Vyberte si časopis, procházejte technologickými blogy nebo si jednoduše povídejte se svými vrstevníky na průmyslové konferenci. Rychle si všimnete, že téměř všechno, co vychází ze světa technologií, vypadá, že má nějaký prvek umělé inteligence nebo strojového učení. Způsob, jakým se diskutuje o umělé inteligenci, začíná znít téměř jako propaganda. Zde je jedna skutečná technologie, která dokáže vyřešit všechny vaše potřeby! AI je tu, aby nás všechny zachránila!
I když je pravda, že s technikami založenými na umělé inteligenci dokážeme úžasné věci, obecně neztělesňujeme plný význam pojmu „inteligence“. Inteligence znamená systém, s nímž mohou lidé vést kreativní rozhovor - systém, který má nápady a který může rozvíjet nové. Jde o terminologii. „Umělá inteligence“ dnes běžně popisuje implementaci některých aspektů lidských schopností, jako je rozpoznávání objektů nebo řeči, ale rozhodně ne celý potenciál lidské inteligence.
„Umělá inteligence“ tedy pravděpodobně není nejlepší způsob, jak popsat „novou“ technologii strojového učení, kterou dnes používáme, ale tento vlak opustil stanici. V každém případě, i když strojové učení ještě není synonymem strojové inteligence, určitě se stalo výkonnějším, schopnějším a snadněji použitelným. AI - to znamená neuronové sítě nebo hluboké učení i „klasické“ strojové učení - je konečně na cestě k tomu, aby se stala standardní součástí analytické sady nástrojů.
Nyní, když jsme v hloubce revoluce AI (nebo spíše evoluce), je důležité se podívat na to, jak byl kooptován koncept umělé inteligence, proč a co to bude znamenat v budoucnu. Pojďme se ponořit hlouběji, abychom prozkoumali, proč umělá inteligence, dokonce i její mírně chybně vyladěná verze, přitahovala současnou úroveň pozornosti.
Slib AI: Proč teď?
V současném hype cyklu jsou umělá inteligence nebo strojové učení často zobrazovány jako relativně nové technologie, které náhle dospěly, teprve nedávno se od fáze konceptu dostaly k integraci do aplikací. Existuje obecná víra, že k vytváření samostatných produktů strojového učení došlo až za posledních několik let. Ve skutečnosti není důležitý vývoj v oblasti umělé inteligence nový. Dnešní umělá inteligence je pokračováním pokroku dosaženého v posledních několika desetiletích. Změna, důvody, proč vidíme, že se umělá inteligence objevuje na mnohem více místech, není ani tak o samotných technologiích AI, ale o technologiích, které je obklopují - jmenovitě o generování a zpracování dat.
Nebudu vás nudit tím, že cituji, kolik zettabytů dat budeme brzy ukládat (kolik nul má zettabyte?). Všichni víme, že naše schopnost generovat a shromažďovat data fenomenálně roste. Zároveň jsme zaznamenali ohromující nárůst dostupného výpočetního výkonu. Posun od jednojádrových procesorů k vícejádrovým, jakož i vývoj a přijetí univerzálních grafických procesorových jednotek (GPGPU) poskytují dostatek energie pro hluboké učení. S výpočty již nemusíme manipulovat interně. Můžeme si jednoduše pronajmout výpočetní výkon někde v cloudu.
S tolika daty a spoustou výpočetních zdrojů jsou datoví vědci konečně v pozici, aby mohli používat metody vyvinuté v minulých desetiletích v úplně jiném měřítku. V 90. letech trvalo několik dní, než se naučila neurální síť rozeznávat čísla na desítkách tisíc příkladů ručně psanými číslicemi. Dnes můžeme trénovat mnohem složitější (tj. „Hlubokou“) neurální síť na desítkách milionů obrazů, abychom rozpoznali zvířata, tváře a další složité objekty. A můžeme nasadit modely hlubokého učení k automatizaci úkolů a rozhodnutí v běžných podnikových aplikacích, jako je detekce a předpovídání zralosti produkce nebo směrování příchozích hovorů.
Může to znít podezřele jako budování skutečné inteligence, ale je důležité si uvědomit, že pod těmito systémy jednoduše ladíme parametry matematické závislosti, i když docela složité. Metody umělé inteligence nejsou dobré v získávání „nových“ znalostí; poučí se pouze z toho, co jim je předloženo. Jinými slovy, umělá inteligence neklade otázky „proč“. Systémy nefungují jako děti, které vytrvale zpochybňují své rodiče, když se snaží porozumět světu kolem sebe. Systém ví pouze to, čím byl napájen. Nebude rozpoznávat nic, o čem by nebylo dříve informováno.
V jiných „klasických“ scénářích strojového učení je důležité znát naše data a mít představu o tom, jak chceme, aby tento systém našel vzory. Víme například, že rok narození není pro naše zákazníky užitečným faktem, pokud toto číslo nepřevedeme na věk zákazníka. Víme také o vlivu sezónnosti. Neměli bychom očekávat, že se systém naučí vzory nakupování módy nezávisle na sezóně. Dále možná budeme chtít do systému vložit několik dalších věcí, abychom se naučili nad rámec toho, co již ví. Na rozdíl od hlubokého učení tento typ strojového učení, který podniky používají po celá desetiletí, postupoval více stabilním tempem.
Nedávný pokrok v oblasti umělé inteligence přišel primárně v oblastech, kde jsou datoví vědci schopni napodobit schopnosti rozpoznávání člověka, jako je například rozpoznávání objektů v obrazech nebo slov v akustických signálech. Naučit se rozpoznávat vzory ve složitých signálech, jako jsou zvukové streamy nebo obrázky, je extrémně silné - dostatečně silné, aby se mnoho lidí divilo, proč nepoužíváme techniky hlubokého učení všude.
Slib AI: Co teď?
Vedení organizace se možná ptá, kdy by měli používat umělou inteligenci. Výzkum založený na umělé inteligenci dosáhl obrovského pokroku, pokud jde o neuronové sítě řešící problémy související s napodobováním toho, co lidé dělají dobře (rozpoznávání objektů a rozpoznávání řeči jsou dva nejvýznamnější příklady). Kdykoli se někdo zeptá: „Co je to dobrá reprezentace objektu?“ a nemůžu přijít s odpovědí, pak by měl stát za vyzkoušení model hlubokého učení. Pokud však vědci v oblasti dat dokáží vytvořit sémanticky bohatou reprezentaci objektů, pak jsou klasické metody strojového učení pravděpodobně lepší volbou (a ano, stojí za to investovat trochu seriózní myšlenky do pokusu najít dobrou reprezentaci objektu).
Nakonec člověk chce jednoduše vyzkoušet různé techniky na stejné platformě a nenechat se omezovat výběrem metod nebo neschopností nějakého dodavatele softwaru dohnat aktuální pokrok v oboru. Proto jsou platformy s otevřeným zdrojovým kódem na tomto trhu lídrem; umožňují odborníkům kombinovat současné nejmodernější technologie s nejnovějším pokrokem v oboru.
Když se týmy posunou vpřed, pokud jde o jejich cíle a metody používání strojového učení k jejich dosažení, stane se hluboké učení součástí sady nástrojů každého datového vědce. Pro mnoho úkolů bude přidání metod hlubokého učení do mixu velkou hodnotu. Přemýšlejte o tom. Budeme schopni zahrnout rozpoznávání objektů do systému s využitím předem vycvičeného systému umělé inteligence. Budeme moci začlenit stávající komponenty pro rozpoznávání hlasu nebo řeči, protože někdo jiný prošel problémem se shromažďováním a anotací dostatečného množství dat. Ale nakonec si uvědomíme, že hluboké učení, stejně jako klasické strojové učení před ním, je ve skutečnosti jen dalším nástrojem, který lze použít, když to dává smysl.
Slib AI: Co dál?
Jedním ze silničních bloků, které se vynoří, stejně jako před dvěma desetiletími, je extrémní obtíž, se kterou se člověk setkává, když se snaží pochopit, co se systémy umělé inteligence naučily a jak přicházejí se svými předpovědi. To nemusí být rozhodující, pokud jde o předpovídání, zda se zákazníkovi může nebo nemusí líbit konkrétní produkt. Problémy však nastanou, když dojde na vysvětlení, proč se systém interakce s lidmi choval neočekávaným způsobem. Lidé jsou ochotni akceptovat „lidské selhání“ - neočekáváme, že lidé budou dokonalí. Nebudeme však akceptovat selhání systému umělé inteligence, zvláště pokud nedokážeme vysvětlit, proč selhal (a napravit jej).
Jakmile se seznámíme s hlubokým učením, uvědomíme si - stejně jako před dvěma desetiletími u strojového učení -, že i přes složitost systému a objem dat, na kterých byl trénován, není pochopení vzorů bez znalosti domény možné. Rozpoznávání lidské řeči funguje stejně dobře, protože často můžeme vyplnit díru tím, že budeme znát kontext aktuální konverzace.
Dnešní systémy umělé inteligence takové hluboké porozumění nemají. To, co nyní vidíme, je povrchní inteligence, schopnost napodobovat izolované schopnosti rozpoznávání lidí a někdy překonat člověka v těchto izolovaných úkolech. Výcvik systému na miliardách příkladů je jen otázkou mít data a získat přístup k dostatečnému množství výpočetních zdrojů - už ne řešení problémů.
Je pravděpodobné, že užitečnost umělé inteligence nakonec klesne někam pod propagandu „zachránit svět“. Snad vše, co získáme, je neuvěřitelný nástroj, který mohou odborníci používat k rychlejšímu a lepšímu vykonávání svých úkolů.
Michael Berthold je generálním ředitelem a spoluzakladatelem společnosti KNIME, společnosti s otevřenou zdrojovou analytikou dat. Má více než 25 let zkušeností v oblasti datové vědy, pracuje na akademické půdě, naposledy jako řádný profesor na Univerzitě Konstanz v Německu a dříve na Kalifornské univerzitě v Berkeley a Carnegie Mellon a v průmyslu v Intel Neural Network Group, Utopie a Tripos. Michael rozsáhle publikoval o analýze dat, strojovém učení a umělé inteligenci. Následujte Michaela dálCvrlikání, LinkedIn a KNIME blog.
—
Nové technologické fórum poskytuje místo, kde můžete prozkoumat a diskutovat o nově vznikajících podnikových technologiích v nebývalé hloubce a šíři. Výběr je subjektivní, založený na našem výběru technologií, které považujeme za důležité a pro čtenáře nejzajímavější. nepřijímá marketingové materiály ke zveřejnění a vyhrazuje si právo upravovat veškerý přispěný obsah. Všechny dotazy zasílejte na adresu[email protected].
