Посмотрим правде в глаза, когда люди говорят об ИИ, большую часть времени они думают о машинном обучении. На самом деле машинное обучение настолько распространено, что люди часто удивляются, узнав, что существуют другие типы ИИ. Итак, давайте поговорим о ML…
В последнее время в машинном обучении достигнут удивительный прогресс — у нас есть телефоны, с которыми мы можем разговаривать, приложения, которые знают наши музыкальные вкусы и могут предлагать музыку, которая нам нравится, автомобили, которые могут «почти» управлять собой, приложения, которые могут распознавать породы собак или виды растений. и многое другое. У этого списка нет конца.
Все это стало возможным благодаря машинному обучению. При наличии некоторого начального программирования и множества примеров машины могут «научиться» распознавать кошек, пешеходов или лица. Вы можете спросить Alexa «Который час в Германии?». Используя машинное обучение, Alexa преобразует ваши произнесенные слова в текст, передает текст в поисковую систему и извлекает список ответов вместе с соответствующими показателями достоверности. Будучи простым вопросом, лучший ответ будет иметь высокий балл достоверности, и вам будет дан ответ.
«Отлично, — скажете вы, — он понял, о чем я спросил!»
Но понял ли?
Аналогичным образом вы можете научить машину распознавать кошек. Для этого вы даете ему тысячи фотографий кошек. Затем вы показываете ему фотографию своего кота, и когда он помечает его словом «кошка», вы впечатлены!
«Вау, он знает, что такое кошка!». И это впечатляет! Он никогда не видел изображения вашего кота, но смог распознать его.
Но знает ли он на самом деле, что такое кошка?
Чтобы ответить на этот вопрос, нам нужно посмотреть, что на самом деле делал ИИ. Машинное обучение — это статистический метод, который связывает входные данные с выходными. По сути, это связывает метку «кошка» со множеством различных узоров пикселей, которые составляют форму кошки. Это степень этого. Он не знает, что такое кошка, что кошки — это домашние животные, что кошки — это животные, и что они двигаются, или что-то еще о кошках. Другими словами, он не имеет фактического понимания концепции кошки и, следовательно, не может связать с ней информацию.
Когда были созданы системы ИИ, которые обыграли чемпиона мира по шахматам или лучшего игрока в го, они были созданы как две отдельные и специализированные системы ИИ, одна для игры в шахматы, другая для игры в го. Ни один из них не мог применить свою логику к другому. Ни один из них не имел никакого представления о том, что такое «настольная игра».
Чтобы машина понимала, она должна явно представлять концепции реального мира и знать, как они соотносятся друг с другом. Это можно сделать с помощью графов знаний, которые представляют собой систему узлов и связей между этими узлами, что позволяет нам хранить данные или знания обо всем, о чем вы только можете подумать. Например, граф знаний может описывать человека и его атрибуты, такие как рост, цвет волос, хобби, работу и связи с друзьями или коллегами. Только после того, как машина получит это знание и, возможно, свяжет его с другим знанием, она сможет получить представление.
Мы можем применять специальные и общие знания следующим образом:
Специальные знания:
· Мария играет на трубе
· Мэри живет в Китсилано
· Эми играет на тромбоне
· Эми живет в Китсилано
Общие знания:
· Китсилано – пригород Ванкувера.
· Трубы и тромбоны – музыкальные инструменты, на которых часто играют в оркестрах.
· Люди, играющие на музыкальных инструментах, – музыканты
Мы можем получить информацию:
· Мэри и Эми – музыканты
· Мэри и Эми живут недалеко друг от друга
· Мэри и Эми, вероятно, знают друг друга
Это можно представить следующим образом:
В отличие от ML, где ассоциации ввода/вывода представлены в виде векторов весов, представление понятий явно позволяет ИИ использовать те же слова, что и пользователь. Важно отметить, что без него не может быть никакого объяснения результатов. По этой причине системы машинного обучения известны как системы черного ящика. Системы «черного ящика» хороши для некритичных задач, таких как предложение, что купить или с кем встречаться, но, если они не могут объяснить свои результаты, их нельзя использовать в сценариях с высокими ставками, таких как медицинские диагнозы, юридические консультации или любые научные исследования. .
ИИ с помощью графов знаний может не только объяснять результаты, но и давать советы. Точно так же, как эксперт-человек, просматривающий результаты, система искусственного интеллекта этого типа предлагает предложения о пробелах в знаниях и о том, что необходимо сделать, чтобы подтвердить любой ответ, который он дает.
Современные современные системы искусственного интеллекта в значительной степени зависят от машинного обучения. Хотя он полезен для многих задач, он не имеет фундаментального понимания, поэтому, чтобы ответить на вопрос «Насколько хорош ИИ на самом деле?»
В случае машинного обучения ответ таков: «Полезно… но ограничено».
