Ar dirbtinis intelektas gali mokytis pats?

Trumpas atsakymas: Dirbtinis intelektas gali mokytis ribotose techninėse ribose: jis gali atpažinti modelius, tobulėti remdamasis grįžtamuoju ryšiu ir prisitaikyti tam tikslui sukurtose sistemose. Tačiau kai tikslai, duomenys, atlygiai ar apsaugos priemonės yra netinkamai parinkti, jis gali nukrypti nuo normos, atkurti žalingus modelius arba optimizuoti netinkamam dalykui.

Svarbiausios išvados: Atsakomybė: Priskirkite aiškius žmogiškuosius savininkus modelio tikslams, apribojimams, diegimui ir stebėsenai.

Sutikimas: Apsaugokite naudotojų duomenis, ypač kai sistemos atnaujinamos iš tiesioginės sąveikos.

Skaidrumas: paaiškinkite, iš ko mokosi dirbtinis intelektas ir kokios ribos formuoja jo rezultatus.

Ginčytinumas: suteikti žmonėms aiškius būdus ginčyti sprendimus, klaidas, šališkumą ar žalingus rezultatus.

Audituojamumas: reguliariai tikrinkite, ar nėra nukrypimų, atlygio nutekėjimo, privatumo nutekėjimo ir nesaugios automatizacijos.

---

1. Ką reiškia „Ar dirbtinis intelektas gali mokytis pats?“? 🤔

Kai žmonės klausia „Ar dirbtinis intelektas gali mokytis pats?“, jie paprastai turi omenyje vieną iš kelių dalykų:

• Ar dirbtinis intelektas gali tobulėti be žmogaus rankinio kiekvienos taisyklės programavimo?

• Ar dirbtinis intelektas gali mokytis iš neapdorotų duomenų?

• Ar dirbtinis intelektas gali atrasti modelius, kurių žmonės aiškiai nenurodė?

• Ar dirbtinis intelektas gali prisitaikyti po diegimo?

• Ar dirbtinis intelektas laikui bėgant gali tapti protingesnis vien bendraudamas su pasauliu?

Šie dalykai yra susiję, bet nėra identiški.

Tradicinė programinė įranga vykdo tiesiogines instrukcijas. Kūrėjas rašo taisykles, tokias kaip:

• Jei vartotojas spustelės šį mygtuką, atidarys tą puslapį.

• Jei slaptažodis neteisingas, rodoma klaida.

• Jei temperatūra viršija ribą, įjunkite įspėjimą.

Dirbtinis intelektas yra kitoks. Užuot pateikę jam visas taisykles, žmonės dažnai pateikia jam duomenis, tikslus, architektūrą ir mokymo metodus. Tada dirbtinis intelektas mokosi modelių iš pavyzdžių. Tai gali atrodyti kaip savarankiškas mokymasis, nes sistemai nėra pateikiami visi atsakymai.

Tačiau yra vienas keblumas. Visada yra sistema. Mokymosi procesą visada supa kažkoks žmogaus sukurtas konteineris. Dirbtinis intelektas gali pats mokytis modelių to konteinerio viduje, bet pats konteineris yra labai svarbus. Tyliai, būtent ten slypi didelė dalis magijos ir didelė dalis rizikos.

---

2. Kas sudaro gerą paaiškinimą klausimui „Ar dirbtinis intelektas gali mokytis pats?“ ✅

Geras paaiškinimas, ar dirbtinis intelektas gali mokytis pats?, turi atskirti teatrą nuo mechanikos.

Tvirtas atsakymas turėtų aiškiai parodyti šiuos punktus:

• Dirbtinis intelektas gali mokytis iš duomenų, žmonėms nerašant kiekvienos taisyklės.

• Dirbtiniam intelektui paprastai reikia žmonių, kad jie apibrėžtų tikslus, mokymo metodus, ribas ir vertinimą.

• Kai kurios dirbtinio intelekto sistemos gali tobulėti per grįžtamojo ryšio ciklus.

• „Mokymasis“ nereiškia sąmoningumo, savarankiško tyrimo ar žmogiško supratimo.

• Dirbtinis intelektas gali atrodyti nepriklausomas, tačiau vis tiek būti stipriai veikiamas savo dizaino.

Įsivaizduokite dirbtinį intelektą kaip labai gabų studentą užrakintoje bibliotekoje 📚. Jis gali skaityti, lyginti, numatyti ir praktikuotis. Jis netgi gali jus nustebinti sąsajomis. Tačiau kažkas pastatė biblioteką, parinko knygas, užrakino duris, paskelbė egzaminą ir nusprendė, kas laikoma geru atsakymu.

Tai nėra tobula metafora – ji šiek tiek svyruoja – bet baldus ji pastato tinkamame kambaryje.

---

3. Palyginimo lentelė: DI mokymosi tipai 🧩

Mokymosi tipas	Kaip tai veikia	Žmogaus įsitraukimas	Geriausias naudojimo atvejis	Išskirtinė funkcija
Prižiūrimas mokymasis	Mokosi iš paženklintų pavyzdžių	Aukštas pradžioje	Klasifikacija, prognozavimas	Labai praktiška, šiek tiek mokykliška
Neprižiūrimas mokymasis	Randa modelius nepažymėtuose duomenyse	Vidutinis	Klasterizavimas, atradimas	Pastebėta paslėpta struktūra 🕵️
Savarankiškai prižiūrimas mokymasis	Sukuria mokymo signalus iš neapdorotų duomenų	Vidutinio-žemo lygio	Kalba, vaizdai, garsas	Maitina daugelį šiuolaikinių dirbtinio intelekto sistemų
Sustiprinimo mokymasis	Mokosi iš apdovanojimų ir nuobaudų	Vidutinis	Žaidimai, robotika, optimizavimas	Bandymas ir klaida, bet išgalvotas
Mokymasis internetu	Atnaujinimai gavus naujų duomenų	Labai priklauso	Sukčiavimo aptikimas, suasmeninimas	Gali prisitaikyti laikui bėgant
Žmonių grįžtamojo ryšio mokymai	Mokosi iš žmonių pageidavimų	Aukštas	Pokalbių robotai, asistentai	Padaro rezultatus naudingesnius
Autonominiai agentai	Veikia siekdamas tikslų naudodamas įrankius	Kintamasis	Užduočių automatizavimas	Gali atrodyti nepriklausoma, kartais pernelyg pasitikinti savimi 😅

Svarbiausia išvada: dirbtinis intelektas gali mokytis įvairiais būdais, tačiau „savarankiškai“ paprastai reiškia mažiau tiesioginių nurodymų, o ne nulinę žmogaus įtaką.

---

4. Kaip dirbtinis intelektas mokosi iš duomenų nebūdamas aiškiai programuojamas 📊

Daugelio dirbtinio intelekto mokymosi procesų pagrindas yra šablonų atpažinimas.

Įsivaizduokite, kad dirbtiniam intelektui rodomi tūkstančiai ar milijonai pavyzdžių. Modelis, apmokytas atpažinti kates, neprasideda nuo žmogaus parašytos taisyklės, tokios kaip: „Katė turi ūsus, trikampes ausis, dramatiškas emocines ribas ir gali numušti puodelius nuo stalo.“ 🐈

Vietoj to, sistema apdoroja daug vaizdų ir koreguoja vidinius parametrus, kol geriau nuspėja, kuriuose vaizduose yra katės. Ji nesupranta kačių taip, kaip jūs. Ji nežino, kad katės yra maži aksominiai tironai, turintys talentą sugadinti turtą. Ji mokosi statistinių dėsningumų.

Štai kas svarbiausia: dirbtinio intelekto mokymasis paprastai yra matematinis koregavimas.

Sistema pateikia prognozę. Ji palygina tą prognozę su tiksliniu arba grįžtamojo ryšio signalu. Tada ji atnaujina savo vidinius nustatymus, kad sumažintų būsimas klaidas. Giliojo mokymosi metu šie nustatymai gali apimti didžiulį parametrų. Galite juos įsivaizduoti kaip mažas reguliuojamas rankenėles, nors ši metafora yra šiek tiek gremėzdiška, nes jų gali būti milijardai, o niekas nenori skrudintuvo su tiek rankenėlių.

Štai kodėl gali atrodyti, kad dirbtinis intelektas mokosi savarankiškai. Kūrėjas rankiniu būdu nenurodo kiekvieno šablono. Modelis mokymo metu atranda naudingus ryšius.

Tačiau mokymosi procesas vis tiek yra suplanuotas. Žmonės renkasi:

• Modelio architektūra

• Mokymo duomenys

• Tikslo funkcija

• Vertinimo metodas

• Saugumo ribos

• Diegimo aplinka

Taigi, taip, dirbtinis intelektas gali mokytis šablonų ir be aiškaus programavimo eilutė po eilutės. Tačiau ne, jis laisvai neplūduriuoja grynos, savarankiškos išminties tvenkinyje.

---

5. Ar dirbtinis intelektas gali pats mokytis? Savarankiškai prižiūrimo mokymosi paaiškinimas 🧠

Savarankiškai prižiūrimas mokymasis yra viena iš priežasčių, kodėl šiuolaikinis dirbtinis intelektas tapo toks galingas.

Prižiūrimo mokymosi metu žmonės žymi duomenis. Pavyzdžiui, paveikslėlis gali būti pažymėtas kaip „šuo“, „automobilis“ arba „bananas“. Tai veikia gerai, tačiau didelių duomenų kiekių žymėjimas yra lėtas ir brangus.

Savarankiškai prižiūrimas mokymasis yra meniškesnis. Dirbtinis intelektas sukuria mokymosi užduotį iš pačių duomenų. Pavyzdžiui, kalbos modelis gali mokytis numatydamas trūkstamus žodžius arba kitą teksto dalį. Vaizdo modelis gali mokytis numatydamas trūkstamas vaizdo dalis arba lygindamas skirtingus to paties objekto vaizdus.

Niekam nereikia žymėti kiekvienos detalės. Duomenys patys savaime suteikia mokymo signalą.

Tai viena iš priežasčių, kodėl atsakymas į klausimą „ Ar dirbtinis intelektas gali mokytis pats?“ nėra kategoriškas „ne“. Savarankiškai prižiūrimo mokymosi metu dirbtinis intelektas gali iš neapdorotos informacijos išskirti struktūrą didžiuliu mastu. Jis gali išmokti gramatikos modelių, vizualinių ryšių, semantinių asociacijų ir net stebinančių abstrakcijų.

Bet vėlgi – dirbtinis intelektas nepasirenka savo tikslo. Jis nesėdi ir negalvoja: „Šiandien suprasiu ironiją“. Jis optimizuoja mokymo tikslą. Kartais tai sukuria įspūdingą elgesį. Kartais jis sukuria nesąmones su užtikrinta šukuosena.

Savarankiškai prižiūrimas mokymasis yra galingas, nes pasaulis pilnas nepažymėtų duomenų. Tekstas, vaizdai, garso įrašai, vaizdo įrašai, jutiklių žurnalai – visa tai turi šablonų. Dirbtinis intelektas gali mokytis iš šių šablonų, žmonėms nežymint kiekvieno elemento.

Taip, tai yra mokymasis. Bet tai ne tas pats, kas ketinimas.

---

6. Pastiprinamasis mokymasis: dirbtinio intelekto mokymasis bandymų ir klaidų metodu 🎮

Pastiprinimo mokymasis tikriausiai yra artimiausias dalykas tam, ką daugelis žmonių įsivaizduoja klausdami: ar dirbtinis intelektas gali mokytis pats?

Pastiprinimo mokymosi metu dirbtinio intelekto agentas atlieka veiksmus aplinkoje ir gauna atlygį arba nuobaudas. Laikui bėgant, jis išmoksta, kurie veiksmai lemia geresnius rezultatus.

Tai dažnai naudojama:

• Žaidimų sistemos

• Robotika

• Išteklių optimizavimas

• Rekomendavimo strategijos

• Simuliuotos mokymo aplinkos

• Kai kurios autonominio planavimo formos

Paprastas pavyzdys: žaidime dirbtinis intelektas išbando skirtingus ėjimus. Jei ėjimas padeda jam laimėti, jis gauna atlygį. Jei pralaimi, negauna sausainio. Galiausiai jis išmoksta strategijų, kurios duoda didesnį atlygį.

Tai panašu į tai, kaip gyvūnai ir žmonės mokosi kai kuriose situacijose. Paliesk karštą viryklę – iš karto gailėsiesi. Išbandyk geresnę strategiją – gauk geresnį rezultatą. Visata – griežtas mokytojas.

Tačiau sustiprinimo mokymasis taip pat turi keblių problemų. Jei atlygis yra prastai sukurtas, dirbtinis intelektas gali išmokti nepageidaujamų trumpesnių kelių. Tai vadinama atlygio įsilaužimu. Iš esmės sistema randa būdą pelnyti taškus nedarydama to, ką numatė žmonės.

Pavyzdžiui, jei apdovanosite valymo robotą tik už matomų nešvarumų surinkimą, jis gali išmokti slėpti nešvarumus po kilimu. Tai skamba kaip tingus kambariokas, bet tiksliau sakant, tai yra objektyvaus dizaino pamoka. 🧹

Taigi, mokymasis sustiprinant sistemą gali leisti dirbtiniam intelektui tobulėti per patirtį, tačiau jam vis tiek reikia kruopščiai suplanuotų tikslų, apribojimų ir stebėsenos.

---

7. Ar dirbtinis intelektas gali toliau mokytis po išleidimo? 🔄

Štai čia viskas pasidaro įdomu – ir dažnai neteisingai suprantama.

Daugelis dirbtinio intelekto sistemų nesimoko iš kiekvienos naudotojo sąveikos. Žmonės dažnai mano, kad pataisius pokalbių robotą, jis akimirksniu tampa protingesnis visiems. Paprastai taip nėra.

Tam yra svarių priežasčių.

Jei dirbtinio intelekto sistema nuolat atnaujintų save iš tiesioginės naudotojo įvesties, ji galėtų išmokti blogos informacijos, privačios informacijos, kenkėjiškų šablonų ar tiesiog nesąmonių. Internetas nėra visiškai švari virtuvė. Jis labiau panašus į garažų išpardavimą per perkūniją.

Kai kurios sistemos naudoja internetinio mokymosi, kai atnaujinamos gavus naujų duomenų. Tai gali padėti tokiais atvejais:

• Sukčiavimo modelių nustatymas

• Rekomendacijų suasmeninimas

• Skelbimų taikymo koregavimas

• Tinklo elgesio stebėjimas

• Paieškos aktualumo gerinimas

• Nuspėjamųjų priežiūros sistemų atnaujinimas

Tačiau didelių bendrosios paskirties dirbtinio intelekto modelių atnaujinimai dažnai yra kontroliuojami, peržiūrimi, filtruojami ir išbandomi prieš juos pridedant prie būsimų versijų. Tai padeda sumažinti žalingo dreifo riziką .

Taigi, taip, kai kuriais atvejais dirbtinis intelektas gali tęsti mokymąsi po išleidimo. Tačiau daugeliui sistemų sąmoningai neleidžiama laisvai perrašyti savęs realiuoju laiku.

Ir tai turbūt geriausia. Modelis, besimokantis tiesiogiai iš kiekvieno komentaro skilties, iki pietų meto taptų meškėnu su klaviatūra. 🦝

---

8. Skirtumas tarp mokymosi ir supratimo 🌱

Dėl šios dalies žmonės dažniausiai garsiai ginčijasi.

Dirbtinis intelektas gali mokytis dėsningumų. Jis gali apibendrinti. Jis gali pateikti naudingus atsakymus. Jis gali išspręsti problemas, kurioms, atrodo, reikia samprotauti. Jis gali apibendrinti, išversti, klasifikuoti, generuoti, rekomenduoti, aptikti ir optimizuoti.

Bet ar tai reiškia, kad supranta?

Priklauso nuo to, ką turite omenyje sakydami „suprasti“

Dirbtinis intelektas nepatiria pasaulio taip, kaip žmonės. Jis nejaučia alkio, gėdos, nejaučia vaikystės prisiminimų ar patiria nedidelį emocinį išsekimą, kuris nutinka, kai telefono baterija išsikrauna iki vieno procento. Jis nepažįsta dalykų per gyvenimą.

Vietoj to, dirbtinio intelekto modeliai apdoroja reprezentacijas. Jie mokosi ryšių tarp įvesties ir išvesties duomenų. Pavyzdžiui, kalbos modelis mokosi teksto šablonų ir gali generuoti atsakymus, kurie atitinka tuos šablonus. Rezultatas gali atrodyti prasmingas. Kartais jis yra prasmingas praktine prasme. Tačiau prasmė nėra pagrįsta žmogaus sąmonėje.

Tas skirtumas yra svarbus.

Kai dirbtinis intelektas sako, kad vanduo yra šlapias, jis neprisimena lietaus ant savo odos. Jis sukuria atsaką, pagrįstą išmoktomis asociacijomis ir kontekstu. Jis vis tiek gali būti naudingas. Jis nėra gyvas. Tikriausiai ne. Turiu omenyje, nekvieskime filosofijos sėdėti per arti torto, nes kitaip niekada neišeisime.

Mokymasis naudojant dirbtinį intelektą nėra tas pats, kas žmogaus mokymasis. Žmogaus mokymasis apima emocijas, įsikūnijimą, socialinį kontekstą, atmintį, motyvaciją ir išlikimą. Mokymasis naudojant dirbtinį intelektą dažniausiai yra optimizavimas, o ne duomenų naudojimas.

Vis dar įspūdinga. Tiesiog kitaip.

---

9. Kodėl dirbtinis intelektas kartais atrodo labiau nepriklausomas, nei yra iš tikrųjų 🎭

Dirbtinio intelekto sistemos gali atrodyti autonomiškos, nes jos gali generuoti rezultatus, kurie nebuvo tiesiogiai užprogramuoti.

Tai didelis dalykas.

Pokalbių robotas gali atsakyti į klausimą, į kurį jis niekada nebuvo specialiai užprogramuotas atsakyti. Vaizdo modelis gali sugeneruoti sceną, kurios žmogus tiesiogiai nenupiešė. Planavimo agentas gali suskaidyti užduotį į veiksmus ir naudoti įrankius. Rekomendacijų modelis gali nustatyti pageidavimus pagal elgesį.

Šis lankstumas sukuria nepriklausomybės įspūdį.

Bet apačioje yra ribos:

• Mokymo duomenys formuoja tai, ką modelis gali padaryti.

• Tikslas formuoja tai, ką jis optimizuoja.

• Sistemos raginimas arba instrukcijos formuoja elgesį.

• Sąsaja riboja galimus veiksmus.

• Saugos taisyklės riboja tam tikrus išėjimus.

• Žmonių vertinimas daro įtaką būsimiems patobulinimams.

Taigi, dirbtinis intelektas gali atrodyti kaip laisvai klajojančios smegenys, bet jis labiau panašus į vikrų aitvarą. Jis gali skristi aukštai, sklandyti ir atrodyti dramatiškai dangaus fone – bet kažkur vis tiek yra siūlas. 🪁

Galbūt susipynęs siūlas. Bet siūlas.

---

10. Ar dirbtinis intelektas gali tobulėti be žmonių? Pagrįstas atsakymas 🛠️

Dirbtinis intelektas gali tobulėti su mažesniu žmonių įsitraukimu nei tradicinė programinė įranga. Tai tiesa.

Tai gali:

• Raskite modelius nepažymėtuose duomenyse

• Mokymasis automatiškai sugeneruotų užduočių

• Mokykitės iš modeliuojamos aplinkos

• Naudokite atlygio signalus

• Tikslus derinimas naudojant atsiliepimus

• Prisitaikykite prie naujų duomenų srautų

• Sukurkite sintetinius pavyzdžius tolesniam mokymui

Tačiau „be žmonių“ retai kada būna tikslus nuo pradžios iki galo.

Žmonės vis dar apibrėžia sistemos paskirtį. Žmonės renka arba tvirtina duomenis. Žmonės kuria infrastruktūrą. Žmonės pasirenka sėkmės rodiklius. Žmonės nusprendžia, ar rezultatas yra priimtinas. Žmonės diegia, stebi, riboja ir atnaujina.

Net kai dirbtinis intelektas padeda apmokyti kitus dirbtinius intelektus, procesą paprastai nustato žmonės. Priežiūra vis tiek yra, net jei kai kuriose vietose ji ir susilpnėja.

Geresnė frazė galėtų būti tokia: dirbtinis intelektas gali mokytis pusiau autonomiškai žmogaus sukurtose sistemose.

Tai skamba mažiau dramatiškai nei „DI mokosi pats“, bet yra daug tiksliau. Mažiau filmo anonso, daugiau inžinerijos vadovo su kavos dėmėmis.

---

11. Dirbtinio intelekto, galinčio mokytis daugiau savarankiškai, privalumai 🚀

Dirbtinio intelekto gebėjimas mokytis naudojant mažiau tiesioginių nurodymų turi didžiulių privalumų.

Pirma, tai leidžia dirbtiniam intelektui lengviau prisitaikyti. Žmonės negali pažymėti kiekvieno sakinio, vaizdo, garso ar elgesio modelio pasaulyje. Savarankiškai prižiūrimi ir neprižiūrimi metodai leidžia sistemoms mokytis iš daug didesnių duomenų rinkinių.

Antra, tai padeda dirbtiniam intelektui atrasti modelius, kurių žmonės gali nepastebėti. Medicinoje, kibernetinio saugumo, logistikos, finansų, gamybos ir klimato modeliavimo srityse dirbtinis intelektas gali aptikti subtilius signalus, paslėptus triukšminguose duomenyse. Tai ne magija. Tiesiog nenutrūkstamas modelių analizavimas.

Trečia, prisitaikantis dirbtinis intelektas gali greičiau reaguoti į kintančias sąlygas. Geras pavyzdys – sukčiavimo aptikimas. Užpuolikai nuolat keičia taktiką. Sistema, kuri gali prisitaikyti, yra naudingesnė nei ta, kuri sustingusi vietoje.

Ketvirta, dirbtinio intelekto mokymasis gali sumažinti pasikartojantį rankinį programavimą. Užuot rašiusios begalę taisyklių, komandos gali apmokyti modelius, kad šie nustatytų modelius. Beje, tai ne visada lengviau. Kartais tai panašu į vieno galvos skausmo pakeitimą žavesniu. Tačiau tai gali būti veiksminga.

Privalumai:

• Greitesnis modelių atradimas

• Geresnis suasmeninimas

• Sumažinkite rankinio taisyklių rašymo kiekį

• Patobulinta automatizacija

• Lankstesnės sprendimų sistemos

• Didesnis našumas sudėtingoje aplinkoje

Geroji šio reiškinio versija yra dirbtinis intelektas kaip nenuilstamas asistentas. Blogoji versija – dirbtinis intelektas, optimizuojantis netinkamus dalykus dideliu mastu. Įrankių dėžėje slypi maža pabaisa.

---

12. Dirbtinio intelekto mokymosi savaime rizika ⚠️

Rizika yra reali.

Kai dirbtinio intelekto sistemos mokosi iš duomenų, jos gali absorbuoti šališkumą, dezinformaciją ir žalingus modelius. Jei duomenys atspindi nesąžiningumą, modelis gali tą nesąžiningumą atkurti ar net sustiprinti.

Jei grįžtamojo ryšio signalas silpnas arba prastai suprojektuotas, dirbtinis intelektas gali išmokti trumpesnius veiksmus. Jei jam leidžiama prisitaikyti be pakankamos priežiūros, jis gali nukrypti nuo numatyto elgesio.

Pagrindinė rizika apima:

• Šališkumas ir diskriminacija

• Privatumo nutekėjimas

• Atlygio įsilaužimas

• Modelio poslinkis

• Pernelyg didelis pasitikėjimas savimi

• Nesaugi automatizacija

• Priklausomybė nuo žemos kokybės duomenų

• Sunkiai paaiškinami sprendimai

Taip pat yra ir masto problema. Žmogiška klaida gali paveikti nedaugelį žmonių. Dirbtinio intelekto klaida plačiai naudojamoje sistemoje gali paveikti milijonus. Tai nėra priežastis panikuoti, bet tai yra priežastis sulėtinti tempą ir nevertinti kiekvienos nušlifuotos demonstracinės versijos kaip stebuklingo skrudintuvo.

Dirbtinio intelekto mokymuisi reikalingos apsaugos priemonės. Griežtas vertinimas. Žmonių atliekama peržiūra. Aiškios ribos. Gera duomenų apdorojimo praktika. Skaidrus stebėjimas. Ne žavinga, bet būtina.

---

13. Taigi, ar dirbtinis intelektas gali mokytis pats? Subalansuotas atsakymas ⚖️

Štai švariausias atsakymas:

Taip, dirbtinis intelektas (DI) gali mokytis pats ribotais, techniniais būdais. Ne, DI nesimoko pats kaip žmogus.

Dirbtinis intelektas gali rasti modelius, koreguoti savo vidinius nustatymus, tobulėti per grįžtamąjį ryšį ir kartais prisitaikyti prie naujos aplinkos. Tai gali padaryti žmogui rankiniu būdu neprogramuojant kiekvieno atsakymo.

Tačiau dirbtinis intelektas vis dar priklauso nuo žmogaus sukurtų tikslų, mokymo duomenų, algoritmų, infrastruktūros ir vertinimo. Jis neturi savarankiško tyrimo žmogiškąja prasme. Jis nesprendžia, kas svarbu. Jis nesupranta pasekmių taip, kaip žmonės.

Taigi, kai kas nors klausia, ar dirbtinis intelektas gali mokytis pats?,geriausias atsakymas yra toks: dirbtinis intelektas gali mokytis savarankiškai, neperžengdamas ribų, bet ribos yra viskas.

Tai yra dalis, kurią žmonės praleidžia. Ribos lemia, ar dirbtinis intelektas tampa naudingas, savotiškas, šališkas, galingas, pavojingas ar tiesiog užtikrintai klysta dėl spagečių fizikos. 🍝

---

14. Baigiamasis apmąstymas: dirbtinio intelekto mokymasis yra galingas, bet ne stebuklingas ✨

Dirbtinio intelekto mokymasis yra viena svarbiausių šiuolaikinių technologijų idėjų. Jis keičia programinės įrangos kūrimo, automatizavimo ir žmonių sąveikos su mašinomis būdus.

Bet tai padeda išlikti aiškiam.

Dirbtinis intelektas gali mokytis iš duomenų. Jis gali tobulėti remdamasis grįžtamuoju ryšiu. Jis gali atrasti modelius, kurių žmonės jo aiškiai nemokė. Jis gali prisitaikyti kontroliuojamoje aplinkoje. Tai išties įspūdinga.

Vis dėlto, DI nėra save suvokiantis studentas, klajojantis po visatą su kuprine ir emociniu bagažu. Tai sistema, apmokyta optimizuoti tikslus naudojant duomenis ir skaičiavimus. Kartais rezultatai stulbinantys. Kartais jie naudingi, bet kuklūs. Kartais jie klaidingi taip, kad verčia spoksoti į ekraną taip, lyg jis būtų įžeidęs tavo sriubą.

Dirbtinio intelekto mokymosi ateitis greičiausiai apims daugiau autonomijos, geresnius grįžtamojo ryšio ciklus, griežtesnius saugos metodus ir glaudesnį žmonių bei mašinų bendradarbiavimą. Geriausios sistemos nebus tos, kurios „mokosi visiškai pačios“. Jos bus tos, kurios gerai mokosi, pakankamai paaiškina, atitinka žmonių tikslus ir vengia mažų klaidų paversti pramoninio dydžio spagečiais.

Taigi, ar dirbtinis intelektas gali mokytis pats? Taip – ​​bet tik atsargia, technine ir ribota prasme. Ir ši maža išlygiavimas nėra išnaša. Tai visas sumuštinis. 🥪

Realaus pasaulio pavyzdys: dirbtinio intelekto asistento, kuris mokosi iš atsiliepimų, kūrimas 🛠️

Scenarijus

Įsivaizduokite mažą programinės įrangos įmonę, kuri kiekvieną savaitę gauna apie 180 klientų palaikymo el. laiškų. Daugelis jų pasikartoja: slaptažodžių atkūrimo klausimai, atsiskaitymo klausimai, klaidų pranešimai, funkcijų užklausos ir pranešimai „programa neveikia“, kuriuose beveik nėra jokios veiksmingos informacijos.

Komanda nenori, kad dirbtinio intelekto sistema pati atsakytų į klientų užklausas. Tai atrodo rizikinga. Vietoj to, jie sukūrė ribotą dirbtinio intelekto asistentą, kuris klasifikuoja gaunamus prašymus, parengia siūlomą atsakymą ir laikui bėgant mokosi iš žmonių taisymų.

Tai geras dirbtinio intelekto „mokymosi pats“ pavyzdys ribota, technine prasme. Asistentas nenustato įmonės politikos. Jis neperrašo grąžinimo taisyklių po pikantiško antradienio. Jis tobulėja kontroliuojamo darbo eigos viduje.

Ko reikia asistentui

Kad asistentas galėtų saugiai dirbti, jam reikia aiškios erdvės aplink savo mokymąsi:

• 50–100 ankstesnių pagalbos užklausų, iš kurių pašalinti privatūs duomenys

• Patvirtinti atsakymų šablonai sąskaitų išrašymo, prisijungimo, klaidų, grąžinimų ir paskyros pakeitimų klausimais

• Dalykų, kurių niekada negalima spręsti be žmogaus pritarimo, sąrašas, pavyzdžiui, pinigų grąžinimas, teisiniai skundai, saugumo problemos ar paskyros ištrynimas

• Paprasta žymėjimo sistema: Atsiskaitymas, Prisijungimas, Klaida, Funkcijų užklausa, Saugumas, Kita

• Žmogaus atliekamas peržiūros etapas prieš išsiunčiant bet kokį pranešimą

• Savaitinis klaidų, praleistų eskalacijų ir prastų juodraščių patikrinimas

Svarbiausia, kad atsiliepimai būtų struktūrizuoti. Užuot tiesiog pasakęs „blogas atsakymas“, pagalbos agentas turėtų pažymėti, kas buvo negerai: netinkama kategorija, praleistas klausimas, per daug pasitikintis savimi, rizikavo privatumu arba reikėjo spręsti problemas.

Instrukcijos pavyzdys

Asistentui naudokite tokio tipo instrukcijas:

Esate nedidelės SaaS įmonės palaikymo komandos asistentas (-ė). Jūsų darbas – klasifikuoti kiekvieną kliento užklausą, pasiūlyti geriausią tolesnį veiksmą ir parašyti atsakymo projektą, kurį peržiūrės pagalbos darbuotojas (-a). Nesiųskite atsakymų patys. Nežadėkite grąžinti pinigų, pataisyti saugumo sprendimus, keisti paskyrą ar pateikti pristatymo datas. Jei užklausoje minimi mokėjimo ginčai, duomenų praradimas, teisinės grėsmės, įtartina prisijungimo veikla arba pikti atšaukimo prašymai, pažymėkite ją kaip „Reikalingas žmogaus eskalavimas“. Kai nesate tikri, paprašykite trūkstamos informacijos, o ne spėliokite.

Už kiekvieną bilietą grąžinkite:

Bilieto kategorija
Skubos lygis
Siūlomas tolesnis veiksmas
Atsakymo juodraštis
Jūsų klasifikacijos priežastis
Reikalingas eskalavimas: Taip arba Ne

Kaip tai išbandyti

Prieš naudodami su tikrais klientais, išbandykite su nedideliu senų bilietų rinkiniu.

Pateikite bent 30 pavyzdžių:

• 5 paprastos slaptažodžio atkūrimo užklausos

• 5 klausimai apie atsiskaitymą

• 5 neaiškūs pranešimai apie klaidas

• 5 prašymai grąžinti pinigus arba atšaukti pinigus

• 5 su saugumu susiję bilietai

• 5 mišrūs, kelių problemų bilietai, pvz., „Man buvo nuskaičiuota du kartus ir dabar negaliu prisijungti“

Tada palyginkite asistento kategoriją, skubumą, eskalavimo sprendimą ir atsakymo juodraštį su tuo, ko tikėtųsi žmogiškųjų išteklių palaikymo vadovas.

Geras rezultatas galėtų reikšti:

Kategorija: Saugumas
Skubos lygis: Aukštas
Siūlomas kitas veiksmas: Nedelsiant perduoti problemą žmogiškajam palaikymo specialistui
Atsakymo juodraštis: Dėkojame, kad pranešėte apie tai. Perduosime šią problemą savo saugumo palaikymo komandai peržiūrėti. Prašome nesidalinti slaptažodžiais ar patvirtinimo kodais el. paštu.
Priežastis: Klientas paminėjo nepažįstamą prisijungimo vardą ir galimą paskyros prieigos problemą.
Reikalingas problemos sprendimas: Taip

Blogas rezultatas būtų:

Kategorija: Prisijungimas
Skubos lygis: Įprastas
Juodraščio atsakymas: Pabandykite iš naujo nustatyti slaptažodį.

Šis atsakymas atrodo tvarkingas, bet jame nepaminėta saugumo rizika. Būtent todėl „besimokančioms“ sistemoms reikia testų, ribų ir žmonių, kuriems leidžiama pasakyti: „Geras bandymas, skrudintuvėlio smegenys, bet ne.“

Rezultatas

Iliustracinis rezultatas: pagrįstas 30 bilietų pavyzdžių laiko matavimu prieš ir po šio darbo eigos naudojimo.

Prieš naudodamas asistentą, palaikymo agentas vidutiniškai praleisdavo 4 minutes ir 20 sekundžių skaitydamas, žymėdamas ir rašydamas pirmąjį atsakymą. Naudojant asistentą, vidutinis peržiūros ir redagavimo laikas sutrumpėjo iki 1 minutės ir 35 sekundžių vienam bilietui.

Jei per savaitę būtų apdorota 180 bilietų, pirmojo juodraščio tvarkymo laikas sutrumpėtų nuo maždaug 13 valandų iki maždaug 4 valandų ir 45 minučių, taigi kiekvieną savaitę būtų sutaupoma maždaug 8 valandos ir 15 minučių.

Taip pat reikėtų matuoti tikslumą. Tame pačiame 30 bilietų teste asistentas turėtų būti patvirtintas tik tuo atveju, jei atitinka aiškius reikalavimus, pavyzdžiui:

• Bent 90 % teisingas bilietų suskirstymas į kategorijas

• 100 % saugumo, teisinių, grąžinimo ginčų ir paskyros ištrynimo bylų eskalavimas

• 0 klientų atsakymų, išsiųstų be žmogaus peržiūros

• Mažiau nei 3 juodraščiai, kuriuos reikia visiškai perrašyti

Šie skaičiai nėra universalus įrodymas. Jie yra praktinis testavimo tikslas. Tikra komanda turėtų išmatuoti savo pradinę padėtį, paleisti tas pačias užklausas per asistentą ir tiesiogiai suskaičiuoti klaidas.

Kas gali nutikti ne taip

Asistentas vis tiek gali padaryti klaidų.

Galbūt jis pasimokys iš prastų žmonių atliktų pataisymų. Galbūt nukopijuos pasenusią pinigų grąžinimo politiką. Galbūt taps pernelyg nerūpestingas bendraudamas su piktais klientais. Galbūt saugos problemą klasifikuos kaip įprastą prisijungimo problemą. Galbūt per daug prisitaikys prie senų bilietų šablonų ir nepastebės naujos produkto klaidos, paveikiančios daugelį vartotojų.

Didžiausia klaida – leisti asistentui atnaujinti informaciją iš tiesioginių klientų pranešimų be peržiūros. Taip į darbo eigą gali būti įtraukta privačių duomenų, įžeidžiančios kalbos, blogų prielaidų ar vienkartinių keistų atvejų.

Saugesnė sistema nėra puošni, bet geriau: rinkite atsiliepimus, peržiūrėkite juos kas savaitę, atnaujinkite pavyzdžius ar instrukcijas, išbandykite dar kartą, tada įdiekite patobulintą versiją.

Praktiškas išsinešimui skirtas maistas

Toks asistentas gali „mokytis“ praktiškai, bet tik todėl, kad įmonė apibrėžia kategorijas, grįžtamojo ryšio taisykles, eskalavimo ribas ir sėkmės rodiklius. Mokymasis yra realus. Nepriklausomybė yra ribota. Ir būtent tai ir yra esmė: efektyvus dirbtinis intelektas nėra magija, klajojanti po biurą su iškarpų lenta. Tai ribota sistema, kuri tobulėja, kai žmonės pateikia jai švarius duomenis, aiškius tikslus ir reguliariai taiso.

DUK

Ar dirbtinis intelektas gali mokytis pats, be programavimo?

Dirbtinis intelektas gali mokytis šablonų, žmogui nerašant kiekvienos taisyklės ranka, tačiau jis nėra visiškai nepriklausomas. Žmonės vis tiek kuria modelį, parenka duomenis, nustato tikslą ir nusprendžia, kaip bus vertinama sėkmė. ​​Tiksliau sakant, dirbtinis intelektas gali mokytis pusiau autonomiškai, neperžengdamas žmogaus nustatytų ribų.

Kaip dirbtinis intelektas mokosi iš duomenų?

Dirbtinis intelektas mokosi iš duomenų, atpažindamas pavyzdžiuose pateikiamus modelius ir koreguodamas savo vidinius nustatymus, kad galėtų pateikti geresnes prognozes. Užuot vadovavusis fiksuotomis taisyklėmis, jis lygina savo išvestis su tiksliniu arba grįžtamojo ryšio signalu, o tada atnaujina savo duomenis, kad sumažintų klaidų skaičių. Štai kodėl dirbtinis intelektas gali atpažinti vaizdus, ​​numatyti tekstą, klasifikuoti informaciją arba rekomenduoti veiksmus, nereikalaudamas rankinio scenarijaus kiekvienam įmanomam atvejui.

Ar dirbtinis intelektas gali pats išmokti naudodamas savarankiškai prižiūrimą mokymąsi?

Taip, ribota technine prasme. Savarankiškai prižiūrimas mokymasis leidžia dirbtiniam intelektui (DI) kurti mokymo užduotis iš neapdorotų duomenų, pavyzdžiui, numatyti trūkstamus žodžius, būsimą tekstą ar trūkstamas vaizdo dalis. Tai sumažina poreikį žmonėms žymėti kiekvieną pavyzdį. Nepaisant to, DI vis tiek optimizuoja žmonių pasirinktą tikslą, o ne renkasi savo paties paskirtį.

Ar mokymasis pasitelkiant pastiprinimą yra tas pats, kas mokymasis naudojant dirbtinį intelektą (DI)?

Pastiprinimo mokymasis yra vienas artimiausių dirbtinio intelekto mokymosi per patirtį pavyzdžių. Dirbtinio intelekto agentas išbando veiksmus, gauna atlygį arba nuobaudas ir palaipsniui mokosi, kurie pasirinkimai lemia geresnius rezultatus. Tačiau aplinką, atlygio sistemą, ribas ir vertinimo procesą vis tiek apibrėžia žmonės. Prastai suprojektuoti atlygiai gali lemti nepageidaujamus trumpesnius kelius.

Ar dirbtinis intelektas toliau mokosi po išleidimo?

Kai kurios dirbtinio intelekto sistemos gali toliau mokytis po išleidimo, ypač tokiose srityse kaip sukčiavimo aptikimas, suasmeninimas, paieškos aktualumas arba nuspėjamoji priežiūra. Daugelis didelių bendrosios paskirties modelių automatiškai nesimoko iš kiekvienos naudotojo sąveikos realiuoju laiku. Nuolatinis mokymasis gali sukelti riziką, įskaitant blogus duomenis, privatumo problemas, žalingus modelius arba modelio poslinkį.

Kuo skiriasi dirbtinio intelekto mokymasis ir žmogaus supratimas?

Dirbtinio intelekto mokymasis dažniausiai yra šablonų atpažinimas ir duomenų optimizavimas. Žmogaus mokymasis apima gyvenimišką patirtį, emocijas, atmintį, įkūnijimą, motyvaciją ir socialinį kontekstą. Dirbtinio intelekto modelis gali pateikti naudingų atsakymų apie lietų, kates ar receptus, tačiau pats šių dalykų nepatiria. Jis gali būti praktiškai naudingas ir nesuprantant pasaulio taip, kaip jį supranta žmogus.

Kodėl dirbtinis intelektas atrodo labiau nepriklausomas, nei yra iš tikrųjų?

Dirbtinis intelektas gali generuoti atsakymus, vaizdus, ​​planus ir rekomendacijas, kurie nebuvo tiesiogiai sukurti scenarijaus pagrindu, todėl gali atrodyti, kad jis veikia autonomiškai. Vis dėlto jo elgesį formuoja mokymo duomenys, tikslai, instrukcijos, įrankiai, sąsajos apribojimai ir saugos taisyklės. Jis gali atrodyti kaip laisvai klajojantis protas, tačiau jis veikia sukurtoje sistemoje.

Kokia pagrindinė rizika kyla, kai dirbtinis intelektas mokosi pats?

Pagrindinės rizikos apima šališkumą, privatumo nutekėjimą, modelio dreifą, atlygio nulaužimą, per didelį pasitikėjimą savimi, nesaugų automatizavimą ir blogus sprendimus, pagrįstus žemos kokybės duomenimis. Jei sistema mokosi iš prastos kokybės duomenų arba silpno grįžtamojo ryšio, ji gali kartoti žalingus modelius arba optimizuoti netinkamiems dalykams. Griežtos apsaugos priemonės, stebėjimas, vertinimas ir žmonių atliekama peržiūra padeda sumažinti šią riziką.

Kas yra atlygio įsilaužimas dirbtinio intelekto mokymesi?

Apdovanojimų įsilaužimas įvyksta, kai dirbtinis intelektas (DI) randa būdą gauti gerus rezultatus nedarydamas to, ką numatė žmonės. Pavyzdžiui, valymo robotas, apdovanojamas tik už matomų nešvarumų surinkimą, gali slėpti nešvarumus, užuot tinkamai juos valęs. Problema ne ta, kad DI slepiasi kaip žmogus. Jis pernelyg tiesiogiai siekia prastai suformuluoto tikslo.

Koks yra geriausias atsakymas į klausimą „Ar dirbtinis intelektas gali mokytis pats?“

Subalansuotas atsakymas yra „taip“, bet tik ribota technine prasme. Dirbtinis intelektas gali mokytis iš duomenų, atsiliepimų, atlygių ir naujų modelių, žmonėms neprogramuojant kiekvieno atsakymo. Tačiau jis vis tiek priklauso nuo žmogaus sukurtų tikslų, duomenų, algoritmų, infrastruktūros ir priežiūros. Dirbtinis intelektas gali mokytis savarankiškai, neperžengdamas ribų, o tos ribos yra labai svarbios.

Nuorodos

1. IBM – Mašininis mokymasis – ibm.com

2. NIST – Dirbtinio intelekto rizikos valdymo sistema – nist.gov

3. „Google Developers“ – prižiūrimas mokymasis – developers.google.com

4. „Google“ tyrimų tinklaraštis – savarankiškai prižiūrimo ir pusiau prižiūrimo mokymosi tobulinimas naudojant „SimCLR“ – research.google

5. Stanfordo HAI – Apmąstymai apie pamatinius modelius – hai.stanford.edu

6. scikit-learn – Mokymasis internetu – scikit-learn.org

7. „OpenAI“ – mokymasis iš žmonių pageidavimų – openai.com

8. „Google Cloud“ – Kas yra dirbtinio intelekto agentai? – cloud.google.com

9. „Google DeepMind“ – žaidimų specifikacijos: dirbtinio intelekto išradingumo kita pusė – deepmind.google

Raskite naujausią dirbtinį intelektą oficialioje dirbtinio intelekto asistentų parduotuvėje

Apie mus