-onderzoeker Jeremy Howard. Wetenschappers zouden veel kleinere algoritmen moeten maken voor machine learning om met de informatiestroom om te gaan. Een apart subsysteem voor het bestuderen van röntgenfoto's, een apart voor MRI, een ander voor het interpreteren van bloedonderzoeken, enzovoort. Voor elk type analyse hebben we een eigen systeem nodig. Dan zouden ze allemaal worden gecombineerd tot één groot systeem … Dit is een zeer moeilijk en arbeidsintensief proces.
Deep learning-algoritmen lossen hetzelfde probleem op met behulp van diepe neurale netwerken, een soort softwarearchitectuur geïnspireerd door het menselijk brein (hoewel neurale netwerken verschillen van biologische neuronen, werken ze vrijwel hetzelfde). Neurale computernetwerken zijn verbindingen van "elektronische neuronen" die informatie kunnen verwerken en classificeren. Ze zijn gerangschikt als in ‘lagen’ en elke ‘laag’ is verantwoordelijk voor iets van zichzelf en vormt uiteindelijk een algemeen beeld. Als u bijvoorbeeld een neuraal netwerk traint op afbeeldingen van verschillende objecten, vindt het manieren om objecten uit deze afbeeldingen te extraheren. Elke laag van het neurale netwerk detecteert bepaalde kenmerken: de vorm van objecten, kleuren, het uiterlijk van objecten, enzovoort.
De oppervlaktelagen van neurale netwerken vertonen gemeenschappelijke kenmerken. Diepere lagen onthullen al de werkelijke objecten. De figuur toont een diagram van een eenvoudig neuraal netwerk. Invoerneuronen (inkomende informatie) worden weergegeven in groen, blauw - verborgen neuronen (data-analyse), geel - output neuron (oplossing).
Zijn neurale netwerken een kunstmatig menselijk brein?
Ondanks de vergelijkbare structuur van de machine en de menselijke neurale netwerken, bezitten ze niet de kenmerken van ons centrale zenuwstelsel. Neurale computernetwerken zijn in wezen allemaal dezelfde hulpprogramma's. Toevallig zijn onze hersenen het best georganiseerde systeem voor computergebruik. U hebt waarschijnlijk de uitdrukking "ons brein is een computer" gehoord? Wetenschappers hebben enkele aspecten van de structuur eenvoudigweg digitaal "gerepliceerd". Dit liet alleen toe om berekeningen te versnellen, maar niet om de machines met bewustzijn te schenken.
Neurale netwerken bestaan al sinds de jaren vijftig (althans in de vorm van concepten). Maar tot voor kort kregen ze niet veel ontwikkeling, omdat voor hun creatie enorme hoeveelheden gegevens en rekenkracht nodig waren. In de afgelopen jaren is dit allemaal beschikbaar gekomen, dus neurale netwerken zijn naar voren gekomen en hebben hun ontwikkeling gekregen. Het is belangrijk om te begrijpen dat er niet genoeg technologie was voor hun volwaardige uiterlijk. Hoe ze nu niet genoeg zijn om de technologie naar een nieuw niveau te tillen.
Waar worden deep learning en neurale netwerken voor gebruikt?
Er zijn verschillende gebieden waarop deze twee technologieën hebben bijgedragen aan het boeken van opmerkelijke vooruitgang. Bovendien gebruiken we sommige ervan elke dag in ons leven en denken we niet eens na over wat erachter zit.
- Computervisie is het vermogen van software om de inhoud van afbeeldingen en video's te begrijpen. Dit is een gebied waar deep learning veel vooruitgang heeft geboekt. Zo kunnen deep learning-algoritmen voor beeldverwerking verschillende soorten kanker, longaandoeningen, hartaandoeningen enzovoort detecteren. En om het sneller en efficiënter te doen dan artsen. Maar deep learning zit ook ingebakken in veel van de applicaties die je dagelijks gebruikt. Apple Face ID en Google Photos gebruiken deep learning voor gezichtsherkenning en beeldverbetering. Facebook gebruikt deep learning om automatisch mensen te taggen in geüploade foto's, enzovoort. Computervisie helpt bedrijven ook om automatisch twijfelachtige inhoud zoals geweld en naaktheid te identificeren en te blokkeren. En tenslottedeep learning speelt een zeer belangrijke rol om auto's zelfrijdend te maken, zodat ze hun omgeving kunnen begrijpen.
- Spraak- en spraakherkenning. Wanneer u een opdracht uitspreekt tegen uw Google Assistent, vertalen deep learning-algoritmen uw stem in tekstopdrachten. Verschillende online applicaties gebruiken deep learning om audio- en videobestanden te transcriberen. Zelfs als je een nummer shazamt, spelen neurale netwerken en deep machine learning-algoritmen een rol.
- Zoeken op internet: zelfs als u iets zoekt in een zoekmachine, zijn bedrijven begonnen met het verbinden van neurale netwerkalgoritmen met hun zoekmachines om uw verzoek duidelijker te verwerken en de zoekresultaten zo nauwkeurig mogelijk te maken. De prestaties van de Google-zoekmachine zijn dus verschillende keren verbeterd nadat het systeem was overgeschakeld naar deep machine learning en neurale netwerken.
De grenzen van diep leren en neurale netwerken
Ondanks al hun voordelen hebben deep learning en neurale netwerken ook enkele nadelen.
- Gegevensafhankelijkheid: Over het algemeen hebben deep learning-algoritmen enorme hoeveelheden trainingsgegevens nodig om hun taken nauwkeurig uit te voeren. Om veel problemen op te lossen, zijn er helaas niet genoeg trainingsgegevens van hoge kwaliteit om werkmodellen te creëren.
- Onvoorspelbaarheid: neurale netwerken evolueren op een vreemde manier. Soms verloopt alles zoals gepland. En soms (zelfs als het neurale netwerk het goed doet), worstelen zelfs de makers om te begrijpen hoe de algoritmen werken. Het gebrek aan voorspelbaarheid maakt het buitengewoon moeilijk om fouten in de algoritmen van neurale netwerken te elimineren en te corrigeren.
- Algoritmische vooringenomenheid: algoritmen voor diep leren zijn net zo goed als de gegevens waarop ze zijn getraind. Het probleem is dat trainingsgegevens vaak verborgen of voor de hand liggende fouten of gebreken bevatten en dat algoritmen deze overnemen. Zo zal een gezichtsherkenningsalgoritme dat voornamelijk is getraind op foto's van blanke mensen, minder nauwkeurig werken bij mensen met een andere huidskleur.
- Gebrek aan generalisatie: algoritmen voor diep leren zijn goed voor het uitvoeren van gerichte taken, maar generaliseren hun kennis slecht. In tegenstelling tot mensen zou een model voor diepgaand leren dat getraind is om StarCraft te spelen, geen ander soortgelijk spel kunnen spelen: zeg maar WarCraft. Bovendien is deep learning slecht bij het verwerken van gegevens die afwijken van de trainingsvoorbeelden.
De toekomst van deep learning, neurale netwerken en AI
Het is duidelijk dat het werk aan deep learning en neurale netwerken verre van voltooid is. Er worden verschillende inspanningen geleverd om deep learning-algoritmen te verbeteren. Deep Learning is een geavanceerde techniek op het gebied van kunstmatige intelligentie. Het is de afgelopen jaren steeds populairder geworden door de overvloed aan data en de toegenomen verwerkingskracht. Dit is de kerntechnologie achter veel van de applicaties die we dagelijks gebruiken.
Maar zal bewustzijn ooit geboren worden op basis van deze technologie? Echt kunstmatig leven? Sommige wetenschappers geloven dat op het moment dat het aantal verbindingen tussen de componenten van kunstmatige neurale netwerken dezelfde indicator nadert die in het menselijk brein tussen onze neuronen bestaat, iets soortgelijks kan gebeuren. Deze bewering is echter zeer twijfelachtig. Om echte AI te laten ontstaan, moeten we de manier waarop we AI-systemen bouwen, heroverwegen. Het enige dat nu is, zijn alleen toegepaste programma's voor een strikt beperkt takenpakket. Hoe graag we ook willen geloven dat de toekomst er al is …
Wat denk je? Zullen mensen AI creëren?