هوش مصنوعی برای مادربزرگ و مادربزرگتان توضیح داده است

این یک پست مهمان است که توسط Fanny Deltruel که در کارخانه هوش مصنوعی مایکروسافت مستقر در STATION F کار می کند ، کار می کند. شما مادربزرگ ها و مادربزرگ هایی را می خواهید که می خواهند درباره سایر موضوعات فنی اطلاعات بیشتری کسب کنند ، بشناسید؟ کلید واژه متوسط ​​«Techxplanation» ما را دنبال کنید

حالا شما یک متخصص Blockchain هستید ، اجازه دهید در مورد یک موضوع مرسوم دیگر مد صحبت کنیم: هوش مصنوعی! تقریباً هر روز آن کلمه را می شنوید ، اما مطمئن نیستید که این به چه معنی است. وقتی پدربزرگ و مادربزرگ شما در مورد آن فکر می کنند ، احتمالاً آنها یک ربات کمی صحبت می کنند ، اگر نه Terminator ... اما خیلی دور از همه تخیل پشت این کلمات کلیدی ، یک واقعیت وجود دارد: هوش مصنوعی امروز همه جا است حتی اگر آن را نبینید.

به عنوان "هوشی که توسط ماشینها نشان داده می شود ، برخلاف هوش طبیعی که توسط انسان و حیوانات دیگر نمایش داده می شود" هوش مصنوعی اغلب به عنوان ماشین هایی که عملکردهای شناختی را نشان می دهند ، درک می شود. بنابراین ، ماشینهایی که به عنوان انسان عمل می کنند: خواندن ، صحبت کردن ، یادگیری. آرام باشید و از کارآفرینان کارخانه مایکروسافت AI در جاده پیروی کنید تا درک کنید که واقعاً در پشت صحنه هوش مصنوعی قرار دارد.

آیا روبات ها می توانند جایگزین مردم شوند؟

این معمولاً اولین سؤالی است که در مورد AI صحبت می کنیم. و این به طور معمول نوع سؤالی است که Zellros برای شروع کار باید به آن پاسخ دهد ، زیرا آنها از AI استفاده می کنند تا کارهای روزمره بیمه گران را تسهیل کند.

"درست همانطور که اختراع چاپخانه توسط گوتنبرگ در قرن 15 باعث شد که کتیبه ها ناپدید شوند ، اختراع کامپیوتر در قرن 20 باعث شد که تایپیست ها - و بسیاری از مشاغل دیگر - از بین بروند ، ما اغلب می ترسیم هوش مصنوعی از جایگزینی برخی عملکردهای امروز انسان برآید.

آیا هوش مصنوعی (AI) یک روز جایگزین همه انسان ها خواهد شد؟

قبل از پاسخ دادن به آن ، بیایید نوع هوش مصنوعی موجود را امروز درک کنیم.

  • باریک هوش مصنوعی این هوش مصنوعی بسیار تخصصی و دارای هوش محدود هستند. بله آنها می توانند یاد بگیرند که بهتر از هر یک از متخصصان انسانی کار را حل کنند (به عنوان مثال تشخیص تومور در تصاویر با اشعه X) ، اما به هیچ وجه توانایی انجام کار دیگری را ندارند.
  • هوش مصنوعی عمومی هوش مصنوعی نه تنها دارای هوش منطقی است بلکه توانایی استفاده از استدلال و شهود و یادگیری کارهای جدید را نیز به خودی خود دارد. عمومی هوش مصنوعی امروز در دسترس نیست ، و هنوز مشخص نیست که آیا روزی وجود خواهد داشت و به آگاهی کامل می رسد.

از آنجا که General AI بسیار نامشخص است ، بسیاری از کارشناسان معتقدند که AI جایگزین افراد نخواهد شد. در عوض ، اعتقاد بر این است که هوش مصنوعی انسان را تقویت می کند ، و هوش انسانی AI + فقط از هوش مصنوعی یا هوش انسانی قوی تر خواهد بود ».

ما از نظر آگاهی مصنوعی کجا هستیم؟

خوب. بنابراین انسان در حال حاضر بی خطر است. اما تا کی؟ DCBrain ، که به لطف هوش مصنوعی ، راهی برای کمک به بهینه سازی شبکه های سیال ایجاد می کند ، مروری بر جدیدترین اخبار موجود در این زمینه می کند.

وی گفت: "هوش مصنوعی با سرعت بسیار زیادی در حال پیشرفت است و ما را مجبور می کند تا بسیاری از سناریوهای علمی تخیلی را برای آینده انسانها و جامعه فرض کنیم! ذهن ترین دمیدن؟ تکینگی

تکینگی این ایده است که هوش دستگاه ها باعث ایجاد هوشیاری می شود که می تواند از انسان فراتر رود. اگرچه ما امروز خیلی از این سطح از توسعه دور هستیم ، چنین نظریه ای را می توان با سرعت نمایی پیشرفتهای فناوری (قانون مور) و وضعیت واقعی یادگیری ماشین (ML) امروز توضیح داد. در واقع ، امروز ماشین آلات از ظرفیتهای یادگیری انسانی در کارهای خاص فراتر رفته اند و دیر یا زود بیش از هر چیز بر انسان فراتر می روند.

یک پیشرفت مهم برای هوش مصنوعی ، توسعه یادگیری تقویت کننده است ، یک هوش مصنوعی که قادر است با انجام بازی هایی در برابر خود ، با موقعیت های غیر منتظره مقابله کند. قدرت یادگیری تقویت کننده به خوبی در سال 2015 نشان داده شده است ، هنگامی که یک برنامه رایانه ای ، Alpha Go برای اولین بار در تاریخ ، ذهن انسان را در بازی Go ، یکی از پیچیده ترین بازی های تخته ای که تاکنون ساخته شده ، مورد ضرب و شتم قرار داده است.

خیلی ترسناک نه؟ نه برای ری کورزویل که تکینگی را فرصتی واقعی برای جاودانگی می داند! از منظر مشکوک تر ، برخی از شخصیت ها مانند ژان گابریل گاناسیا چنین ایده ای را اسطوره ای می دانند که توسط شرکتهای بزرگ برگزار می شود. این بحث هنوز هم متخصصان و هم چنین ذینفعان (به ویژه مصرف کنندگان) را مهار می کند و باید یک بحث عمومی جامعه باشد. نتیجه هر چه باشد ، در بهبود مستمر هوش مصنوعی و ادغام سریع آن در زندگی روزمره ما شک نداریم! "

آیا یک هوش مصنوعی قادر است توضیح دهد که چرا از اعتبار من خودداری کرده است؟

خوب ، بنابراین ماشین آلات هنوز کاملاً انسانی نیستند. اما آیا آنها می توانند تصمیمات منطقی بگیرند؟ Craft ai ، متخصصان اتوماسیون شناختی که از هوش مصنوعی قابل توضیح استفاده می کنند ، جعبه سیاه را برای ما باز می کند.

"کارآفرینان تصمیمات" شغلی "را بطور مداوم اتخاذ می کنند:" آیا باید اعتبار این مشتری را بپذیریم؟ "،" آیا باید یک تکنسین به این ساختمان فرستاده شود؟ "،" آیا باید این محصول را به این بازدید کننده توصیه کنیم؟ " در حالی که قبلاً این تصمیمات توسط انسان در یقه های سفید گرفته می شد ، اما اکنون توسط ماشین ها به آنها کمک می شود. ماشین آلات دیروز با استفاده از قوانین ساده و بیشتر و بیشتر با استفاده از هوش مصنوعی ساخته شده اند. هر تصمیم کسب و کار تأثیری در زندگی روزمره شما و همچنین تصمیم شرکت دارد ، خود تصمیم کافی نیست. شما و کارآفرین باید بتوانید آنرا درک کنید ، به آن اعتماد کنید و انطباق آن را در برابر سیاست های کارآفرینی ، هنجارهای ایمنی و تعصب آن بر جنسیت ، منشاء یا طعم مورد علاقه Fanta ارزیابی کنید. توضيح آن در همه جا ضروري است!

در حالی که از هوش مصنوعی می توان با در نظر گرفتن داده های تصمیمات گذشته و نتیجه آنها ، فرآیندهای تصمیم گیری بهتری ایجاد کرد ، از دست دادن توضیح پذیری گزینه ای نیست. به همین دلیل است که قابل توضیح (XAI) تمام توجه را به خود جلب می کند! روشهای رایج یادگیری ماشین ، مانند یادگیری عمیق ، کم و بیش رفتار می کنند ، زیرا جعبه های سیاه و مدل های سنتی کاملاً قابل توضیح قدرت کمتری دارند. بیش از حد بسیاری از هوش مصنوعی نمی توانند به شما بگویند که چرا اعتبار شما را رد کردند. برای برطرف کردن این مسئله ، بسیاری از محققان و مبتدیان در حال کار بر روی XAI هستند ، با هدف ایجاد مدلهای قابل توضیح قابل توضیح یا توضیح مدلهای جعبه سیاه به منظور تقویت اعتماد و همکاری بین انسانها و سیستمهای هدایت هوش مصنوعی ».

آیا روزی یک روز مرا در دادگاه قضاوت خواهد کرد؟

اوه خوب است بدانید: افراد واقعی وجود دارند که سعی می کنند الگوریتم ها را به اندازه کافی شفاف و شفاف جلوه دهند ، بنابراین در واقع می توانیم درک کنیم که یک تصمیم ماشین از کجا حاصل می شود. ما فقط باید پیام آنها را بفهمیم و تفسیر کنیم. مانند یک قاضی قبل از صدور حکم ، باید سوابق زیادی را در نظر بگیرد. واقعاً؟ این سؤال در هسته قضات قضایی تحلیلی است که خطرات قانونی را تعیین می کند.

وی گفت: "هوش مصنوعی در همه زمینه ها نفوذ می کند ، اما تا همین اواخر ، حوزه قانونی هنوز در برابر حمله ماشین ها مقاومت می کرد. با در اختیار داشتن اطلاعات بیشتر و بیشتر قضایی و پیشرفت های اخیر و عظیم الگوریتم ها ، مردم می ترسند که به زودی ، یک ماشین قادر به "درک" یک وضعیت و ارائه یک "داوری" کاملاً اثبات شده و منصفانه باشد. چنین چشم انداز وحشتناک است: همانطور که ما از یک تصادف مرگبار وسیله نقلیه موتوری ناشی از یک وسیله نقلیه خودمختار نسبت به صد نفر به دلیل خطاهای انسانی شوکه شده ایم ، ترجیح می دهیم با یک قاضی واقعی برخورد کنیم ، حتی اگر به معنای پذیرش خطاهای قضایی باشد ، نه با ماشینی که با آن ارتباط عاطفی برقرار نمی شود.

دانشمندان در حال حاضر به دور از توانایی ساخت هوش مصنوعی هستند که می توانند تمام تفاوت های ظریف و خصوصیات منحصر به فرد یک پرونده را در دادگاه درک کنند. اما حتی اگر این اتفاق بیفتد ، باید امیدوار باشیم که جامعه بتواند در برابر وسوسه اعتماد به "قاضیان روبات" مقاومت کند. در این مرحله ، آنچه می تواند انجام شود (و انجام شده است) استفاده از هوش مصنوعی برای مدل سازی فرایند تصمیم گیری قضایی ، تولید مثل انواع نتایج احتمالی یک پرونده خاص در یک دادگاه خاص است. هوش مصنوعی قانونی می تواند به وکلا کمک کند تا از اطلاعات بهتر برای تصمیم گیری بهتر استفاده کنند. "

هوش مصنوعی در کارخانه های ما: آیا شبح در دستگاه وجود دارد؟

بانکداری ، بیمه ، شبکه های انرژی و اکنون عدالت: هوش مصنوعی در همه جا وجود دارد و ما حتی متوجه آن نمی شویم. در دنیای صنعتی چه می شود؟ آیا هنوز یک کاپیتان در آنجا حضور دارد؟

تلومپلوس وضعیت را به خوبی می داند ، زیرا آنها بر روی هوش مصنوعی و داده های بزرگ برای ساخت و ساز تمرکز می کنند و باعث افزایش هوش پیش بینی در لبه و داخل دارایی های صنعتی می شوند تا عملکرد عملیاتی را افزایش دهند.

"هوش مصنوعی امروزه تقریباً در تمام صنایع روندی است و با این وجود ، روبات های صنعتی از دهه 1960 بخشی از کارخانه ها بوده اند. حالا چه تفاوتی دارد؟ هوش مصنوعی نقش مهمی در کارخانه ها ، تسهیل اتوماسیون صنعتی ، کاهش هزینه های عملیاتی و پیش فرض ها ، بهینه سازی کارآیی فرایند ، اطمینان از تولید 24x7 و تضمین زمان به موقع تجهیزات دارد.

هوش مصنوعی چگونه تغییر می کند؟ هیچ روح یا جادویی در درون ماشین ها وجود ندارد! هوش مصنوعی به سادگی از داده ها برای سازماندهی بهتر کارخانه ها استفاده می کند تا بتواند زنجیره تأمین ، تیم طراحی ، خط تولید و کنترل کیفیت را با هماهنگ تر ، امکان ارائه محصولات یا خدمات شخصی شده به مشتریان ، به منظور اطمینان بیشتر این محصول / خدمات همیشه در دسترس و تحویل دهد. همانطور که انتظار داشتید

اکنون این امر امکان پذیر است زیرا کارخانه ها ، و کلیه دستگاه های موجود در کارخانه ها ، به IoT متصل (سنسورها و غیره) مجهز هستند که داده ها را جمع می کنند و بر اساس آن عمل می کنند. این داده ها می توانند به صورت متمرکز و پردازش در ابر ، در سیستم عامل های IoT مانند Microsoft Azure IoT ... یا مستقیماً درون دستگاه ها - در "لبه" قرار بگیرند و آن را قابل اطمینان تر و واکنشی تر جلوه دهند. این زمانی است که هوش مصنوعی "روح در دستگاه" می شود!

چگونه یک ماشین یاد می گیرد؟

ما اکنون اطمینان داده ایم: ماشین ها قرار نیست بلافاصله جایگزین مردم شوند ، مادامی که انسان کنترل خود را حفظ کند. اما عملاً ، چگونه یک ماشین واقعا "یاد می گیرد"؟ AB Tasty این روش فنی را در قلب AI توضیح می دهد: Machine Learning (ML).

"ML راهی برای برنامه نویسی رایانه هایی است که در حال افزایش است. روش کلاسیک الگوریتمی است: شرح رسمی وظایف ابتدایی که به داده های پردازش اختصاص داده شده است. این یک محدودیت قوی دارد ، بسیاری از کارها از این نوع نیستند: به فکر کردن در مورد اظهار نظر نفرت انگیز در یک انجمن ، یا شناخت اشیاء در یک عکس و غیره فکر کنید.

این را نمی توان در کارهای فرعی رسمی ابتدایی بیان کرد. ML برای حل آن اینجاست. ایده اصلی این است که کار دیگر به عنوان اقدامات ابتدایی برای انجام دادن توصیف نمی شود بلکه به عنوان مجموعه ای از مثال ها: داده های ورودی برای پردازش و نتیجه مورد انتظار: خروجی. برای کار تعدیل کننده انجمن ، یک ورودی متن پست است و خروجی وضعیت ارسال (متنفر بودن یا نبودن) است. پس از جمع آوری چنین جفت های داده / ورودی (معمولاً به صورت دستی) ، یک مدل ساخته می شود. مدل یک عملکرد ریاضی است که قادر به پردازش داده های ورودی برای ارائه پاسخ مورد انتظار است.

در ابتدا ، این مدل "خالی" نیست ، مانند دانش آموز قبل از شرکت در اولین دوره ، قادر به انجام هیچ کار قبل از آموزش نیست. ما به تدریج نمونه ها را به دستگاه نشان می دهیم تا یک مدل ریاضی را تنظیم کنیم تا به خروجی مورد انتظار برسیم. این روشها یاد می گیرند. نکته جالب این است که این فرآیند تنظیم یک مشکل قدیمی مهندسی / ریاضی با بسیاری از راه حل های آماده برای استفاده است.

منبع: Mediapart

این الگوریتم برای حل مسائلی که به روش های دیگر قابل حل نیست بسیار عالی است اما اشکالاتی دارد. نکته اصلی این است که هیچ معنای صریح واقعی از هدف کار وجود ندارد. این مدل ممکن است روشهای غیر منتظره ای را برای حل مسئله منتهی به تصمیم های اشتباه محلی بیاموزد. به عنوان مثال ، در کار تعدیل انجمن ، اگر تعداد زیادی اظهار نظر نفرت انگیز از یک کشور خاص در مجموعه داده های یادگیری وجود داشته باشد ، این مدل ممکن است صرف نظر از محتوای آن ، کاملاً اظهار نظر متنفر از این کشور را طبقه بندی کند.

به همین دلیل ، حتی اگر ماشین به طور خودکار یاد بگیرند ، آنها همیشه نیاز به یک معلم انسانی برای گرفتن و مقابله با چنین مواردی دارند. این ارزش آن را دارد زیرا قادر به مقابله با مشکلاتی است که رویکرد کلاسیک از عهده آن بر نمی آید. "

آیا شبکه های عصبی مانند مغز هستند؟

بنابراین ماشین ها مانند دانش آموزان هستند: یک "معلم" به آنها اطلاعات می دهد ، برای حل مسئله و راهی برای یافتن راه حل. آنها معمولاً هنگامی که مجبورند روند را تولید کنند ، شکست می خورند و بعد ، آنها درس می آموزند تا دفعه دیگر از اشتباه خودداری کنند. مثل این است که اگر مغز داشته باشند ، نه؟ بیایید با تشکر از دید رایانه ، از Scortex ، متخصص در زمینه کنترل کیفیت بپرسیم.

"ممکن است به شما گفته شود که رایانه ها ، دقیقاً مانند انسان ،" مغز "خود را دریافت کرده اند ، و ما آنها را" شبکه های عصبی "می نامیم. شبکه عصبی رایانه ها از زیست سنجی الهام گرفته شده اند. شما ممکن است پیکسل های یک تصویر را به عنوان سلول های نور گیرنده چشم و شبکه های عصبی به عنوان سیناپس در مغز توصیف کنید که ممکن است فعال شود یا نباشد. چگونه ما از ایده تقلید از سلولهای عصبی مغز برای درک تصاویر استفاده کردیم؟ همه چیز از زمانی شروع شد كه محققان برانگیختگی نورون های گربه را با جهت یابی و ضخامت نورهایی كه توسط گربه دیده می شود ، مرتبط كرد. با دانستن این موضوع می توانید چشم خود را با هر دوربینی (مانند تلفن خود) در نظر بگیرید. بیایید کمی به آن «شبکه های عصبی» شیرجه بزنیم ، آیا آنها واقعاً با مغز قابل مقایسه هستند؟

شبکه های عصبی طیف وسیعی از الگوریتم های ML بسیار جالب هستند که این ویژگی را دارند تا بتوانند رفتاری را به همان اندازه نزدیک که از هر عملکرد ریاضی می خواهیم بیاموزند. شما ممکن است این را با هر دانش آموز مقایسه کنید که دانش معلم خود را بیاموزد (بدین معنا نیست که دانش آموز می خواهد) .بنابراین ، به عنوان مغز ، شبکه های عصبی بسیار متنوع به نظر می رسند و ممکن است با طیف وسیعی از کارها سازگار باشند. .

تحت هود ، شبکه های عصبی از سلولهای عصبی ساخته شده اند که شباهت هایی با نورونهای بیولوژیکی دارند. در زیر مشاهده کنید:

منبع: Quora

در بالا: بازنمایی یک نورون بیولوژیکی. در پایین نمایشی از یک نورون مصنوعی در یک شبکه عصبی.

جدا از ساختار آنها ، مقایسه بین زیست شناسی و رایانه به سرعت متوقف می شود. کارهایی که هم اکنون توسط آن شبکه های عصبی قابل انجام هستند هنوز هم بسیار خاص هستند و نحوه تکامل سلول های عصبی به لطف داده ها به مراتب کارآمدتر از مغز انسان است. علاوه بر این ، چند وظیفه ای ، یادگیری وظیفه جدید ، سودآوری از وظایف شناخته شده در حال حاضر برای یادگیری سریع کارهای جدید هنوز هم سؤالات باز در جامعه تحقیق است.

به عنوان یک نتیجه ، شبکه های عصبی هنوز کاملاً متفاوت از مغز هستند ، زیرا هواپیماها با پرندگانی که از آنها الهام گرفته اند متفاوت است ، اما هنوز هم بسیار مفید هستند! "

پردازش زبان طبیعی چیست؟

ما قبلاً گفتیم که هوش مصنوعی تولید مثل عملکردهای شناختی انسان است. اما چگونه آنها در واقع درک می کنند ، می خوانند و صحبت می کنند؟ استارتاپ Prevision.io که یک بستر یادگیری خودکار خودکار را ایجاد کرده است ، این پاسخ را دارد: راز پردازش زبان طبیعی (NLP) است.

NLP به اشکال طبیعی که در آن انسانها بیان می شوند ، اشاره دارد: گفتار ، دست خط ، زبان نشانه. وقتی در مورد کودکان نو پا فکر می کنید ، آنها را با پیوند دادن آنها با اشیاء مانند درخت ، گربه یا خورشید شروع به درک کلمات می کنند. با تشکر از شبکه های عصبی مصنوعی ، این تفاوت برای ماشینهای در تلاش برای درک زبان انسانی تفاوت چندانی ندارد.

ما به جای آموزش کلمه برای هر کودک ، الگوریتم را با متن هایی که با اشیاء ، اهداف یا احساسات تغذیه می شود ، تغذیه می کنیم. سپس این الگوریتم قادر به استخراج اطلاعات از متون یا اسناد جدید است و آن را به دستگاهی منتقل می کند که پس از آن می تواند بر روی آنها استدلال کند. به عنوان مثال ، اگر "وضعیت تحویل تلفن من چیست؟" را وارد کنید ، هوش مصنوعی قادر به استخراج {intent = "تحویل آهنگ" ، موضوع = "تلفن" ، احساسات = "بی طرف" خواهد بود ، سیستم ساختار یافته است داده ها و اکنون می توانید آن را برای استفاده متفاوت دستکاری کنید ، در اینجا از یک پایگاه داده پرس و جو کرده و به شما پاسخ می دهد.

با این حال ، این بدان معنی نیست که درک کاملی از یک زبان و تمام تفاوت های ظریف آن توسط دستگاه وجود دارد. به عنوان مثال ، گفتگو بدون درز با دستیاران مجازی یا باتلاق ها ، بسیار دردناک است ، بیشتر به این دلیل که هنوز آنها نمی توانند نیت انسان را کاملاً درک کنند ... اما! »

وای ! این اطلاعات زیادی بود اما اکنون ، به لطف راه اندازی کارخانه مایکروسافت هوش مصنوعی ، مایکروسافت کمتر جادویی به نظر می رسد: اساساً ، انسانها ماشین هایی را با الگوریتم هایی آموزش می دهند که انتظارات انسان از آنها را محاسبه می کند. ماشین آلات هنوز هم اشیاء مستقلی نیستند ، آماده کنترل جهان و هنوز هم انسانها برای تصمیم گیری صحیح در پایان و تنها بینش بیشتری از پردازش داده ها لازم هستند! ما کمی احساس راحتی می کنیم که می دانیم افرادی که در آن زمینه فعالیت می کنند ، در واقع تأثیر آینده را در مورد هوش مصنوعی بر جامعه نیز زیر سوال می برند. بنابراین Terminator می تواند صبر کند تا دنیای ما را نابود کند!