Sistemski pristop Popolno razkritje: imam zgodovino z umetno inteligenco, ko sem se spogledoval z njo v osemdesetih letih prejšnjega stoletja (se spomnite ekspertnih sistemov?), nato pa sem se varno izognil pozimi umetne inteligence v poznih osemdesetih letih prejšnjega stoletja tako, da sem se preusmeril v formalno preverjanje, preden sem končno pristal na omrežju kot svoji specialnosti v 1980.

In tako kot ima moj kolega pri sistemskem pristopu Larry Peterson na svoji knjižni polici klasike, kot je priročnik Pascal, imam pri sebi še vedno nekaj knjig o umetni inteligenci iz osemdesetih let, predvsem knjigo PH Winstona Umetna inteligenca (1984). Listanje po tej knjigi je prav veselo, v smislu, da je večina videti, kot da bi bila morda napisana včeraj. Na primer, predgovor se začne takole:

Zanimalo me je tudi nekaj primerov iz leta 1984 o tem, »kaj zmorejo računalniki«. Eden od primerov je bilo reševanje resno težkih računskih problemov – opazno, ker se zdi, da natančna aritmetika presega zmožnosti današnjih sistemov, ki temeljijo na LLM.

Če je bilo računanje že leta 1984 rešljivo z računalniki, medtem ko osnovna aritmetika ovira sisteme, ki jih imamo za današnje stanje tehnike, morda obseg napredka umetne inteligence v zadnjih 40 letih ni ravno tako velik, kot se zdi na prvi pogled. (Se pravi, obstajajo celo bolje Današnji sistemi za reševanje računov preprosto ne temeljijo na LLM in ni jasno, ali jih kdo imenuje AI.)

Eden od razlogov, zakaj sem vzel v roke svoj stari izvod Winstona, je bil, da vidim, kaj ima za povedati o definiciji umetne inteligence, ker je tudi to kontroverzna tema. Njegov prvi pogled na to ni zelo spodbuden:

No, v redu, to je precej krožno, saj morate nekako definirati inteligenco, kot priznava Winston. Toda nato navede dva cilja AI:

1. Da bodo računalniki bolj uporabni
2. Razumeti načela, ki omogočajo inteligenco.

Z drugimi besedami, težko je definirati inteligenco, morda pa nam bo študija AI pomagala bolje razumeti, kaj je. Šel bi tako daleč, da bi rekel, da 40 let pozneje še vedno razpravljamo o tem, kaj je inteligenca. Prvi cilj se zdi hvalevreden, vendar očitno velja za veliko tehnologij, ki niso AI.

Ta razprava o pomenu "AI" še naprej visi nad industrijo. Naletel sem na veliko tarnanj, da izraza umetna splošna inteligenca ali AGI ne bi potrebovali, če samo izraza AI ne bi tako onesnažili ljudje, ki tržijo statistične modele kot AI. Tega res ne kupim. Kolikor vem, je umetna inteligenca vedno pokrivala široko paleto računalniških tehnik, od katerih večina ne bi nikogar zavedla, da bi mislil, da računalnik prikazuje človeško raven inteligence.

Ko sem se pred približno osmimi leti ponovno začel ukvarjati s področjem umetne inteligence, so se nevronske mreže – ki so jih nekateri moji kolegi uporabljali leta 1988, preden so padle v nemilost – presenetljivo vrnile, do točke, ko je prepoznavanje slik z globino imele nevronske mreže presegli hitrost in natančnost ljudi, čeprav z nekaterimi opozorili. Ta porast umetne inteligence je povzročil določeno stopnjo tesnobe med mojimi inženirskimi kolegi pri VMware, ki so začutili, da je v teku pomemben tehnološki premik, ki ga (a) večina od nas ni razumela (b) naš delodajalec ni bil sposoben izkoristiti .

Ko sem se lotil naloge učenja, kako delujejo nevronske mreže (z a velika pomoč od Rodneyja Brooksa) Spoznal sem, da jezik, ki ga uporabljamo, ko govorimo o sistemih umetne inteligence, pomembno vpliva na naše razmišljanje o njih. Na primer, do leta 2017 smo veliko poslušali o »globokem učenju« in »globokih nevronskih mrežah«, uporaba besede »globoko« pa ima zanimiv dvojni pomen. Če rečem, da imam "globoke misli", si lahko predstavljate, da razmišljam o smislu življenja ali nečem enako pomembnem, in zdi se, da "globoko učenje" pomeni nekaj podobnega.

Toda v resnici se "globina" v "globokem učenju" nanaša na globino, merjeno v številu plasti, nevronske mreže, ki podpira učenje. Torej ni »globok« v smislu pomena, ampak samo globok na enak način, kot ima bazen globok konec – tisti, v katerem je več vode. Ta dvojni pomen prispeva k iluziji, da nevronske mreže »razmišljajo«.

Podobna zmeda velja za »učenje«, kjer je bil Brooks tako koristen: globoka nevronska mreža (DNN) postane boljša pri nalogi, čim več podatkov o usposabljanju je izpostavljena, tako da se v tem smislu »uči« iz izkušenj, vendar način, kako se uči, ni nič podoben načinu, kako se stvari uči človek.

Kot primer, kako se DNN učijo, upoštevajte AlphaGo, sistem za igranje iger, ki uporablja nevronske mreže za poraz človeški velemojstri. Po mnenju razvijalcev sistema, medtem ko bi človek zlahka opravil spremembo velikosti plošče (običajno mreža 19 × 19), bi majhna sprememba naredila AlphaGo nemočnega, dokler ne bi imel časa za usposabljanje na novih podatkih iz spremenjene velikosti plošče.

Zame to lepo ponazarja, kako je "učenje" DNN-jev bistveno drugačno od človeškega učenja, tudi če uporabljamo isto besedo. Nevronska mreža ne more posplošiti tega, kar se je »naučila«. In pri tem poudarjam, AlphaGo je bil pred kratkim Poraženi s strani človeškega nasprotnika, ki je večkrat uporabil slog igre, ki ni bil v podatkih o treningu. Zdi se, da je ta nezmožnost obvladovanja novih situacij značilnost sistemov umetne inteligence.

Jezik je pomemben

Jezik, ki se uporablja za opis sistemov umetne inteligence, še naprej vpliva na naše razmišljanje o njih. Na žalost je glede na razumno nasprotovanje nedavnemu pompu o umetni inteligenci in nekaterih opaznih napakah s sistemi umetne inteligence zdaj morda toliko ljudi prepričanih, da je umetna inteligenca popolnoma ničvredna, kot je članov tabora, ki pravi, da bo umetna inteligenca kmalu dosegla človeško podobno inteligenco .

Zelo sem skeptičen do slednjega tabora, kot je opisano zgoraj, vendar menim tudi, da bi bilo žalostno izgubiti izpred oči pozitiven vpliv, ki ga imajo lahko sistemi AI – ali, če želite, sistemi strojnega učenja.

Trenutno pomagam nekaj kolegom pri pisanju knjige o aplikacijah strojnega učenja za mreženje in nikogar ne bi smelo presenetiti, če slišim, da obstaja veliko težav z omrežjem, ki jih je mogoče rešiti z rešitvami, ki temeljijo na ML. Predvsem sledi omrežnega prometa so fantastični viri podatkov, podatki o usposabljanju pa so hrana, na kateri uspevajo sistemi strojnega učenja.

Vse aplikacije, od preprečevanja zavrnitve storitve do odkrivanja zlonamerne programske opreme in geolokacije, lahko uporabljajo algoritme ML, cilj te knjige pa je pomagati ljudem v omrežju razumeti, da ML ni nek čarobni prah, s katerim potresete svoje podatke, da bi dobili odgovore, temveč niz inženirskih orodij, ki jih je mogoče selektivno uporabiti za izdelavo rešitev za resnične probleme. Z drugimi besedami, ni niti zdravilo niti preveč hvaljen placebo. Namen knjige je pomagati bralcem razumeti, katera orodja ML so primerna za različne vrste omrežnih težav.

Ena zgodba, ki mi je pred časom padla v oči, je bila uporaba umetne inteligence za pomoč podjetju Network Rail v Združenem kraljestvu upravljati z vegetacijo ki raste ob britanskih železniških progah. Ključna tehnologija »AI« je prepoznavanje slik (za identifikacijo rastlinskih vrst) – izkorišča tehnologijo, ki so jo DNN-ji ponudili v zadnjem desetletju. Morda ne tako razburljivo kot generativni sistemi umetne inteligence, ki so leta 2023 pritegnili svetovno pozornost, a dobra, praktična uporaba tehnike, ki je pod okriljem umetne inteligence.

Moja težnja v teh dneh je, da poskušam uporabiti izraz "strojno učenje" namesto AI, ko je to primerno, v upanju, da se izognem tako navdušenju kot alergijskim reakcijam, ki jih zdaj povzroča "AI". In s svežimi besedami Patricka Winstona v mojih mislih, bi lahko začel govoriti o "narediti računalnike uporabne." ®

• Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
• PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
• PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
• PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
• PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
• vir: https://go.theregister.com/feed/www.theregister.com/2024/04/25/ai_usefulness/