Váš telefon ví, co se chystáte napsat, ještě předtím, než to uděláte. Netflix ví, co si dáte příště. Banky zda půjčku splatíte. Spotify zná skladby, které budete opakovaně přehrávat.
Ale jak? Kdo nás všechny tajně sleduje?
Jasnovidní holubi? Tajný spolek lidí, kteří čtou myšlenky? Nebo tvoje máma - protože ta to vždycky nějak ví?
Ne. Jde o algoritmy umělé inteligence.
Tyto systémy umožňují strašidelně přesné předpovědi čtením spousty dat a analýzou vzorců.
Ale co přesně je algoritmus umělé inteligence? Jak funguje?
Jaké jsou jeho různé typy a jak se používá v reálných aplikacích? To vše a mnohem více se dozvíte v dnešním blogu.
Začněme od začátku.
Co jsou algoritmy umělé inteligence?
Algoritmy umělé inteligence se používají v každodenním životě technologie - Vyhledávání Google, Siri, doporučení Netflixu - ale používají se také při odhalování podvodů, v samořiditelných automobilech a lékařské diagnostice.
Kořeny umělé inteligence sahají do 40. let 20. století, kdy Alan Turing položil otázku, "Umí stroje myslet?"
V padesátých letech minulého století přišel s Turingovým strojem, který byl později testován s pomocí Turingův test. Ukázal, jak mohou stroje postupovat při řešení problémů podle logických kroků.
Už nikdy se nemusíte obávat, že umělá inteligence rozpozná vaše texty. Undetectable AI Může vám pomoci:
- Zpřístupněte psaní s asistencí umělé inteligence podobný člověku.
- Bypass všechny hlavní nástroje pro detekci umělé inteligence jediným kliknutím.
- Použijte AI bezpečně a sebevědomě ve škole a v práci.
V 50. a 60. letech minulého století uměly některé programy (Logic Theorist) dokazovat matematické věty.
Byl tu však jeden problém - neuměli se učit. Každé pravidlo se muselo naprogramovat ručně.
Podstatou umělé inteligence je jen soubor pokynů-algoritmus, který pomáhá strojům při rozhodování.
Některé jsou jednoduché, například filtrování nevyžádaných e-mailů. Jiné jsou složitější, například předpovídání rizika onemocnění na základě lékařských záznamů.
Ale řekněme si to jasně - umělá inteligence nepřemýšlí sama za sebe. Závisí na lidské programování a důsledné učení aby se zlepšila v tom, co dělá.
Pojďme si to vysvětlit pomocí příklad,
Umělá inteligence pomáhá při větších rozhodnutích. Vezměte si banku, která schvaluje půjčku. Může použít Rozhodovací strom (jednoduchý model umělé inteligence, který funguje jako vývojový diagram):
- Má žadatel stálý příjem? Ne → Zamítnout půjčku. Ano → Zkontrolujte úvěrové skóre.
- Dobré úvěrové skóre? Ne → Zvažte to znovu. Ano → Zkontrolujte stávající půjčky.
- Příliš mnoho půjček? Vysoké riziko. Málo půjček? Nižší riziko.
Na konci procesu umělá inteligence na základě strukturované logiky úvěr buď schválí, nebo zamítne.
Nyní přichází další část...
Jak algoritmy AI umožňují strojové učení a automatizaci
Představte si to takto.
Představte si, že učíte dítě rozpoznávat psy.
Učitel jim ukazoval obrázky, upozorňoval je na klíčové znaky a postupem času se zlepšovali v rozpoznávání v reálném životě.
Algoritmy umělé inteligence se učí stejným způsobem - učení z obrovského množství dat za účelem předpovídání a automatizace úloh.
1 - Předpověď
Regresní algoritmus zkoumá minulé informace a provádí automatické předpovědi v reálném čase.
Například, Netflix vám doporučuje pořady na základě předpovědí. Pokud se vám líbí Stranger Things, to by mohlo naznačovat. Dark aneb Akademie deštníků protože ostatní, kteří měli rádi Cizí věci sledoval i ty.
2 - Strojové učení
Umělá inteligence však není jen o předpovědích - přizpůsobuje se.
Strojové učení umožňuje počítačům učit se a zlepšovat se na základě zkušeností, aniž by byly explicitně naprogramovány.
Například, Co když se vám Stranger Things líbí jen kvůli sci-fi prvkům, ale horory nesnášíte? Co kdybyste dávali přednost krátkým, svižným seriálům před pomalu plynoucími dramaty? Algoritmus Netflixu bude analyzovat vaše aktivity na hluboké úrovni a upraví doporučení.
3 - Automatizace
Pak je tu automatizace.
Automatizace je proces využívání technologií k provádění úkolů s minimálním zásahem člověka.
Například, Podobně fungují i samořiditelná auta, která pomocí počítačového vidění "vidí" na silnici, rozpoznávají dopravní značky a učí se z každého ujetého kilometru.
Čím více dat zpracovávají, tím jsou chytřejší.
Jak fungují algoritmy umělé inteligence (krok za krokem)
Stejně jako se člověk učí nové dovednosti, i umělá inteligence si osvojuje věci postupně.
Pojďme si to rozebrat pomocí funkce rozpoznávání obrázků ve vyhledávači Google.
Krok # 1 - Sběr dat
Vše začíná daty. Umělá inteligence potřebuje statisíce příkladů, ze kterých se může učit. V případě rozpoznávání obrazu to zahrnuje:
- miliony označených obrázků (např. obrázky koček označené jako "kočka", obrázky psů označené jako "pes").
- Rozdílné osvětlení, úhly a kvalita.
- Různé velikosti, barvy a tvary stejného předmětu.
- Okrajové případy (rozmazané snímky, částečně skryté objekty, nízký kontrast).
Krok # 2 - Předběžné zpracování
Nezpracované snímky obsahují mnoho nepotřebných informací, jako jsou rozmazané nebo nekvalitní snímky, nesouvisející objekty, nepřehledné snímky atd.
Před tréninkem umělé inteligence je třeba data vyčistit a standardizovat. To zahrnuje:
- Změna velikosti obrázků na jednotnou velikost, aby mohly být zpracovávány konzistentně.
- Normalizace stupňů šedi nebo barev, aby jas a kontrast nezaváděly umělou inteligenci do omylu.
- Odstranění šumu, například nepotřebných prvků v pozadí, které nepřispívají k identifikaci objektu.
Krok # 3 - Školení
Umělá inteligence ne "viz" obrázky tak, jak to dělají lidé. Vidí je jako čísla - tisíce pixelů, z nichž každý má hodnotu představující jas a barvu.
K tomu AI používá konvoluční neuronovou síť (CNN), speciální typ modelu hlubokého učení vytvořeného pro rozpoznávání obrazu.
Zde se dozvíte, jak CNN rozkládá obraz:
- Konvoluční vrstvy: Umělá inteligence skenuje obraz po částech, přičemž nejprve rozpoznává jednoduché tvary (čáry, křivky) a později složité rysy (oči, uši, vousy).
- Sdružování vrstev: Ty zmenšují obrázek, zachovávají podstatné detaily a odstraňují nepotřebné pixely.
- Plně propojené vrstvy: Umělá inteligence propojí zjištěné znaky a vytvoří konečnou předpověď - pokud vidí špičaté uši a fousky, identifikuje kočku.
Tento proces zahrnuje epochy.
Představte si, že se učíte rozpoznávat různé druhy ptáků. Když poprvé uvidíte vrabce a holuba, možná si je spletete.
Po prohlédnutí obrázků, prostudování jejich vlastností a získání zpětné vazby se však zlepšíte.
Umělá inteligence se učí stejným způsobem.
Epocha je jeden kompletní cyklus, kdy umělá inteligence prochází všechna tréninková data, provádí předpovědi, kontroluje chyby a upravuje je.
Dělá to stále dokola - stejně jako když se v nějaké dovednosti zlepšujete opakovaným tréninkem.
Krok # 4 - Testování
Než bude umělá inteligence připravena k reálnému použití, je třeba ji otestovat. To zahrnuje:
- Krmíme ji obrazy, které nikdy předtím neviděla.
- Měření přesnosti - označuje správně kočku jako kočku?
- Kontrola nadměrného přizpůsobení, kdy si umělá inteligence zapamatuje tréninková data, ale má problémy s novými obrázky.
Pokud umělá inteligence selhává příliš často, vrací se k dalšímu tréninku, dokud nedokáže spolehlivě identifikovat obrázky, se kterými se nikdy nesetkala.
Krok # 5 - Nasazení
Po vyškolení a otestování je model AI nasazen. Když ho nakrmíme obrázkem. Bude:
- Rozdělení na hodnoty v pixelech
- Projděte všechny naučené vrstvy
- Generování skóre pravděpodobnosti pro každou možnou značku
- Vyberte nejpravděpodobnější klasifikaci
Typický výsledek může vypadat takto:
- Cat: 99.7% pravděpodobnost
- Pes: pravděpodobnost 0.2%
- Ostatní: 0.1% pravděpodobnost
Typy algoritmů AI a jejich použití
Stejně jako se lidé učí různými způsoby - někteří čtením, jiní praxí -, má i umělá inteligence různé typy algoritmů, z nichž každý je vhodný pro konkrétní úkoly.
1 - Učení pod dohledem
Představte si dítě, které se učí rozeznávat jablka a pomeranče. Učitel označí obrázky jako:
"Tohle je jablko."
"Tohle je pomeranč."
Časem se naučí rozlišovat. To je učení pod dohledem - umělá inteligence je vyškolena na označených datech a učí se předpovídat.
Například,
Algoritmus umělé inteligence filtry spamu skenuje tisíce e-mailů označených jako "spam" nebo "nevyžádaná pošta" a zjišťuje vzorce.
- Obsahuje e-mail určitá klíčová slova?
- Pochází od podezřelého odesílatele?
Postupem času se zlepšuje zachycování spamu dříve, než se dostane do vaší schránky.
Učení s dohledem umožňuje používat regresní modely, které předpovídají například ceny nemovitostí, a klasifikační modely, které rozhodují, zda e-mail patří do spamu nebo do hlavní schránky.
2 - Učení bez dohledu
A teď si představte, že tomu samému dítěti dáte košík ovoce, ale neřeknete mu, která jsou jablka a která pomeranče.
Místo toho je seskupují podle podobnosti - barvy, tvaru, textury.
Jedná se o učení bez dohledu - umělá inteligence nachází vzory v datech bez štítků.
Například,
Banky ne vždy okamžitě poznají, zda se jedná o podvodnou transakci. Umělá inteligence může pomoci při prevenci podvodů.
Prověřuje miliony nákupů a zjišťuje, co je pro každého zákazníka "normální" a co ne.
Řekněme, že každý týden nakupujete potraviny a benzín. Pak si najednou chcete koupit luxusní auto za $5 000 v jiné zemi.
Umělá inteligence ji označí jako podezřelou a může vám zmrazit kartu nebo poslat rychlou zprávu. "To jsi byl ty?" zpráva.
3 - Učení posilováním
Řekněme, že dítěti dáte úkol - pokaždé, když správně vybere jablko, dostane bonbón. Pokud vybere špatné ovoce, o jeden bonbon přijde.
Časem se naučí, jak nejlépe získat co nejvíce sladkostí. To je posilování učení.
Umělá inteligence dělá totéž - testuje různé akce, učí se z chyb a přizpůsobuje se na základě odměn a trestů.
Například,
Samořízená auta nezačínejte s řízením.
Po analýze milionů kilometrů silničních dat se však zlepšují v brzdění, zařazování do provozu a vyhýbání se překážkám.
Každá chyba je lekcí. Každý úspěch je činí chytřejšími.
4 - Neuronové sítě a hluboké učení
Některé problémy jsou prostě příliš složité na to, aby je bylo možné řešit podle jednoduchých pravidel. V tom případě přicházejí na řadu neuronové sítě.
Jsou navrženy tak, aby pracovaly podobně jako lidský mozek, rozpoznávaly vzorce a rozhodovaly se, aniž by potřebovaly vysvětlovat každou drobnou instrukci.
Například,
A tradiční počítač může mít problémy s různými úhly, osvětlením nebo výrazy.
Model hlubokého učení (neuronová síť s více vrstvami) se však může naučit rozpoznávat obličeje bez ohledu na podmínky.
Stejně jako se lidé učí různými způsoby - někteří čtením, jiní praxí -, má i umělá inteligence různé typy algoritmů, z nichž každý je vhodný pro konkrétní úkoly.
Algoritmy umělé inteligence v reálných aplikacích
Jak detektor obrázků s umělou inteligencí využívá algoritmy k rozpoznání obrázků vytvořených umělou inteligencí
Snímky generované umělou inteligencí jsou nyní tak realistické, že je lidé jen stěží rozeznají od skutečných fotografií.
Detektory obrazu s umělou inteligencí jsou však vycvičeny k tomu, aby viděly dál než na povrch.
Technika # 1 - Detekce anomálií
Proces začíná detekcí anomálií, která hledá vše, co tam nepatří.
Pokud má obrázek nepřirozené textury, nekonzistentní osvětlení nebo rozmazané okraje. Detektor obrazu AI vyvolává varování.
Technika # 2 - Generativní adverzní sítě
Jedním ze způsobů, jak odhalit obrázky vytvořené umělou inteligencí, je sledovat skryté vzory, které zanechala technologie, jež je vytváří.
Tyto vzory pocházejí z generativních adverzních sítí (GAN), které pohánějí většinu obrázků umělé inteligence.
Stejně jako má každý umělec jedinečný styl, vytvářejí GAN vzory, které se na fotografiích z reálného světa nevyskytují.
Detektor obrazu AI je vycvičen k rozpoznávání těchto vzorů, což pomáhá určit, zda byl obrázek vytvořen umělou inteligencí.
Technika # 3 - Metadata
Kromě pouhého pohledu na pixely je třeba také Detektor obrazu AI zkoumá také metadata, která fungují jako digitální otisk prstu obrázku.
Tyto údaje zahrnují podrobnosti, jako kdy a kde byla fotografie pořízena a které zařízení ji zachytilo.
Pokud obrázek tvrdí, že pochází z roku 2010, ale ve skutečnosti byl vytvořen nástrojem umělé inteligence minulý týden, Detektor obrazu AI označí jako podezřelý.
Předpojatost v algoritmech umělé inteligence a její omezení
Umělá inteligence by měla být spravedlivá, ale někdy tomu tak není. K předpojatosti umělé inteligence může docházet dvěma způsoby:
- Zkreslení dat - k němu dochází, když jsou v trénovacích datech nedostatečně zastoupeny určité skupiny.
- Modelové zkreslení - k němu dochází, když umělá inteligence dělá více chyb pro jednu skupinu než pro druhou, čímž posiluje nespravedlivé výsledky.
Nástroj společnosti Amazon pro neobjektivní najímání zaměstnanců
V roce 2014, Amazon musel zrušit nástroj pro najímání zaměstnanců s umělou inteligencí protože byl zaujatý vůči ženám.
Systém se poučil z údajů z minulých náborů, kdy bylo na technické pozice najímáno více mužů, a proto začal upřednostňovat mužské kandidáty a penalizovat životopisy, které obsahovaly slova jako "ženský" (jako "ženský šachový klub").
Umělá inteligence se nesnažila být nespravedlivá, ale učila se na základě zkreslených dat a přenášela je dál.
Obavy o ochranu soukromí při sběru dat umělé inteligence
Při každém použití aplikace, prohlížení webu nebo nákupu se shromažďují data.
Některé z nich jsou zřejmé - například vaše jméno, e-mail nebo platební údaje.
Jsou zde však i skrytá data, jako je poloha GPS, historie nákupů, chování při psaní a zvyky při prohlížení.
Společnosti tyto informace používají k personalizaci zkušeností, doporučování produktů a zlepšování služeb.
S takovým množstvím dat, která se kolem vás pohybují, jsou rizika nevyhnutelná:
- Úniky dat - Hackeři mohou ukrást informace o uživateli.
- Opětovná identifikace - Dokonce i anonymizované údaje lze propojit s jednotlivci.
- Neoprávněné použití - Společnosti by mohly zneužít data za účelem zisku nebo ovlivnění.
I když společnosti tvrdí, že data anonymizují, studie ukázaly, že s dostatečným množstvím informací mohou vzory odhalit identitu uživatele.
K ochraně soukromí uživatelů používají společnosti:
- Anonymizace - Odstraňuje osobní údaje ze souborů dat.
- Federativní učení - Modely umělé inteligence se trénují na vašem zařízení bez odesílání nezpracovaných dat na centrální server. (např. Gboard společnosti Google).
- Diferenciální ochrana soukromí - Před sběrem dat přidá do dat náhodný šum, aby zabránil sledování (např. systém iOS společnosti Apple).
Mohou být algoritmy AI zcela neutrální?
Umělá inteligence nevzniká ve vakuu.
Je vytvořen lidmi, vyškolen na lidských datech a používán v lidské společnosti. Může být tedy někdy skutečně neutrální?
Krátká odpověď: Ne. Alespoň zatím ne.
Umělá inteligence se učí z reálných dat a tato data obsahují všechny předsudky, předpoklady a nedokonalosti lidí, kteří je vytvořili.
Vyzkoušejte nástroj COMPAS pro recidivu, například.
Byl navržen tak, aby předpovídal, u kterých pachatelů je největší pravděpodobnost, že se znovu dopustí trestného činu.
Zní to jednoduše, že?
Studie však ukázaly, že algoritmus neúměrně označuje černošské obžalované jako vysoce rizikové ve srovnání s bělošskými obžalovanými.
Není neobjektivní proto, že by ho někdo naprogramoval, ale proto, že zdědil vzory z chybného systému trestního soudnictví.
Může být umělá inteligence někdy spravedlivá?
Někteří odborníci si to myslí.
Výzkumníci vyvinuli omezení spravedlnosti - matematické techniky, jejichž cílem je přinutit modely umělé inteligence, aby s různými skupinami zacházely rovněji.
K omezení zkreslených výsledků přispívají také audity zkreslení a rozmanité soubory tréninkových dat.
Ale i se všemi těmito ochrannými opatřeními je skutečná neutralita obtížná.
A i kdybychom dokázali umělou inteligenci zcela "neutrální," měli bychom?
Umělá inteligence se nerozhoduje v bublině. Ovlivňuje skutečné lidi skutečnými způsoby.
Skutečnost je taková, že umělá inteligence odráží svět, který do ní vkládáme.
Chceme-li mít objektivní umělou inteligenci, musíme se nejprve vypořádat s předsudky v našich systémech.
V opačném případě jen učíme stroje, aby rychleji a ve větším měřítku kopírovaly naše chyby.
Často kladené otázky o algoritmech umělé inteligence
Jaký je nejběžnější algoritmus umělé inteligence?
Neuronové sítě - zejména hluboké učení - jsou dnes základem většiny aplikací umělé inteligence.
Díky nim fungují nástroje jako ChatGPT, software pro rozpoznávání obličejů a doporučovací systémy, které doporučují, co si příště pustit nebo koupit.
Jsou algoritmy umělé inteligence totéž co strojové učení?
Ne tak docela. Umělá inteligence je velký deštník, který zastřešuje mnoho různých technologií, a strojové učení je jen jeho součástí.
Strojové učení se konkrétně týká systémů umělé inteligence, které se učí vzorce z dat, nikoli podle přísných, předem naprogramovaných pravidel.
Ne všechna umělá inteligence se však spoléhá na strojové učení - některé používají jiné metody, například systémy založené na pravidlech.
Jak se algoritmy umělé inteligence v průběhu času zlepšují?
Umělá inteligence se zlepšuje díky zkušenostem - podobně jako lidé.
Čím více dat algoritmus zpracovává, tím lépe dokáže rozpoznávat vzorce a vytvářet přesné předpovědi.
Jemné doladění parametrů, použití technik, jako je posilování učení, a neustálá aktualizace tréninkových dat pomáhají zlepšovat jeho výkon.
Vylepšete si své zkušenosti vyzkoušením našeho detektoru umělé inteligence a humanizéru v níže uvedeném widgetu!
Závěrečné myšlenky: Budoucnost algoritmů umělé inteligence
Co to pro nás znamená?
Umělá inteligence denně ovlivňuje naše rozhodování. Rozhoduje o tom, co sledujeme, co kupujeme, a dokonce i o tom, jak bezpečný je náš bankovní účet.
Ale tady je otázka...
Pokud se od nás umělá inteligence učí, co ji učíme my?
Zajišťujeme, aby byla spravedlivá, nestranná a užitečná? Nebo ho necháváme, aby vychytával stejné chyby, jakých se dopouštějí lidé?
A pokud bude umělá inteligence stále chytřejší, co bude dál? Bude to vždy nástroj, který budeme ovládat, nebo by jednoho dne mohla začít činit rozhodnutí, kterým plně nerozumíme?
Největší otázkou možná není, co umělá inteligence dokáže, ale co bychom jí měli dovolit.
Co si myslíte?