आफ्नो बिरालाको बच्चालाई तपाई भित्र के सोच्नुहुन्छ भन्नुहोस् - कालो बक्स प्रभाव

उन्नत एआई एल्गोरिदमहरू ब्ल्याक बक्स (१) जस्तै छन् भन्ने तथ्यले कसैलाई चिन्तित र अरूलाई अप्ठ्यारो पार्छ।

2015 मा, न्यूयोर्कको माउन्ट सिनाई अस्पतालको अनुसन्धान टोलीलाई स्थानीय बिरामीहरूको विस्तृत डाटाबेस विश्लेषण गर्न यो विधि प्रयोग गर्न भनियो (2)। यो विशाल संग्रहमा रोगी जानकारी, परीक्षण नतिजा, डाक्टरको प्रिस्क्रिप्शन, र थपको महासागर समावेश छ।

वैज्ञानिकहरूले कामको क्रममा विकसित विश्लेषणात्मक कार्यक्रम भनिन्छ। यसले करिब 700 व्यक्तिहरूको डाटामा प्रशिक्षण दियो। मानव, र नयाँ रजिस्ट्रीहरूमा परीक्षण गर्दा, यो रोग भविष्यवाणी गर्न अत्यन्त प्रभावकारी साबित भएको छ। मानव विज्ञहरूको सहयोग बिना, उनले अस्पतालको रेकर्डमा ढाँचाहरू फेला पारे जसले कुन रोगी कलेजोको क्यान्सर जस्ता रोगको बाटोमा छन् भनेर संकेत गर्दछ। विज्ञहरूका अनुसार प्रणालीको प्रोग्नोस्टिक र डायग्नोस्टिक दक्षता अन्य ज्ञात विधिहरूको तुलनामा धेरै उच्च थियो।

२. रोगी डाटाबेसमा आधारित चिकित्सा कृत्रिम बुद्धिमत्ता प्रणाली

एकै समयमा, अन्वेषकहरूले याद गरे कि यो रहस्यमय तरिकामा काम गर्दछ। यो बाहिर निस्कियो, उदाहरण को लागी, यो को लागी आदर्श हो मानसिक विकारहरूको पहिचानजस्तै सिजोफ्रेनिया, जो डाक्टरहरु को लागी धेरै गाह्रो छ। यो अचम्मको कुरा थियो, विशेष गरी कसैलाई पनि थाहा थिएन कि एआई प्रणालीले बिरामीको मेडिकल रेकर्डमा आधारित मानसिक रोगलाई कसरी राम्रोसँग देख्न सक्छ। हो, विशेषज्ञहरू यस्तो कुशल मेसिन निदानकर्ताको सहयोगमा धेरै खुसी भए, तर तिनीहरूले एआई कसरी निष्कर्षमा पुग्छ भनेर बुझे भने तिनीहरू धेरै सन्तुष्ट हुनेछन्।

कृत्रिम न्यूरोन्सको तहहरू

प्रारम्भदेखि नै, अर्थात् आर्टिफिसियल इन्टेलिजेन्सको अवधारणा थाहा पाउँदादेखि नै एआईमा दुईवटा दृष्टिकोणहरू थिए। पहिलोले सुझाव दियो कि ज्ञात सिद्धान्तहरू र मानव तर्क अनुसार तर्क गर्ने मेसिनहरू निर्माण गर्नु सबैभन्दा व्यावहारिक हुनेछ, तिनीहरूको भित्री कार्यहरू सबैलाई पारदर्शी बनाउँदै। अरूले विश्वास गरे कि यदि मेशिनहरूले अवलोकन र दोहोर्याइएको प्रयोग मार्फत सिक्ने हो भने बौद्धिकता अझ सजिलै देखिनेछ।

पछिल्लो भनेको सामान्य कम्प्युटर प्रोग्रामिङलाई उल्टाउनु हो। प्रोग्रामरले समस्या समाधान गर्न आदेश लेख्नुको सट्टा, कार्यक्रम उत्पन्न हुन्छ आफ्नै एल्गोरिथ्म नमूना डेटा र इच्छित परिणाममा आधारित। मेशिन लर्निङ विधिहरू जुन पछि आज ज्ञात सबैभन्दा शक्तिशाली एआई प्रणालीहरूमा विकसित भयो, वास्तवमा, मेशिन आफैले प्रोग्राम गर्दछ.

यो दृष्टिकोण 60 र 70 को दशकमा एआई प्रणाली अनुसन्धानको मार्जिनमा रह्यो। अघिल्लो दशकको सुरुमा मात्र केही अग्रगामी परिवर्तन र सुधारहरू पछि, "गहिरो" तंत्रिका नेटवर्कहरू स्वचालित धारणा को क्षमता मा एक आमूल सुधार को प्रदर्शन गर्न थाले। 

गहिरो मेसिन लर्निङले कम्प्यूटरहरूलाई असाधारण क्षमताहरू प्रदान गरेको छ, जस्तै बोल्ने शब्दहरू लगभग एक मानव जस्तै सही रूपमा चिन्न सक्ने क्षमता। यो समय अगाडी कार्यक्रम गर्न धेरै जटिल कौशल छ। मेसिनले यसको आफ्नै "कार्यक्रम" सिर्जना गर्न सक्षम हुनुपर्छ विशाल डेटासेटहरूमा प्रशिक्षण.

गहिरो शिक्षाले कम्प्युटर छवि पहिचानलाई पनि परिवर्तन गरेको छ र मेशिन अनुवादको गुणस्तरमा धेरै सुधार गरेको छ। आज, यो औषधि, वित्त, निर्माण, र थप मा सबै प्रकारका प्रमुख निर्णयहरू गर्न प्रयोग गरिन्छ।

यद्यपि, यी सबैसँग तपाईं "भित्र" कसरी काम गर्छ भनेर हेर्नको लागि गहिरो न्यूरल नेटवर्क भित्र हेर्न सक्नुहुन्न। सञ्जाल तर्क प्रक्रियाहरू हजारौं सिमुलेटेड न्यूरोन्सहरूको व्यवहारमा इम्बेड गरिएका छन्, दर्जनौं वा सयौं जटिल अन्तरसम्बन्धित तहहरूमा व्यवस्थित छन्।.

पहिलो तहमा प्रत्येक न्यूरोन्सले इनपुट प्राप्त गर्दछ, जस्तै छविमा पिक्सेलको तीव्रता, र त्यसपछि आउटपुट आउटपुट गर्नु अघि गणनाहरू प्रदर्शन गर्दछ। तिनीहरू एक जटिल नेटवर्कमा अर्को तहको न्यूरोन्समा प्रसारित हुन्छन् - र यस्तै, अन्तिम आउटपुट संकेत सम्म। थप रूपमा, त्यहाँ एक प्रक्रिया छ जसलाई व्यक्तिगत न्यूरोन्स द्वारा प्रदर्शन गरिएको गणना समायोजन भनिन्छ ताकि प्रशिक्षण नेटवर्कले इच्छित परिणाम उत्पादन गर्दछ।

कुकुरको छवि पहिचानसँग सम्बन्धित प्रायः उद्धृत उदाहरणमा, एआईको तल्लो तहले आकार वा रंग जस्ता साधारण विशेषताहरू विश्लेषण गर्दछ। उच्चहरूले फर वा आँखा जस्ता थप जटिल समस्याहरूको सामना गर्छन्। केवल माथिल्लो तहले कुकुरको रूपमा जानकारीको पूर्ण सेट पहिचान गर्दै, यो सबै सँगै ल्याउँछ।

उही दृष्टिकोण अन्य प्रकारका इनपुटहरूमा लागू गर्न सकिन्छ जसले मेसिनलाई आफैं सिक्न शक्ति दिन्छ: बोलीमा शब्दहरू बनाउने ध्वनिहरू, अक्षरहरू र शब्दहरू जसले लिखित पाठमा वाक्यहरू बनाउँछ, वा स्टीयरिङ व्हील, उदाहरणका लागि। सवारी चलाउन आवश्यक आन्दोलनहरू।

कारले केहि छोड्दैन।

त्यस्ता प्रणालीहरूमा के हुन्छ भनेर व्याख्या गर्ने प्रयास गरिएको छ। 2015 मा, Google मा अनुसन्धानकर्ताहरूले एउटा गहिरो शिक्षा छवि पहिचान एल्गोरिदम परिमार्जन गरे ताकि फोटोहरूमा वस्तुहरू हेर्नुको सट्टा, यसले तिनीहरूलाई उत्पन्न वा परिमार्जन गर्यो। एल्गोरिथ्मलाई पछाडि दौडाएर, तिनीहरूले कार्यक्रमले चरा वा भवनलाई चिन्नका लागि प्रयोग गर्ने विशेषताहरू पत्ता लगाउन चाहन्थे।

सार्वजनिक रूपमा शीर्षकको रूपमा चिनिने यी प्रयोगहरूले (3) विचित्र, विचित्र जनावरहरू, परिदृश्यहरू र पात्रहरूको अद्भुत चित्रणहरू उत्पादन गरे। मेसिन धारणाका केही रहस्यहरू प्रकट गरेर, जस्तै कि निश्चित ढाँचाहरू बारम्बार फिर्ता र दोहोर्याइएको तथ्य, उनीहरूले यो पनि देखाए कि कसरी गहिरो मेसिन लर्निङ मानव धारणाबाट भिन्न छ - उदाहरणका लागि, यसले विस्तार गर्दछ र कलाकृतिहरूलाई नक्कल गर्दछ जुन हामीले बेवास्ता गर्छौं। सोचविना हाम्रो धारणाको प्रक्रियामा। ।

3. परियोजनामा ​​सिर्जना गरिएको छवि

वैसे, अर्कोतर्फ, यी प्रयोगहरूले हाम्रो आफ्नै संज्ञानात्मक संयन्त्रको रहस्यलाई उजागर गरेको छ। सायद यो हाम्रो धारणामा छ कि त्यहाँ विभिन्न बुझ्न नसकिने कम्पोनेन्टहरू छन् जसले हामीलाई तुरुन्तै केहि बुझ्न र बेवास्ता गर्दछ, जबकि मेसिनले धैर्यतापूर्वक "अमहत्त्वहीन" वस्तुहरूमा यसको पुनरावृत्ति दोहोर्याउँछ।

मेसिनलाई "बुझ्ने" प्रयासमा अन्य परीक्षण र अध्ययनहरू गरियो। जेसन योसिनस्की उसले एउटा उपकरण सिर्जना गर्यो जसले मस्तिष्कमा अड्किएको प्रोब जस्तै काम गर्दछ, कुनै पनि कृत्रिम न्यूरोनलाई लक्षित गर्दै र यसलाई सबैभन्दा बलियो रूपमा सक्रिय गर्ने छवि खोज्छ। पछिल्लो प्रयोगमा, अमूर्त तस्बिरहरू रातो-हातले नेटवर्कलाई "पीपिङ" को परिणामको रूपमा देखा पर्‍यो, जसले प्रणालीमा हुने प्रक्रियाहरूलाई अझ रहस्यमय बनायो।

यद्यपि, धेरै वैज्ञानिकहरूको लागि, यस्तो अध्ययन गलतफहमी हो, किनभने तिनीहरूको विचारमा, प्रणाली बुझ्नको लागि, जटिल निर्णयहरू गर्ने उच्च क्रमको ढाँचा र संयन्त्रहरू पहिचान गर्न, सबै कम्प्यूटेशनल अन्तरक्रिया गहिरो न्यूरल नेटवर्क भित्र। यो गणितीय प्रकार्य र चर को एक विशाल भूलभुलैया हो। अहिले हाम्रो लागि बुझ्नै नसकिने कुरा हो ।

कम्प्युटर सुरु हुँदैन? किन?

उन्नत कृत्रिम बुद्धिमत्ता प्रणालीहरूको निर्णय गर्ने संयन्त्रहरू बुझ्न किन महत्त्वपूर्ण छ? कुन कैदीलाई प्यारोलमा रिहा गर्न सकिन्छ, कसलाई ऋण दिन सकिन्छ र कसलाई जागिर दिन सकिन्छ भन्ने कुराको गणितीय मोडल प्रयोग भइरहेको छ । यो र अर्को निर्णय किन गरिएन, यसको आधार र संयन्त्र के हो भन्ने कुरा चासो राख्नेहरूले जान्न चाहन्छन्।

उनले एमआईटी टेक्नोलोजी समीक्षामा अप्रिल 2017 मा स्वीकार गरे। टमी याक्कोला, एक MIT प्रोफेसर मेशिन शिक्षा को लागी आवेदन मा काम गर्दै। -।

त्यहाँ कानुनी र राजनीतिक स्थिति पनि छ कि एआई प्रणालीहरूको निर्णय गर्ने संयन्त्रलाई छानबिन गर्ने र बुझ्ने क्षमता मौलिक मानव अधिकार हो।

2018 देखि, EU ले कम्पनीहरूलाई स्वचालित प्रणालीहरूद्वारा गरिएका निर्णयहरूको बारेमा आफ्ना ग्राहकहरूलाई स्पष्टीकरण प्रदान गर्न आवश्यक बनाउन काम गरिरहेको छ। यो कहिलेकाहीँ अपेक्षाकृत सरल देखिने प्रणालीहरूमा पनि सम्भव हुँदैन, जस्तै विज्ञापनहरू देखाउन वा गीतहरू सिफारिस गर्न गहिरो विज्ञान प्रयोग गर्ने एपहरू र वेबसाइटहरू।

कम्प्यूटरहरू जसले यी सेवाहरू प्रोग्राम आफैं चलाउँछन्, र तिनीहरूले यसलाई हामीले बुझ्न नसक्ने तरिकामा गर्छन्... यी अनुप्रयोगहरू सिर्जना गर्ने इन्जिनियरहरूले पनि यो कसरी काम गर्दछ भनेर पूर्ण रूपमा व्याख्या गर्न सक्दैनन्।