أصبح الذكاء الاصطناعي بسيطًا

وأوضح الذكاء الاصطناعي ببساطة. الحفاظ على نظرة عامة على الكتلة، على سبيل المثال البيانات الضخمة؟ هذا ممكن فقط إذا اتبعت أنماطًا معينة أو سمحت لنفسك بالتوجيه.

تجربة ذاتية: لديك صورة معينة في رأسك. اليوم يجب أن تكون خزانة حمراء بمقابض بيضاء. ماذا تفعل؟

قمت بإدخال "خزانة حمراء، مقابض بيضاء" في بحث Google.

أَثْمَر؟ محتشم.

المحاولة الثانية: أدخلت "خزانة حمراء، مقابض بيضاء" في بحث Google.

والنتيجة أفضل بالفعل، ولكن من الممكن أن تكون أفضل بالتأكيد.

يتم اتخاذ الخطوة الأولى في البرمجة باستخدام بحث Google. يتم جمع استعلامات البحث وتحويلها إلى خوارزميات ورموز من الشبكة العصبية.

وبالتالي فإن التعلم الآلي، كما هو موضح في الرسم العلوي، ليس أمرًا قابلاً للتنفيذ السريع. الكثير من الوقت والعمل يذهب إلى ذلك. وهذا ما يفسر أيضًا تكاليف التطوير المقابلة. ولكن إذا اعتبرت أن الذكاء الاصطناعي ليس لديه إجازة، ولا معاش تقاعدي أو خسائر طبيعية أخرى، فإن الأمور تبدو مختلفة تمامًا.

ولكن هل ستظل الخزانة الحمراء ذات المقابض البيضاء ذات صلة بالغد؟ هل لا يزال يناسب نمط الحياة؟ الأذواق تتغير. هذا هو بالضبط المكان الذي يلعب فيه التعلم العميق. للاستمرار في مثالنا: مع استمرار البحث، يتعلم الذكاء الاصطناعي ويتعرف على كيفية تغير سلوك البحث الخاص بك بناءً على الموضوعات الأخرى التي تهمك ويقوم بشكل مستقل بتطوير خوارزميات جديدة "لتوقع" أنه سيكون لديك خزانة خضراء في السنة ذات المقابض الزرقاء يمكن أن تكون ذات فائدة للمطبخ.

رهيب؟ بالنسبة للبعض هذا أمر مخيف. لكنها في الواقع ليست كذلك. الخوف من المجهول يخدعنا. إذا سألنا مجموعة من الأشخاص عما قد يثير اهتمامك على شاشة التلفزيون غدًا، فسوف تحصل على إجابات متنوعة. غير موحده. والآن، كيف تقرر أي اقتراح ستقبله؟ هل هي المساهمة المهنية أم المظهر الجذاب للشخص المعني؟

إنه نفس الشيء مع الذكاء الاصطناعي. يعتمد البيان على مدى ضعف أو قوة "برمجة" الشبكة العصبية. يتعلق الأمر بتحليل الأنماط لمساعدتنا في اتخاذ قرار جيد. لا للسيطرة علينا. لأنه إذا لم نتمكن من تحليل الأنماط في البيانات الضخمة، فسنغرق بلا رحمة. وهذا هو سيناريو الرعب الحقيقي.