Введение

В наши дни, даже когда я читаю новости об индийском государственном авиаперевозчике, такие как Новые возможности ИИ между городами X и Y, первая связь, которую мой (бедный человеческий) мозг устанавливает, - это искусственный интеллект. Только после этого он подключается к Air India. Это потому, что все (в моем расширенном профессиональном кругу) говорят об искусственном интеллекте.

Хотя я прошел короткий факультатив по ИИ еще в дни компьютерной инженерии (16 лет назад), в рамках этого курса выполнил некоторые базовые LISP -программы, представил доклад на тему Генетические алгоритмы на семинаре (снова такой долгий). назад), и я заядлый любитель научно-фантастических фильмов об ИИ (и утверждаю, что понял Матрицу в первый раз, когда смотрел ее - хотя с субтитрами, ха!), я понимаю, что мои знания о том, что такое ИИ, не лучше чем непрофессионал (или того хуже, так как половинное знание опаснее).

Эта статья - попытка раскрыть для себя ИИ (и связанные с ним слова, такие как ML - машинное обучение, DL - глубокое обучение). И публиковать его, чтобы принести пользу другим, находящимся в такой же лодке. А также получить обратную связь от других, чтобы исправить мое понимание.

Без дальнейших церемоний ->

Что такое искусственный интеллект

Искусственный интеллект - это, по сути, все, что делает вычислительная машина. Даже базовый бухгалтерский калькулятор, который вычисляет 2 + 2 = 4, является искусственным интеллектом. Однако мы не считаем их ИИ из-за того, что называется эффектом ИИ: когда мы знаем, как машина делает что-то интеллектуальное, она перестает считаться разумной. Инструменты, которые мы считаем само собой разумеющимися (выберите любое из ваших любимых приложений), - это все ИИ. Все, что съедает программное обеспечение, можно рассматривать как искусственный интеллект.

Если так, то зачем сейчас так много суетиться? И почему все об этом говорят? Потому что то, как мы «обучаем» компьютер (или то, как компьютер «учится»), «как делать разумные вещи» теперь изменилось. И происходит это в очень быстром темпе. Читать дальше.

ИИ подразделяется на 3 типа:

Узкий ИИ: ИИ, который хорошо справляется с одной работой (или несколькими), называется Узким ИИ. Калькулятор, который делает 2 + 2 = 4, называется Narrow AI. Таковы Google Maps, Uber, проверка орфографии в MS Word, алгоритм рекомендаций Netflix и все формы самоуправляемых автомобилей. Конечно, эти примеры усложняются по мере продвижения, но все же они «узкие». Даже самый продвинутый «самоуправляемый» автомобиль может «управлять только автомобилем» со всеми его датчиками, картографическими данными и прочим. Он не может точно сказать вам, почему собака вашего соседа любит какать на вашей лужайке. Вы уловили дрейф.

ИИ общего назначения: это также называется ИИ человеческого уровня. Это машины, которые могут думать и действовать как люди. Общий ИИ (или создать впечатление о нем) - это цель всех голосовых помощников, таких как Siri, Alexa, OK Google (на самом деле ему нужно другое имя), Cortana и им подобных. Это действительно может дать вам возможные причины поведения собаки. Между прочим, долгое время существовала такая штука под названием Тест Тьюринга, когда ожидалось, что машина обманет человека, заставив думать о ней тоже как о человеке. Однако просто обман был бы Узким ИИ.

Супер ИИ: здесь машины лучше людей с точки зрения «общего интеллекта» (то есть не в узком смысле ИИ - машины уже могут работать на 12345 * 45683 быстрее, чем люди). Таковы все роботы (определенно злые), которых мы видим в фильмах. Их не существует в реальной жизни. По крайней мере, мы не знаем, есть ли они (в смысле Matrix). Super AI действительно находится в сфере «мы не знаем того, чего не знаем». Как мы можем понять, что означает интеллект сверх того, на что мы способны?

На очень упрощенном уровне подумайте об общем ИИ как об имеющемся у нас «шестом чувстве». И Super AI как «седьмое чувство», которое приобретут машины. (Конечно, наверное, больше нечего придумывать, что это, ха!)

Подробнее об этой штуке "Суперинтеллект"

Общее ожидание от эволюции ИИ, кажется, таково: как только машины достигнут общего уровня ИИ, они автоматически перейдут на уровень Супер ИИ, не требуя от людей каких-либо действий. Это становится более очевидным, когда мы узнаем, как машины могут учиться сами по себе (машинное обучение). Поскольку машины стремятся достичь интеллекта, превышающего человеческий, мы можем только сидеть и смотреть. Они могут делать вещи, которые мы даже не можем понять - например, говорить, как ваша собака может наблюдать, как вы строите стол из куска дерева. Он знает только, что вы делаете какие-то странные вещи с деревом, молотком, гвоздями и прочим. Он никогда не может понять, как самому сделать стол. То же самое было бы между нами и машинами - мы бы даже не поняли, что они делают, забудьте о копировании. Вот почему Илон Маск однажды назвал ИИ вызывающим демона. Он даже основал компанию, чтобы держать это под контролем.

На эту тему вышло несколько книг, таких как Age of Em, Homo Dues и другие, в которых рассказывается о временах, когда живут сверхразумные существа. А ясное объяснение суперинтеллекта можно найти в этом учебнике по ИИ от WaitByWhy. Не забудьте вернуться сюда, потому что эта статья действительно может вас затянуть.

Как достигается ИИ

Теперь давайте посмотрим, как машина «приобретает» интеллект. Есть два основных способа, которыми машина (или любое другое существо, я полагаю?) Может обрести интеллект:

На основе правил (сверху вниз): изучите набор правил по теме и продолжайте применять их к проблеме. На этом основаны рудиментарные узкие решения ИИ. Вы изучаете множество правил арифметики (целые числа, дроби, арифметические операции и т. Д.) И можете стать калькулятором бухгалтера (2 + 2 = 4). Добавьте больше правил, добавьте больше изощренности, и вы сможете стать лучше, но все же узкий AI. Мое программирование LISP для Tic Tac Toe основывалось на этом. Если распространить это на не только машины, то все, что мы учим наших детей, основано на правилах. Все, чему можно научить, основано на правилах. Насколько я понимаю (не совсем уверен, даже после прочтения этого!) Deep Blue, победивший чемпиона среди людей по шахматам в 1996 году, был ИИ, основанным на правилах. Он был снабжен всеми возможными комбинациями движений и инструктировался, что делать дальше для каждой комбинации (я действительно могу ошибаться здесь, проконсультируйтесь в другом месте, прежде чем вы сами сделаете это утверждение).

На основе обучения (снизу вверх): продолжайте наблюдать за вещами, находите закономерности, сопоставляйте их и изучайте все самостоятельно. В последнее время на этом основано множество сложных (но все же узких) решений ИИ. Самый известный пример - компьютерная игра Alpha Go, победившая чемпиона среди людей в игре «Go». Видимо, в отличие от шахмат, этой игре в го нельзя научить на основе правил - их очень много. Итак, компьютеру пришлось изучить это самостоятельно на основе «шаблонов». Сопоставление с образцом похоже на то, как ребенок учится различать кошку и собаку. Вы ведь не изучаете какие-то правила, не так ли? Когда вы попытаетесь научить правилам, вы поймете, насколько распространены оба этих животных. Ребенок понимает разницу именно через «шаблоны».

Прочтите эту увлекательную статью в New York Times о том, как Google Translate перешел от подхода, основанного на правилах, к подходу, основанному на обучении, и добился отличных результатов (и более того - Google теперь называет себя первой компанией AI)

Как вы, возможно, догадались, этот ИИ, основанный на обучении, требует определения множества закономерностей. Это означает, что для просмотра требуется много данных. Если ребенок видит только 1 кошку и только 1 собаку, его будет нелегко идентифицировать, когда вы покажете следующую фотографию (если она не очень похожа на предыдущую). Ребенку нужно видеть много собак и кошек, чтобы четко различать, что есть что. То же самое и с компьютерами. Им нужны данные - их много - причем хорошие / правильные. Иначе они могут начать вести себя расистски, как этот бот от Microsoft.

Более полувека компьютерный мир гнался за подходом, основанным на правилах, что привело к тому, что называется ИИ-зимы (по сути, время, когда на ИИ не было надежды и, что более важно, не было финансирования. для исследования AI). Лишь в последнее десятилетие подход, основанный на обучении, получил известность. Раньше действительно были сторонники обучающих подходов, но они не преуспели. Как говорится, тогда еще не пришло время с точки зрения доступности данных (в цифровой форме) и вычислительной мощности для обнаружения закономерностей. Текущая шумиха определенно утихнет, но, похоже, все согласны с тем, что на этот раз у нас не будет зимы. Вещи действительно станут мейнстримом (если еще не так).

Подробнее об этом "обучении"

Итак, ИИ - это обширная область. И мы только что сказали, что методы, основанные на обучении, работают лучше. А теперь давайте попробуем немного подробнее раскрыть эту обучающую часть. На a16z есть супер-видеопрезентация AI, Deep Learning & Machine Learning, которую вы ДОЛЖНЫ посмотреть (из которой было взято изображение ниже).

Как видите, машинное обучение включает в себя несколько «подсекций», одна из которых - «Глубокое обучение», составляющая основу всех достижений, о которых мы слышали в последние несколько лет, включая «Google Translate», « Alpha Go 'и тому подобное. Судя по всему, он буквально делает то, о чем говорит его название - он продолжает «глубоко» искать шаблоны в данных, создавая слои и слои шаблонов до того, как появятся определенные шаблоны.

Существуют и другие области машинного обучения, такие как обучение с подкреплением (где машина обучается на основе вознаграждения / наказания - как классическая теория обусловливания психологии), контролируемое обучение (где человек руководит процессом обучения), Обучение без учителя и тому подобное. Байесовские сети работают по принципу байесовского вывода, когда вероятность чего-либо обновляется при каждом появлении новых данных, поддерживающих (или не поддерживающих) это. Аспект генетический алгоритм машинного обучения основан на эволюции - когда алгоритм пробует разные вещи, прежде чем остановится на одном (схема выживания наиболее приспособленных!). Помните, я даже представил доклад по GA в 1998 году в UnderGrad - если бы я не был пустышкой, вы думаете, я бы оставил его просто на семинаре? Ха. Теперь все становится еще сложнее, когда машины создают программное обеспечение для машинного обучения и так далее. Существуют системы искусственного интеллекта, способные не только анализировать данные, но также обнаруживать, что отсутствует, и запрашивать эти данные.

Что ж, все это выходит за рамки статьи «для чайников», так что пропустим. Для манекенов давайте подведем итоги так: Существует множество техник машинного обучения. Из них Deep Learning дало наилучшие результаты и является изюминкой дня. Они могут находиться под присмотром или без присмотра или использовать любую комбинацию перечисленных выше методов.

Как я уже писал, входящие данные очень важны для машинного обучения: Garbage In, Garbage Out. В этой статье перечислены хорошие« наборы данных », если вы хотите создать что-то на основе машинного обучения и нуждаетесь в данных. А вот и хороший набор правил для построения систем машинного обучения. (Конечно, я понимаю иронию - но эти правила для нас, людей, а не машин). И еще: 12 типов проблем ИИ, если тебе будет интересно (или больше не хочешь быть пустышкой)

Еще немного (личного) об этой обучающей штуке

Как самопровозглашенный умный родитель, у меня была такая теория: интеллект включает в себя 2 вещи - сопоставление с образцом и решение проблем. Сопоставление с образцом происходит у людей естественным образом. Именно решение проблем требует обучения. Моя дочь, похоже, по умолчанию хорошо умеет сопоставлять образцы. Итак, я пытался помочь ей научиться решать проблемы, подталкивая ее к разгадыванию головоломок, построению вещей из блоков и тому подобному.

Судя по тому, что я собираю по поводу машинного интеллекта, решение проблем кажется лишь случаем большего сопоставления с образцом. Похоже, что чем глубже вы получаете совпадение шаблонов, тем решаются проблемы. Это напомнило мне отрывок из Экспериментов с истиной Ганди, где он говорит, что правда есть всегда, вам просто нужно смотреть глубже. Так он, по-видимому, раскрыл дело, для которого был нанят в Южной Африке. Ладно, не будем вдаваться в философию. (Или заявите, что Ганди был пионером в области глубокого обучения)

Однако должен сказать, что я не совсем уверен в этом аспекте. Является ли сопоставление с образцом единственным средством решения проблемы? Должно быть больше. Если нет ничего больше, машины определенно могут добиться большего, чем люди, и Сингулярность грядет. Мы действительно вызываем демона.

Эта вещь также напомнила мне Разницу между инженером и ученым, которую я недавно прочитал на Фарнам-стрит. Я подозреваю, что машинное обучение хорошо подходит для науки, а не для инженерии? Или я ошибаюсь?

Хватит «обучения», уже три раздела.

Приложения на AI

Несмотря на всю эту шумиху, давайте поймем, что мы все еще находимся на стадии «узкого ИИ». Просто он становится все лучше и изощреннее и теперь может охватывать многие / большинство областей нашей жизни. Не только 2 + 2 = 4, но и многое другое. Где сейчас применяется ИИ, помимо Alpha Go и других демонстраций?

В статье New York Times уже рассказывалось об использовании Google Translate. Алгоритмы рекомендаций Netflix, алгоритмы маршрутизации / распределения Uber и т. Д. Уже используют его. Так что это настолько популярно, насколько это возможно. Просто ИИ - это то, что еще не было сделано, поэтому мы не думаем о них как о ИИ. Кто-то создает что-то для каждой подобной области (образование, здравоохранение, финансы, все, что вы можете придумать). Мне постоянно попадаются компании, которые серьезно занимаются машинным обучением, через день. На мой взгляд, Entropik Technology пытается увидеть закономерности в эмоциях людей на основе данных на их смартфоне, его акселерометре и других датчиках (которые компании могут использовать для рекомендаций), Active.ai пытается заниматься ML по поддержке клиентов для банков. Я также продолжаю читать новости об индийских ИТ-услугах, так как Cognizant, Wipro, Infosys и другие развивают опыт в этой области. Не уверен, что именно.

Помните, это всего лишь несколько примеров, которые я (как новичок в этой области) помню. Их тысячи по всему миру работают над использованием машинного обучения для решения проблем, специфичных для предметной области. Наша жизнь как потребителей определенно станет лучше и эффективнее в течение следующих нескольких лет. Давайте наслаждаться всем этим, пока демон действительно не появится, ха-ха.

А теперь еще раз повторим, что мы все еще находимся в сфере «узкого ИИ». Давайте теперь сосредоточимся на попытках создания «общего ИИ» (или создания впечатления от общего ИИ) - голосовых помощников.

Специальное приложение: голосовой помощник

Из всех различных приложений машинного обучения только в «Голосовых помощниках» (и чат-ботах) мы видим подобие «общего ИИ» (то есть «человеческого интеллекта»). Я по-прежнему утверждаю, что это вариант использования автоматизированного «Ассистента» - Узкий ИИ. Тем не менее, это «особый» случай, когда ведущие игроки отрасли и борются с ним - Google OK Google (проявляется, среди прочего, как Google Home и Allo), Amazon Alexa (среди прочего проявляется как Amazon Echo), Cortana от Microsoft, Siri от Apple и M.

Для правильной работы голосовых помощников необходимы 4 области интеллекта - распознавание голоса, обработка естественного языка, создание контекста и знание предметной области. (Небольшое примечание - это полностью моя теория, поэтому используйте ее на свой страх и риск). Обратите внимание, что все они поддаются «сопоставлению с образцом», поэтому вполне естественно (ха!), Что искусственный интеллект, в частности глубокое обучение, может оказать влияние. Позвольте мне объяснить по порядку:

(1) Распознавание голоса:

Это способность системы понимать различные звуки, исходящие изо рта человека, определять, на каком языке идет речь, и определять, какие слова произносятся, независимо от акцента, на котором она произносится. Обратите внимание, что машина может быть «стенографисткой». 'с этой способностью. Однако до машинного обучения это было крайне сложно. Существовало несколько решений для так называемого «преобразования речи в текст» с разной степенью точности, но никогда не приближавшихся к совершенству. У меня был веселый опыт, когда я пытался «диктовать» мои задания MBA программе «Преобразование речи в текст», которая была предустановлена ​​на моем ноутбуке серии Toshiba Satellite под управлением Windows Vista, примерно в 2007 году. Я также в разное время сталкивался с программным обеспечением для диктовки Dragon от Nuance, ничего удовлетворительного.

Даже сейчас, когда я пытаюсь продиктовать что-то Evernote с помощью функции «Голосовой» клавиатуры Android, это выходит из строя - когда я говорю «На фестивалях и голодании, Сенека», он набирает это как «Фестивали могут поститься», Синха. Машина'. В другой попытке он напечатал «Отправить машину». Конечно, я понимаю, что это индиец, говорящий по-английски, на который влияет мой родной язык. Когда-нибудь индийские языки (включая индийский английский) будут охвачены этим, не так ли? В любом случае это бесконечно лучше, чем то, что было у меня в 2007 году.

Интересно, что распознавание голоса Google в случае «Поиска» (окей, Google) намного лучше. Он понимает почти все, что я говорю (или даже то, что говорит моя 4-летняя дочь). Некоторые модули кажутся медленнее выводятся на клавиатуру. Или я что-то воображаю.

(2) Обработка естественного языка:

Аппарат может быть «стенографистом» только с «распознаванием голоса», но это только одна из вещей, которые делает Ассистент. Помощник должен понимать все команды обслуживаемого человека - чтобы понимать команды, ему необходимо выполнить «Обработку естественного языка» (NLP). Мы говорим по-разному, не так ли? Мы говорим по-разному, не так ли? Наша речь в разное время происходит по-разному, не так ли? Да, все 3 предыдущих утверждения означают одно и то же, но мы можем это понять, потому что мы можем заниматься этим «НЛП». Теперь машины тоже должны этому научиться.

Из-за того, что я мало использовал Siri и Google, я думаю, что эта проблема была очень хорошо решена, по крайней мере, для английского языка. Однако я слышал, что НЛП на самом деле не проблема «машинного обучения». Это скорее проблема, основанная на «рассуждениях / правилах». Тем не менее, я считаю, что это очень важный компонент для «Голосового помощника» (или помощников на основе чат-бота).

(3) Создание контекста:

Помимо распознавания произнесенных слов и применения к ним НЛП для определения значения «утверждения», помощнику важно понимать «контекст» речи. Даже в заявлении важен контекст. Когда машина услышит «О праздниках и посте», если она знает достаточно контекста, она поймет, что это письмо, написанное римским философом «Сенекой». Так что не нужно путать между «Sinha Car», «Send a Car» и т. Д. Сразу же будет «Seneca». Я предполагаю - Google Search делает это, а Google Keyboard - нет. Опять же, я мог бы здесь что-то вообразить.

Помимо одного утверждения, все становится еще сложнее. Все популярные помощники, кажется, плохо справляются с этой задачей. Об этом много шуток. Один на Алекса: кто-то говорит Алексе срочно получить что-то, потому что он умирает, и получает ответ «Добавлено в корзину». Еще один с Google: Мужчина - Кто самый популярный портной в этой местности? Google - Xyz. Мужчина - Получи его номер. Гугл - чей номер?

Хотя это тривиальные случаи, и люди, работающие над ними, довольно скоро разрешат их, я думаю, что проблема намного глубже. Потребуются годы и годы практики, чтобы эти системы смогли понять различные контексты, в которых люди действуют и говорят. Также могут возникнуть различные культурные нюансы. Проблема в том, откажутся ли пользователи до того, как они научатся? Эти системы учатся, но люди также учатся тому, что эти системы могут делать: что, если люди учатся и замолкают после первого же случая? Или к голосовому помощнику относится как к тупице?

(4) Опыт в предметной области:

После понимания того, о чем просят (с учетом контекста и всего), Ассистент должен быть в состоянии дать осмысленный ответ / выполнить то, что ему говорят. Для этого требуется «опыт в предметной области» - человек, обученный быть помощником, скажем, в «медицинской диагностике» (скажем, помощником радиолога), сможет понимать команды радиолога и выполнять соответствующие действия. Ассистенту AI также необходимо изучить эту «область». Как только он научится, он может стать сверхэффективным. Я где-то читал: Вы могли бы сказать Алексе, когда собирались спать: «Алекса, почему бы тебе не взглянуть на все эти планы медицинского страхования, или все эти машины, которые я могу купить, или эти школы, в которые может пойти мой ребенок?» к », и он может составить для вас отчет в мгновение ока. Но зачем ему целая ночь?

Это, вероятно, самый простой из четырех, поскольку теперь мы устанавливаем «домен», можем передавать «данные» и позволять машине учиться. Ассистент борется только с другими областями «Общего / Общего Сенсорного» интеллекта.

Обратите внимание, что помимо части «распознавания голоса», остальные 3 элемента важны для любого «Ассистента», на основе чата, на основе IVR или чего-то еще.

Сравнение текущих помощников

Как я уже сказал, большая пятерка (GAFAM) уже активно участвует в этом: Google (Google), Siri (Apple), M (Facebook), Alexa (Amazon) и Cortana (Microsoft). В любом случае Китай - это параллельная вселенная, и у BATmen (Baidu, Alibaba & Tencent) есть свои собственные инициативы - думаю, Baidu превосходит там из-за своего фона поиска, точно так же, как Google для нашей вселенной (вставьте грустное примечание сюда по Индии, а не строит свою вселенную). Другие, такие как Samsung, Huawei и т. Д., Также создают или приобретают компании в этой сфере.

Я лично испробовал достаточно Siri и Google. Для меня и моей дочери это своего рода времяпрепровождение, чтобы задать вопросы им обоим и узнать ответы. Оба они очень хороши, когда дело касается распознавания голоса. Google лучше всех остальных трех элементов. Хотя Google отвечает на большую часть наших вопросов, он ставит перед ним «согласно Википедии», что немного раздражает. Поклонники Apple, такие как Джон Грубер, говорят, что Siri лучше справляется с «созданием контекста», но я думаю, что это ненамного лучше. Но во всех остальных областях у Google получается лучше, так что в целом это лучшее решение. Обратите внимание, что это очень личный опыт (что означает, что это ничего не значит для большого мира).

В настоящее время самым популярным фаворитом в мире технологий является Alexa, которая поставляется с динамиками Amazon Echo. Похоже, что он также используется многими другими компаниями, такими как Lenovo, для создания собственных контроллеров для умного дома, динамиков и т. Д. Это была горячая тема на выставке CES в этом году. Что касается четвертого элемента (предметная экспертиза), Amazon открыла свои API-интерфейсы для третьих сторон, чтобы они могли развивать навыки (например, приложения для App Store). Несмотря на все эти навыки, у них есть огромная проблема повторного использования. Проблема сдадутся ли пользователи до того, как машины адаптируются, вполне реальна. Что мы просто начинаем относиться к ним как к детям? Некоторые стали называть Echo прославленным будильником. Поэтому мне интересно, сможет ли Alexa поддержать эту раннюю шумиху, поскольку у Google больше данных и опыта в области машинного обучения. У Stratechery есть хорошее чтение по этой теме, где Alexa считается ОС Amazon (а-ля Windows и Android в эпоху ПК и мобильных устройств).

Хотя кажется, что подавляющее ощущение (по крайней мере, в том, что я читал), заключается в том, что Google имеет больше возможностей для победы в этой игре с точки зрения быть лучше. Как он будет монетизировать - это вообще другой вопрос. В конце концов, со всем контекстом здесь (и голос является основным способом взаимодействия) невозможно просто вставить рекламу, как это было с поиском. У Amazon есть преимущество в том, что она является компанией электронной коммерции, где ее помощники могут заказывать вещи прямо на Amazon. Google тоже движется туда, но его отсутствие опыта в области электронной коммерции, вероятно, повредит.

Во всех помощниках я заметил одну вещь: они не имеют никакого образа (например, персонажа бренда, персонажа продукта). Конечно, они стараются быть смешными, когда ошибаются или чего-то не знают, но это больше раздражает, чем смешно. Для любого разработчика бота / помощника очень важно иметь личность - в конце концов, это может быть отличительным признаком. Я написал кое-что по этому поводу в прошлом году.

Я предсказываю, что шумиха вокруг голосовых помощников исчезнет, ​​и мы все сосредоточимся на машинном обучении для других областей, где взаимодействие само по себе не является необходимостью (или просто минимально). Разговор с машиной никогда не был естественным. И пока машины не обретут интеллект человеческого уровня, мы должны просто уменьшить потребность в голосе. Может быть, просто боты. Или даже не то. Прочтите о квадранте ботов для обмена сообщениями Vision Mobile, чтобы понять, что я имею в виду.

Как распускается 1000 цветов?

Если крупные технологические компании борются в этом пространстве, что делают те тысячи компаний, о которых мы упоминали ранее? Все ли они работают, чтобы бороться с большой пятеркой? Не обязательно - все они создают «приложения», которые могут использовать машинное обучение, вместо того, чтобы строить «мозг» сами. Это возможно, потому что большая пятерка (и IBM - которая играет важную роль в каждую технологическую эпоху!) Систематически открывают исходные коды (или, по крайней мере, используют API) для своих систем машинного обучения.

У Google есть Tensor Flow, у IBM - Watson, у Microsoft - Cognitive Services, а у Amazon - Lex. Есть также другие библиотеки, такие как Torch и Spark, о которых я слышал. Повторюсь, для меня это всего лишь слух. Я не знаю подробностей об этом. Я считаю, что для статьи о пустышках достаточно их простого перечисления, ха.

Обратите внимание, что это не просто API-интерфейсы, которые можно построить на основе существующих решений, ориентированных на потребителя, таких как Alexa, Google Home и т. Д. Они существуют - для развития «навыков» на вершине. Речь идет о более глубоких вещах - о прямом доступе к основным системам машинного обучения. Используя их, компании могут вводить данные в системы машинного обучения, получать шаблоны и создавать свои собственные приложения. Например, создатель бота службы поддержки клиентов может использовать эти API, чтобы увидеть «закономерности» в исторических беседах с потребителями и создать «бота», чтобы давать соответствующие ответы.

Почему эти большие компании открывают API? Я думаю, что это связано с тем, что их системы подвергаются большому количеству данных. Помните, что системам машинного обучения требуется много-много данных, чтобы стать хорошими.

Хотя эти платформы доступны, разработчик приложений, с которым я разговаривал, упомянул, что созданный ими бот использует только 10% машинного обучения. Им нужно написать множество «правил» (остальные 90%), чтобы затем проанализировать данные. Но 10% ML дает преимущества, которых иначе не было бы.

Вывод: жизнь после искусственного интеллекта

Если вы дочитали до этого места (или даже пропустили, быстро прокрутив страницу вниз), спасибо.

Итак, как это повлияет на нашу жизнь? Если & когда появится Super AI, мы можем даже не осознавать, что произошло. Но до этого все ли мы будем похожи на героя Её? Как говорит этот профессор, будут ли человечество и ИИ неразделимы?

Оставляя в стороне эти фантастические и романтические представления, я думаю, что реальная опасность в среднесрочной перспективе заключается в потере работы. В отличие от более ранних этапов автоматизации, когда ручная работа была заменена, а работники умственного труда не пострадали, на этот раз все будет наоборот. Непросто построить роботов (оборудование) для выполнения всех ручных действий (например, смена подгузников, кормление детей и т. Д.), Но будет легко заменить радиолога, страхового агента, аналитика данных и, возможно, продукт. менеджер (которому нужен только софт). Так что будьте осторожны, все белые воротнички. ИИ в первую очередь за работой.

В заключение, вот что чувствует мой кишечник:

  • ИИ будет очень важен в нашей жизни. Но мы даже не поймем - наша жизнь станет более эффективной с ИИ.
  • Мы просто не знаем, куда нас заведут. С Интернетом, смартфонами и искусственным интеллектом мы только что проложили «водопровод». Что все может быть построено поверх этого, нам просто нужно подождать и наслаждаться.
  • Будут потери рабочих мест, но мы надеемся найти лучшие / другие способы заработка, как это делали все люди, занятые в сельском хозяйстве и производстве (конечно, с большой болью, потенциально для поколений).
  • Что касается General / Super AI, я не ожидаю увидеть его при жизни. Мы зайдем в тупик с DL / ML.
  • DL / ML будет очень полезен для Узкого ИИ. Но многие узкие навыки ИИ не делают ИИ общего (забудьте про Супер ИИ). Даже если это произойдет, нам поможет закон Адама о медленно распространяющихся бедствиях, возможно, через таких людей, как Илон Маск.

(PS :: Никому не рассказывайте об этих выводах. Может, я и дурак выгляжу)

Если вам это понравилось, не забудьте нажать на «сердечко» ниже. Я ценю.