Sztuczna inteligencja stała się prosta

Sztuczna inteligencja po prostu wyjaśniła. Utrzymać przegląd w masie, np. Big Data? Jest to możliwe tylko wtedy, gdy będziesz podążać za określonymi wzorami lub dać się prowadzić.

Eksperyment na sobie: Masz w głowie określony obraz. Dziś powinna to być czerwona szafka z białymi uchwytami. Co robisz?

W wyszukiwarce Google „Szafka czerwona, białe uchwyty”.

Dawać? Skromny.

Próba 2: Wprowadzasz „Czerwoną szafkę, białe ręce” w wyszukiwarce Google.

Wynik jest już lepszy, ale z pewnością mógłby być jeszcze lepszy.

Pierwszy krok w programowanie odbywa się za pomocą wyszukiwarki Google. Gromadzenie zapytań i ich konwersja na algorytmy i kody tworzą sieć neuronową.

Uczenie maszynowe, jak widać na górnej grafice, nie jest zatem rzeczą do szybkiego wdrożenia. Wkłada się w to dużo czasu i pracy. Wyjaśnia to również odpowiednie koszty rozwoju. Ale jeśli wziąć pod uwagę, że AI nie ma urlopu, emerytury ani innych naturalnych strat, sytuacja wygląda zupełnie inaczej.

Ale czy czerwona szafka z białymi uchwytami jest nadal aktualna? Czy nadal pasuje do stylu życia? Smaki się zmieniają. Dokładnie tutaj pojawia się głębokie uczenie się. Aby pozostać przy naszym przykładzie: dzięki dalszemu wyszukiwaniu AI uczy się i, w oparciu o inne tematy zainteresowane tym, jak zmieniło się i niezależnie, opracowuje nowe algorytmy, aby „przewidzieć”, że zielona szafka z niebieskimi uchwytami może być zainteresowana kuchnią w ciągu jednego roku.

Straszny? Dla niektórych jest to przerażające. Ale tak naprawdę nie jest. Strach przed nieznanym płata nam figle. Gdybyśmy zapytali grupę ludzi, co może Cię zainteresować jutro w telewizji, otrzymalibyście różne odpowiedzi. Nie jednolite. Jak teraz zdecydować, którą propozycję przyjmiesz? Czy chodzi o wkład zawodowy, czy o atrakcyjny wygląd danej osoby?

Tak to jest z AI. W zależności od tego, jak słaba lub silna została „zaprogramowana” sieć neuronowa, stwierdzenie jest odpowiednio. Chodzi o analizę wzorców, która powinna pomóc nam podjąć dobrą decyzję. Nie kontrolować nas. Ponieważ jeśli nie tworzymy analizy przykładowej w dużych zbiorach danych, bezlitośnie się udajemy. I to jest prawdziwy scenariusz horroru.