Systemtilnærming Full avsløring: Jeg har en historie med AI, etter å ha flørtet med det på 1980-tallet (husker du ekspertsystemer?) og deretter trygt unngått AI-vinteren på slutten av 1980-tallet ved å gå over til formell verifisering før jeg endelig lander på nettverk som min spesialitet innen 1988.

Og akkurat som min Systems Approach-kollega Larry Peterson har klassikere som Pascal-manualen i bokhyllen sin, har jeg fortsatt et par AI-bøker fra åttitallet på min, spesielt PH Winstons Kunstig intelligens (1984). Å bla gjennom den boka er litt av en eksplosjon, i den forstand at mye av den ser ut som den kan ha blitt skrevet i går. Forordet begynner for eksempel slik:

Jeg var også fascinert av å se noen eksempler fra 1984 på "hva datamaskiner kan gjøre." Et eksempel var å løse alvorlige vanskelige kalkulusproblemer – bemerkelsesverdig fordi nøyaktig aritmetikk ser ut til å være utenfor mulighetene til dagens LLM-baserte systemer.

Hvis kalkulus allerede var løsbar av datamaskiner i 1984, mens grunnleggende aritmetikk stumper systemene vi ser på som dagens toppmoderne, er kanskje mengden av fremskritt i AI de siste 40 årene ikke fullt så stor som den først ser ut til. (Når det er sagt, det er til og med bedre calculus-takling-systemer i dag, de er bare ikke basert på LLM-er, og det er uklart om noen refererer til dem som AI.)

En grunn til at jeg tok opp min gamle kopi av Winston var for å se hva han hadde å si om definisjonen av AI, fordi det også er et kontroversielt tema. Hans første syn på dette er ikke særlig oppmuntrende:

Vel, OK, det er ganske sirkulært, siden du må definere intelligens på en eller annen måte, som Winston innrømmer. Men han fortsetter med å angi to mål for AI:

1. For å gjøre datamaskiner mer nyttige
2. For å forstå prinsippene som gjør intelligens mulig.

Det er med andre ord vanskelig å definere intelligens, men kanskje studiet av AI vil hjelpe oss å få en bedre forståelse av hva det er. Jeg vil gå så langt som å si at vi fortsatt har debatten om hva som er etterretning 40 år senere. Det første målet virker prisverdig, men gjelder tydeligvis mye ikke-AI-teknologi.

Denne debatten om betydningen av "AI" fortsetter å henge over bransjen. Jeg har kommet over mange rant om at vi ikke ville trenge begrepet Artificial General Intelligence, aka AGI, hvis bare begrepet AI ikke hadde blitt så forurenset av folk som markedsfører statistiske modeller som AI. Jeg kjøper egentlig ikke dette. Så vidt jeg kan se har AI alltid dekket et bredt spekter av databehandlingsteknikker, hvorav de fleste ikke ville lure noen til å tro at datamaskinen viste menneskelige nivåer av intelligens.

Da jeg begynte å engasjere meg på nytt med AI-feltet for omtrent åtte år siden, hadde nevrale nettverk – som noen av kollegene mine brukte i 1988 før de falt i unåde – gjort et oppsiktsvekkende comeback, til et punkt hvor bildegjenkjenning med dyp nevrale nettverk hadde gått hastigheten og nøyaktigheten til mennesker, om enn med noen forbehold. Denne økningen av AI førte til et visst nivå av angst blant ingeniørkollegene mine i VMware, som følte at et viktig teknologisk skifte var i gang som (a) de fleste av oss ikke forsto (b) arbeidsgiveren vår ikke var i stand til å dra nytte av .

Da jeg kastet meg over oppgaven med å lære hvordan nevrale nettverk fungerer (med en stor assist fra Rodney Brooks) innså jeg at språket vi bruker for å snakke om AI-systemer har en betydelig innvirkning på hvordan vi tenker om dem. I 2017 hørte vi for eksempel mye om "dyp læring" og "dyp nevrale nettverk", og bruken av ordet "dyp" har en interessant dobbel betydning. Hvis jeg sier at jeg har "dype tanker" kan du forestille deg at jeg tenker på meningen med livet eller noe som er like tungtveiende, og "dyp læring" ser ut til å innebære noe lignende.

Men faktisk er "dypet" i "dyp læring" en referanse til dybden, målt i antall lag, av det nevrale nettverket som støtter læringen. Så det er ikke "dyp" i betydningen meningsfylt, men bare dypt på samme måte som et svømmebasseng har en dyp ende - den med mer vann i seg. Denne doble betydningen bidrar til illusjonen om at nevrale nettverk «tenker».

En lignende forvirring gjelder for "læring", som er der Brooks var så hjelpsom: Et dypt nevralt nettverk (DNN) blir bedre til en oppgave jo mer treningsdata det utsettes for, så i den forstand "lærer" det av erfaring, men måten den lærer på er ingenting som måten et menneske lærer ting på.

Tenk som et eksempel på hvordan DNN-er lærer AlphaGo, spillsystemet som brukte nevrale nettverk til beseire menneskelige stormestere. I følge systemutviklerne, mens et menneske enkelt ville håndtere en endring av brettstørrelse (normalt et 19×19 rutenett), ville en liten endring gjøre AlphaGo impotent inntil det hadde tid til å trene på nye data fra brettet med endret størrelse.

For meg illustrerer dette pent hvordan «læring» av DNN er fundamentalt ulik menneskelig læring, selv om vi bruker det samme ordet. Det nevrale nettverket er ikke i stand til å generalisere ut fra det det har "lært". Og gjør dette poenget, AlphaGo var nylig beseiret av en menneskelig motstander som gjentatte ganger brukte en spillestil som ikke hadde vært i treningsdataene. Denne manglende evnen til å håndtere nye situasjoner ser ut til å være et kjennetegn på AI-systemer.

Språk betyr noe

Språket som brukes til å beskrive AI-systemer fortsetter å påvirke hvordan vi tenker om dem. Dessverre, gitt den rimelige tilbakegangen på nylig AI-hype, og noen bemerkelsesverdige feil med AI-systemer, kan det nå være like mange mennesker overbevist om at AI er fullstendig verdiløs som det er medlemmer av leiren som sier at AI er i ferd med å oppnå menneskelignende intelligens .

Jeg er svært skeptisk til sistnevnte leir, som skissert ovenfor, men jeg synes også det ville være uheldig å miste av syne den positive effekten AI-systemer – eller, om du foretrekker, maskinlæringssystemer – kan ha.

Jeg bistår for tiden et par kolleger med å skrive en bok om maskinlæringsapplikasjoner for nettverk, og det burde ikke overraske noen å høre at det er mange nettverksproblemer som kan brukes til ML-baserte løsninger. Spesielt spor av nettverkstrafikk er fantastiske datakilder, og treningsdata er maten som maskinlæringssystemer trives med.

Applikasjoner som strekker seg fra forebygging av tjenestenekt til deteksjon av skadelig programvare til geolokalisering kan alle gjøre bruk av ML-algoritmer, og målet med denne boken er å hjelpe nettverksfolk til å forstå at ML ikke er et magisk pulver som du drysser på dataene dine for å få svar, men et sett med tekniske verktøy som kan brukes selektivt for å produsere løsninger på reelle problemer. Med andre ord, verken et universalmiddel eller en overhypet placebo. Målet med boken er å hjelpe leserne til å forstå hvilke ML-verktøy som passer for ulike klasser av nettverksproblemer.

En historie som fanget meg for en tid tilbake var bruken av AI for å hjelpe Network Rail i Storbritannia forvalte vegetasjonen som vokser langs britiske jernbanelinjer. Den viktigste "AI"-teknologien her er bildegjenkjenning (for å identifisere plantearter) – utnytter den typen teknologi som DNN-er leverte det siste tiåret. Ikke kanskje like spennende som de generative AI-systemene som fanget verdens oppmerksomhet i 2023, men en god, praktisk anvendelse av en teknikk som sitter under AI-paraplyen.

Min tendens i disse dager er å prøve å bruke begrepet "maskinlæring" i stedet for AI når det passer, i håp om å unngå både hypen og allergiske reaksjoner som "AI" nå produserer. Og med ordene til Patrick Winston friskt i minnet, kan jeg bare begynne å snakke om "å gjøre datamaskiner nyttige." ®

• SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
• PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
• PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
• PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
• kilde: https://go.theregister.com/feed/www.theregister.com/2024/04/25/ai_usefulness/