Αλγόριθμοι τεχνητής νοημοσύνης: Αλγόριθμοι: Όλα όσα πρέπει να ξέρετε

Το τηλέφωνό σας ξέρει τι πρόκειται να πληκτρολογήσετε πριν από εσάς. Netflix ξέρει τι θα φάτε μετά. Τράπεζες να ξέρετε αν θα αποπληρώσετε ένα δάνειο. Spotify γνωρίζει τα τραγούδια που θα παίζετε στο repeat.

Αλλά πώς; Ποιος μας παρακολουθεί κρυφά όλους;

Ψυχικά περιστέρια; Μια μυστική κοινωνία ανθρώπων που διαβάζουν το μυαλό; Ή η μαμά σας - επειδή κατά κάποιο τρόπο πάντα ξέρει;

Όχι. Είναι αλγόριθμοι τεχνητής νοημοσύνης.

Αυτά τα συστήματα κάνουν τρομακτικά ακριβείς προβλέψεις διαβάζοντας τόνους δεδομένων και αναλύοντας μοτίβα.

Αλλά τι ακριβώς είναι ένας αλγόριθμος τεχνητής νοημοσύνης; Πώς λειτουργεί;

Ποιοι είναι οι διάφοροι τύποι του και πώς χρησιμοποιείται σε πραγματικές εφαρμογές; Είμαστε όλα, και πολλά άλλα στο σημερινό blog. 

Ας ξεκινήσουμε από την αρχή.

Τι είναι οι αλγόριθμοι AI;

Οι αλγόριθμοι τεχνητής νοημοσύνης χρησιμοποιούνται στην καθημερινή τεχνολογία - Αναζήτηση Google, Siri, συστάσεις Netflix - αλλά χρησιμοποιούνται επίσης στην ανίχνευση απάτης, στα αυτοκινούμενα αυτοκίνητα και στην ιατρική διάγνωση. 

Οι ρίζες της Τεχνητής Νοημοσύνης ανάγονται στη δεκαετία του 1940, όταν ο Άλαν Τούρινγκ έθεσε μια ερώτηση, "Μπορούν οι μηχανές να σκέφτονται;" 

Σκέφτηκε τη μηχανή Τούρινγκ τη δεκαετία του 1950, η οποία αργότερα δοκιμάστηκε με Δοκιμή Turing. Έδειξε πώς οι μηχανές μπορούσαν να ακολουθούν λογικά βήματα για την επίλυση προβλημάτων. 

Τη δεκαετία του 1950 και του 60, ορισμένα προγράμματα (Logic Theorist) μπορούσαν να αποδείξουν μαθηματικά θεωρήματα. 

Υπήρχε όμως ένα πρόβλημα - δεν μπορούσαν να μάθουν. Κάθε κανόνας έπρεπε να προγραμματιστεί χειροκίνητα.

Στον πυρήνα της, η τεχνητή νοημοσύνη είναι μόνο ένα σύνολο οδηγιών-ένας αλγόριθμος- που βοηθά τις μηχανές να λαμβάνουν αποφάσεις.

Ορισμένες είναι απλές, όπως το φιλτράρισμα των ανεπιθύμητων μηνυμάτων ηλεκτρονικού ταχυδρομείου. Άλλα είναι πιο σύνθετα, όπως η πρόβλεψη κινδύνων ασθενειών με βάση ιατρικά αρχεία.

Αλλά ας το ξεκαθαρίσουμε - η τεχνητή νοημοσύνη δεν σκέφτεται μόνη της. Εξαρτάται από ανθρώπινος προγραμματισμός και συνεπής μάθηση να γίνει καλύτερη σε αυτό που κάνει.

Ας το κατανοήσουμε αυτό με ένα παράδειγμα, 

Η τεχνητή νοημοσύνη βοηθά σε μεγαλύτερες αποφάσεις. Πάρτε μια τράπεζα που εγκρίνει ένα δάνειο. Μπορεί να χρησιμοποιήσει ένα Δέντρο αποφάσεων (ένα απλό μοντέλο τεχνητής νοημοσύνης που λειτουργεί σαν διάγραμμα ροής):

• Έχει ο αιτών σταθερό εισόδημα; Όχι → Απορρίψτε το δάνειο. Ναι → Ελέγξτε το πιστωτικό σκορ. 
• Καλό πιστωτικό σκορ; Όχι → Επανεξετάστε. Ναι → Ελέγξτε τα υφιστάμενα δάνεια.
• Πάρα πολλά δάνεια; Υψηλός κίνδυνος. Λίγα δάνεια; Χαμηλότερος κίνδυνος. 

Στο τέλος της διαδικασίας, η τεχνητή νοημοσύνη είτε εγκρίνει είτε απορρίπτει το δάνειο βάσει δομημένης λογικής.

Τώρα έρχεται το επόμενο μέρος... 

Πώς οι αλγόριθμοι τεχνητής νοημοσύνης επιτρέπουν τη μηχανική μάθηση και την αυτοματοποίηση

Σκεφτείτε το ως εξής. 

Φανταστείτε να διδάσκετε σε ένα παιδί πώς να αναγνωρίζει τα σκυλιά.

Ένας δάσκαλος θα τους έδειχνε εικόνες, θα τους υποδείκνυε τα βασικά χαρακτηριστικά και με την πάροδο του χρόνου θα γίνονταν καλύτεροι στο να εντοπίζουν ένα τέτοιο ζώο στην πραγματική ζωή. 

Οι αλγόριθμοι τεχνητής νοημοσύνης μαθαίνουν με τον ίδιο τρόπο - εκμάθηση από τεράστιες ποσότητες δεδομένων για την πραγματοποίηση προβλέψεων και την αυτοματοποίηση εργασιών.

1 - Πρόβλεψη

Ένας αλγόριθμος παλινδρόμησης μελετά πληροφορίες του παρελθόντος για να κάνει αυτοματοποιημένες προβλέψεις σε πραγματικό χρόνο. 

Για παράδειγμα, Το Netflix σας προτείνει εκπομπές βάσει πρόβλεψης. Αν σας άρεσε Stranger Things, θα μπορούσε να υποδηλώνει Dark ή The Umbrella Academy επειδή άλλοι που τους άρεσε Stranger Things παρακολούθησαν και αυτά.

2 - Μηχανική Μάθηση

Αλλά η τεχνητή νοημοσύνη δεν αφορά μόνο τις προβλέψεις - προσαρμόζεται. 

Η μηχανική μάθηση επιτρέπει στους υπολογιστές να μαθαίνουν και να βελτιώνονται από την εμπειρία τους χωρίς να προγραμματίζονται ρητά. 

Για παράδειγμα, Κι αν σας άρεσε το Stranger Things μόνο για τα sci-fi στοιχεία του, αλλά μισούσατε τον τρόμο; Τι θα γινόταν αν προτιμούσατε τις σύντομες, γρήγορες σειρές από τα αργόσυρτα δράματα; Ο αλγόριθμος του Netflix θα αναλύσει τις δραστηριότητες σας σε βαθύ επίπεδο και θα προσαρμόσει τις συστάσεις. 

3 - Αυτοματισμός

Στη συνέχεια, υπάρχει η αυτοματοποίηση. 

Η αυτοματοποίηση είναι η διαδικασία χρήσης της τεχνολογίας για την εκτέλεση εργασιών με ελάχιστη ανθρώπινη παρέμβαση. 

Για παράδειγμα, Τα αυτοκινούμενα αυτοκίνητα κάνουν κάτι παρόμοιο, χρησιμοποιώντας την όραση υπολογιστή για να "βλέπουν" το δρόμο, να αναγνωρίζουν τα σήματα στάσης και να μαθαίνουν από κάθε χιλιόμετρο που διανύουν. 

Όσο περισσότερα δεδομένα επεξεργάζονται τόσο πιο έξυπνα γίνονται.

Πώς λειτουργούν οι αλγόριθμοι τεχνητής νοημοσύνης (βήμα προς βήμα)

Ακριβώς όπως ένας άνθρωπος που μαθαίνει μια νέα δεξιότητα, έτσι και η τεχνητή νοημοσύνη μαθαίνει τα πράγματα βήμα προς βήμα.

Ας το αναλύσουμε χρησιμοποιώντας τη λειτουργία αναγνώρισης εικόνας στη μηχανή αναζήτησης της Google.

Βήμα # 1 - Συλλογή δεδομένων

Όλα ξεκινούν με δεδομένα. Η τεχνητή νοημοσύνη χρειάζεται εκατοντάδες χιλιάδες παραδείγματα για να μάθει. Στην αναγνώριση εικόνων, αυτά περιλαμβάνουν:

• Εκατομμύρια εικόνες με ετικέτες (π.χ. εικόνες γατών με ετικέτα "γάτα", εικόνες σκύλων με ετικέτα "σκύλος").

• Διαφοροποίηση του φωτισμού, των γωνιών και της ποιότητας.

• Διαφορετικά μεγέθη, χρώματα και σχήματα του ίδιου αντικειμένου. 

• Περιπτώσεις άκρων (θολές εικόνες, αντικείμενα μερικώς κρυμμένα, χαμηλή αντίθεση).

Βήμα # 2 - Προεπεξεργασία

Οι ακατέργαστες εικόνες περιέχουν πολλές περιττές πληροφορίες, όπως θολές ή χαμηλής ποιότητας εικόνες, άσχετα αντικείμενα, ακατάστατες εικόνες κ.λπ.

Πριν από την εκπαίδευση της τεχνητής νοημοσύνης, τα δεδομένα πρέπει να καθαριστούν και να τυποποιηθούν. Αυτό περιλαμβάνει: 

• Αλλαγή μεγέθους εικόνων σε ομοιόμορφο μέγεθος, ώστε να μπορούν να υποβληθούν σε συνεπή επεξεργασία.

• Κλίμακα του γκρι ή κανονικοποίηση χρώματος για να διασφαλιστεί ότι η φωτεινότητα και η αντίθεση δεν παραπλανούν την ΤΝ. 

• Αφαίρεση θορύβου, όπως περιττά στοιχεία φόντου που δεν συμβάλλουν στην αναγνώριση αντικειμένων.

Βήμα # 3 - Εκπαίδευση

Η τεχνητή νοημοσύνη δεν "βλέπε" εικόνες με τον τρόπο που το κάνουν οι άνθρωποι. Τις βλέπει ως αριθμούς - χιλιάδες εικονοστοιχεία, το καθένα με μια τιμή που αντιπροσωπεύει τη φωτεινότητα και το χρώμα. 

Για να το κατανοήσει αυτό, η Τεχνητή Νοημοσύνη χρησιμοποιεί ένα Συνελικτικό Νευρωνικό Δίκτυο (CNN), έναν ειδικό τύπο μοντέλου βαθιάς μάθησης που έχει κατασκευαστεί για την αναγνώριση εικόνων.

Ακολουθεί ο τρόπος με τον οποίο τα CNN αναλύουν μια εικόνα:

• Επίπεδα συνέλιξης: Η τεχνητή νοημοσύνη σαρώνει την εικόνα τμηματικά, ανιχνεύοντας πρώτα απλά σχήματα (γραμμές, καμπύλες) και αργότερα αναγνωρίζοντας σύνθετα χαρακτηριστικά (μάτια, αυτιά, μουστάκια).
  
• Στρώματα συγκέντρωσης: Αυτά συρρικνώνουν την εικόνα, διατηρώντας τις βασικές λεπτομέρειες και απορρίπτοντας τα περιττά εικονοστοιχεία.
  
• Πλήρως συνδεδεμένα στρώματα: Η τεχνητή νοημοσύνη συνδέει τα χαρακτηριστικά που εντοπίζει για να κάνει μια τελική πρόβλεψη - αν δει μυτερά αυτιά και μουστάκια, αναγνωρίζει μια γάτα.

Η διαδικασία αυτή περιλαμβάνει εποχές. 

Φανταστείτε ότι μαθαίνετε να αναγνωρίζετε διαφορετικά είδη πουλιών. Την πρώτη φορά που θα δείτε ένα σπουργίτι και ένα περιστέρι, μπορεί να τα μπερδέψετε. 

Αλλά αφού κοιτάξετε φωτογραφίες, μελετήσετε τα χαρακτηριστικά τους και λάβετε ανατροφοδότηση, βελτιώνεστε.

Η τεχνητή νοημοσύνη μαθαίνει με τον ίδιο τρόπο. 

Μια εποχή είναι ένας πλήρης κύκλος όπου η ΤΝ εξετάζει όλα τα δεδομένα εκπαίδευσης, κάνει προβλέψεις, ελέγχει για λάθη και προσαρμόζεται. 

Το κάνει αυτό ξανά και ξανά - όπως ακριβώς εξασκείστε πολλές φορές για να γίνετε καλύτεροι σε μια δεξιότητα.

Βήμα # 4 - Δοκιμές

Πριν η τεχνητή νοημοσύνη είναι έτοιμη για χρήση στον πραγματικό κόσμο, πρέπει να δοκιμαστεί. Αυτό περιλαμβάνει:

• Τροφοδοτώντας το με εικόνες που δεν έχει ξαναδεί.
  
• Μετρώντας την ακρίβειά του - χαρακτηρίζει σωστά μια γάτα ως γάτα;
  
• Έλεγχος για υπερπροσαρμογή, όπου η ΤΝ απομνημονεύει δεδομένα εκπαίδευσης αλλά δυσκολεύεται με νέες εικόνες.
  

Αν η τεχνητή νοημοσύνη αποτυγχάνει πολύ συχνά, επιστρέφει για περισσότερη εκπαίδευση μέχρι να μπορεί να αναγνωρίζει αξιόπιστα εικόνες που δεν έχει ξανασυναντήσει.

Βήμα # 5 - Ανάπτυξη

Αφού εκπαιδευτεί και δοκιμαστεί, το μοντέλο τεχνητής νοημοσύνης αναπτύσσεται. Όταν θα το τροφοδοτήσουμε με μια εικόνα. Θα: 

1. Διαχωρίστε το σε τιμές εικονοστοιχείων
2. Τρέξτε το μέσα από όλα τα στρώματα που μάθατε
3. Δημιουργήστε ένα σκορ πιθανότητας για κάθε πιθανή ετικέτα
4. Επιλέξτε την πιο πιθανή ταξινόμηση

Ένα τυπικό αποτέλεσμα μπορεί να μοιάζει με:

• Cat: 99.7% πιθανότητα
• Σκύλος: 0.2% πιθανότητα
• Άλλα: 0.1% πιθανότητα

Τύποι αλγορίθμων AI & πώς χρησιμοποιούνται

Ακριβώς όπως οι άνθρωποι έχουν διαφορετικούς τρόπους μάθησης - κάποιοι διαβάζοντας, κάποιοι κάνοντας - έτσι και η τεχνητή νοημοσύνη έχει διαφορετικούς τύπους αλγορίθμων, καθένας από τους οποίους είναι κατάλληλος για συγκεκριμένες εργασίες.

1 - Μάθηση με επίβλεψη

Φανταστείτε ένα παιδί που μαθαίνει πώς να αναγνωρίζει τα μήλα και τα πορτοκάλια. Ο δάσκαλος ονομάζει τις εικόνες ως εξής:

"Αυτό είναι ένα μήλο."

"Αυτό είναι πορτοκάλι."

Με την πάροδο του χρόνου, μαθαίνουν να ξεχωρίζουν τη διαφορά. Αυτή είναι η μάθηση με επίβλεψη - η τεχνητή νοημοσύνη εκπαιδεύεται σε δεδομένα με ετικέτες και μαθαίνει να κάνει προβλέψεις.

Για παράδειγμα,

Ο αλγόριθμος AI του φίλτρα spam σαρώνει χιλιάδες μηνύματα ηλεκτρονικού ταχυδρομείου με την ένδειξη "spam" ή "όχι spam" και μαθαίνει πρότυπα. 

• Περιέχει το email συγκεκριμένες λέξεις-κλειδιά; 
• Είναι από ύποπτο αποστολέα; 

Με την πάροδο του χρόνου, γίνεται όλο και καλύτερο στο να πιάνει τα ανεπιθύμητα μηνύματα πριν φτάσουν στα εισερχόμενά σας.

Η επιβλεπόμενη μάθηση αναλαμβάνει μοντέλα παλινδρόμησης, τα οποία προβλέπουν πράγματα όπως οι τιμές των κατοικιών, και μοντέλα ταξινόμησης, τα οποία αποφασίζουν αν ένα μήνυμα ηλεκτρονικού ταχυδρομείου ανήκει στα ανεπιθύμητα μηνύματα ή στα κύρια εισερχόμενά σας.

2 - Μάθηση χωρίς επίβλεψη

Τώρα φανταστείτε ότι δίνετε στο ίδιο παιδί ένα καλάθι με φρούτα, αλλά δεν του λέτε ποια είναι μήλα και ποια πορτοκάλια. 

Αντίθετα, τα ομαδοποιούν με βάση τις ομοιότητες - χρώμα, σχήμα, υφή.

Αυτή είναι η μάθηση χωρίς επίβλεψη - η τεχνητή νοημοσύνη βρίσκει μοτίβα σε δεδομένα χωρίς ετικέτες.

Για παράδειγμα,

Οι τράπεζες δεν γνωρίζουν πάντα αμέσως αν μια συναλλαγή είναι δόλια, αλλά Η τεχνητή νοημοσύνη μπορεί να βοηθήσει στην πρόληψη της απάτης.

Σαρώνει εκατομμύρια αγορές, μαθαίνοντας τι είναι "φυσιολογικό" για κάθε πελάτη και τι όχι.

Ας πούμε ότι αγοράζετε τρόφιμα και βενζίνη κάθε εβδομάδα. Στη συνέχεια, ξαφνικά, θέλετε να αγοράσετε ένα πολυτελές αυτοκίνητο αξίας $5.000 σε μια άλλη χώρα. 

Η Τεχνητή Νοημοσύνη θα το επισημάνει ως ύποπτο και μπορεί να παγώσει την κάρτα σας ή να σας στείλει ένα γρήγορο "Εσείς ήσασταν;" μήνυμα.

3 - Ενισχυτική μάθηση

Τώρα ας πούμε ότι δίνετε στο παιδί μια πρόκληση - κάθε φορά που διαλέγει σωστά ένα μήλο, παίρνει μια καραμέλα. Αν διαλέξει λάθος φρούτο, χάνει ένα. 

Με την πάροδο του χρόνου, μαθαίνουν τον καλύτερο τρόπο για να πάρουν τα περισσότερα γλυκά.  Αυτό είναι ενισχυτική μάθηση. 

Η τεχνητή νοημοσύνη κάνει το ίδιο πράγμα - δοκιμάζει διάφορες ενέργειες, μαθαίνει από τα λάθη και προσαρμόζεται με βάση τις ανταμοιβές και τις ποινές.

Για παράδειγμα,

Αυτοκινούμενα αυτοκίνητα δεν ξεκινούν γνωρίζοντας πώς να οδηγούν. 

Αλλά μετά την ανάλυση εκατομμυρίων χιλιομέτρων οδικών δεδομένων, γίνονται καλύτερα στο φρενάρισμα, στη συγχώνευση με την κυκλοφορία και στην αποφυγή εμποδίων. 

Κάθε λάθος είναι ένα μάθημα. Κάθε επιτυχία τους κάνει πιο έξυπνους.

4 - Νευρωνικά Δίκτυα & Βαθιά Μάθηση

Ορισμένα προβλήματα είναι πολύ περίπλοκα για απλούς κανόνες. Εδώ έρχονται τα νευρωνικά δίκτυα. 

Έχουν σχεδιαστεί για να λειτουργούν όπως ο ανθρώπινος εγκέφαλος, αναγνωρίζοντας μοτίβα και λαμβάνοντας αποφάσεις χωρίς να χρειάζονται κάθε μικρή εντολή.

Για παράδειγμα,

A παραδοσιακός υπολογιστής μπορεί να δυσκολεύονται με διαφορετικές γωνίες, φωτισμό ή εκφράσεις. 

Αλλά ένα μοντέλο βαθιάς μάθησης (ένα νευρωνικό δίκτυο με πολλαπλά επίπεδα) μπορεί να μάθει να αναγνωρίζει πρόσωπα, ανεξάρτητα από τις συνθήκες.

Ακριβώς όπως οι άνθρωποι έχουν διαφορετικούς τρόπους μάθησης - κάποιοι διαβάζοντας, κάποιοι κάνοντας - έτσι και η τεχνητή νοημοσύνη έχει διαφορετικούς τύπους αλγορίθμων, καθένας από τους οποίους είναι κατάλληλος για συγκεκριμένες εργασίες.

Αλγόριθμοι τεχνητής νοημοσύνης σε πραγματικές εφαρμογές

Πώς ο ανιχνευτής εικόνων AI χρησιμοποιεί αλγορίθμους για να εντοπίζει εικόνες που δημιουργήθηκαν από AI

Οι εικόνες που δημιουργούνται με τεχνητή νοημοσύνη είναι πλέον τόσο ρεαλιστικές που οι άνθρωποι δύσκολα μπορούν να τις ξεχωρίσουν από τις πραγματικές φωτογραφίες. 

Όμως οι ανιχνευτές εικόνων τεχνητής νοημοσύνης έχουν εκπαιδευτεί να βλέπουν πέρα από την επιφάνεια.

Τεχνική # 1 - Ανίχνευση ανωμαλιών

Η διαδικασία ξεκινά με την ανίχνευση ανωμαλιών, η οποία αναζητά οτιδήποτε δεν ανήκει.

Εάν μια εικόνα έχει αφύσικες υφές, ασυνεπή φωτισμό ή θολές άκρες. Ανιχνευτής εικόνας AI σηκώνει κόκκινη σημαία.

Τεχνική # 2 - Γενετικά αντιθετικά δίκτυα

Ένας τρόπος ανίχνευσης εικόνων που δημιουργούνται με τεχνητή νοημοσύνη είναι η εξέταση των κρυφών μοτίβων που αφήνει η τεχνολογία που τις δημιουργεί.

Αυτά τα μοτίβα προέρχονται από τα Generative Adversarial Networks (GANs), τα οποία τροφοδοτούν τις περισσότερες εικόνες τεχνητής νοημοσύνης.

Όπως κάθε καλλιτέχνης έχει ένα μοναδικό στυλ, έτσι και οι GAN δημιουργούν μοτίβα που δεν υπάρχουν στις φωτογραφίες του πραγματικού κόσμου.

Ανιχνευτής εικόνας AI έχει εκπαιδευτεί να αναγνωρίζει αυτά τα μοτίβα, γεγονός που βοηθά να διαπιστωθεί αν μια εικόνα δημιουργήθηκε από τεχνητή νοημοσύνη.

Τεχνική # 3 - Μεταδεδομένα

Πέρα από την απλή εξέταση των εικονοστοιχείων, μια Ανιχνευτής εικόνας AI εξετάζει επίσης τα μεταδεδομένα, τα οποία λειτουργούν σαν το ψηφιακό δακτυλικό αποτύπωμα μιας εικόνας.

Τα δεδομένα αυτά περιλαμβάνουν λεπτομέρειες όπως πότε και πού τραβήχτηκε μια φωτογραφία και ποια συσκευή την τράβηξε. 

Αν μια εικόνα ισχυρίζεται ότι είναι από το 2010, αλλά στην πραγματικότητα δημιουργήθηκε από ένα εργαλείο τεχνητής νοημοσύνης την περασμένη εβδομάδα, Ανιχνευτής εικόνας AI θα το επισημάνει ως ύποπτο. 

Μεροληψία στους αλγορίθμους τεχνητής νοημοσύνης & πώς να τη μειώσετε

Η τεχνητή νοημοσύνη υποτίθεται ότι είναι δίκαιη, αλλά μερικές φορές δεν είναι. Η μεροληψία της ΤΝ μπορεί να συμβεί με δύο τρόπους:

• Μεροληψία δεδομένων - Αυτό συμβαίνει όταν ορισμένες ομάδες υποεκπροσωπούνται στα δεδομένα εκπαίδευσης.
  
• Μεροληψία μοντέλου - Αυτό συμβαίνει όταν η τεχνητή νοημοσύνη κάνει περισσότερα λάθη για μια ομάδα από ό,τι για μια άλλη, ενισχύοντας τα άδικα αποτελέσματα.
  

Το μεροληπτικό εργαλείο πρόσληψης της Amazon

Το 2014, Η Amazon αναγκάστηκε να απορρίψει ένα εργαλείο πρόσληψης τεχνητής νοημοσύνης επειδή ήταν προκατειλημμένη σε βάρος των γυναικών. 

Το σύστημα έμαθε από τα δεδομένα προσλήψεων του παρελθόντος, όπου περισσότεροι άνδρες είχαν προσληφθεί για ρόλους τεχνολογίας, οπότε άρχισε να ευνοεί τους άνδρες υποψηφίους και να τιμωρεί τα βιογραφικά που περιείχαν λέξεις όπως "γυναικεία" (όπως στη "γυναικεία σκακιστική λέσχη"). 

Η τεχνητή νοημοσύνη δεν προσπαθούσε να είναι άδικη, αλλά έμαθε από προκατειλημμένα δεδομένα και μετέφερε αυτή την προκατάληψη προς τα εμπρός.

Προβλήματα απορρήτου στη συλλογή δεδομένων τεχνητής νοημοσύνης

Κάθε φορά που χρησιμοποιείτε μια εφαρμογή, περιηγείστε στον ιστό ή κάνετε μια αγορά, συλλέγονται δεδομένα. 

Κάποια από αυτά είναι προφανή - όπως το όνομα, το email σας ή τα στοιχεία πληρωμής. 

Υπάρχουν όμως κρυφά δεδομένα όπως η τοποθεσία GPS, το ιστορικό αγορών, η συμπεριφορά πληκτρολόγησης και οι συνήθειες περιήγησης. 

Οι εταιρείες χρησιμοποιούν αυτές τις πληροφορίες για να εξατομικεύουν εμπειρίες, να προτείνουν προϊόντα και να βελτιώνουν τις υπηρεσίες. 

Με τόσα πολλά δεδομένα να κυκλοφορούν, οι κίνδυνοι είναι αναπόφευκτοι: 

• Παραβιάσεις δεδομένων - Οι χάκερ μπορούν να κλέψουν πληροφορίες χρηστών.

• Επαναπροσδιορισμός ταυτότητας - Ακόμη και ανώνυμα δεδομένα μπορούν να συνδεθούν με άτομα. 

• Μη εξουσιοδοτημένη χρήση - Οι εταιρείες ενδέχεται να κάνουν κατάχρηση των δεδομένων με σκοπό το κέρδος ή την επιρροή.
  

Ακόμη και όταν οι εταιρείες ισχυρίζονται ότι ανωνυμοποιούν τα δεδομένα, μελέτες έχουν δείξει ότι τα πρότυπα μπορούν να αποκαλύψουν την ταυτότητα των χρηστών με αρκετές πληροφορίες. 

Για την προστασία του απορρήτου των χρηστών, οι εταιρείες χρησιμοποιούν:

• Ανωνυμοποίηση - Αφαιρεί τα προσωπικά στοιχεία από σύνολα δεδομένων.

• Ομοσπονδιακή μάθηση - Τα μοντέλα τεχνητής νοημοσύνης εκπαιδεύονται στη συσκευή σας χωρίς να στέλνουν ακατέργαστα δεδομένα σε κεντρικό διακομιστή. (π.χ., Gboard της Google).

• Διαφορικό απόρρητο - Προσθέτει τυχαίο θόρυβο στα δεδομένα πριν από τη συλλογή για να αποτρέψει τον εντοπισμό (π.χ. το σύστημα iOS της Apple).

Μπορούν οι αλγόριθμοι τεχνητής νοημοσύνης να είναι εντελώς ουδέτεροι;

Η τεχνητή νοημοσύνη δεν δημιουργείται στο κενό. 

Κατασκευάζεται από ανθρώπους, εκπαιδεύεται σε ανθρώπινα δεδομένα και χρησιμοποιείται στην ανθρώπινη κοινωνία. Επομένως, μπορεί ποτέ να είναι πραγματικά ουδέτερη;

Σύντομη απάντηση: Σύντομη απάντηση: Όχι. Τουλάχιστον, όχι ακόμα.

Η τεχνητή νοημοσύνη μαθαίνει από δεδομένα του πραγματικού κόσμου, και τα δεδομένα αυτά συνοδεύονται από όλες τις προκαταλήψεις, τις υποθέσεις και τις ατέλειες των ανθρώπων που τα δημιούργησαν. 

Πάρτε το εργαλείο υποτροπής COMPAS, για παράδειγμα. 

Σχεδιάστηκε για να προβλέψει ποιοι εγκληματίες ήταν πιο πιθανό να υποτροπιάσουν. 

Ακούγεται απλό, σωστά; 

Μελέτες όμως έδειξαν ότι ο αλγόριθμος χαρακτήριζε δυσανάλογα τους μαύρους κατηγορούμενους ως υψηλού κινδύνου σε σύγκριση με τους λευκούς κατηγορούμενους. 

Δεν είναι προκατειλημμένη επειδή κάποιος την προγραμμάτισε έτσι, αλλά επειδή κληρονόμησε πρότυπα από ένα ελαττωματικό σύστημα ποινικής δικαιοσύνης.

Μπορεί λοιπόν η τεχνητή νοημοσύνη να γίνει ποτέ δίκαιη; 

Ορισμένοι ειδικοί το πιστεύουν. 

Οι ερευνητές έχουν αναπτύξει περιορισμούς δικαιοσύνης - μαθηματικές τεχνικές που έχουν σχεδιαστεί για να αναγκάζουν τα μοντέλα τεχνητής νοημοσύνης να αντιμετωπίζουν τις διαφορετικές ομάδες πιο ισότιμα. 

Οι έλεγχοι μεροληψίας και τα ποικίλα σύνολα δεδομένων κατάρτισης συμβάλλουν επίσης στη μείωση των στρεβλών αποτελεσμάτων.

Αλλά ακόμη και με όλες αυτές τις διασφαλίσεις, η πραγματική ουδετερότητα είναι δύσκολη. 

Και ακόμα και αν μπορούσαμε να κάνουμε την Τεχνητή Νοημοσύνη εντελώς "ουδέτερη," θα έπρεπε;

Η τεχνητή νοημοσύνη δεν λαμβάνει αποφάσεις σε μια φούσκα. Επηρεάζει πραγματικούς ανθρώπους με πραγματικούς τρόπους. 

Η πραγματικότητα είναι ότι η τεχνητή νοημοσύνη αντανακλά τον κόσμο με τον οποίο την τροφοδοτούμε. 

Αν θέλουμε αμερόληπτη τεχνητή νοημοσύνη, πρέπει πρώτα να αντιμετωπίσουμε τις προκαταλήψεις στα συστήματά μας. 

Διαφορετικά, απλά διδάσκουμε στις μηχανές να αντικατοπτρίζουν τα λάθη μας - μόνο πιο γρήγορα και σε κλίμακα.

Συχνές ερωτήσεις σχετικά με τους αλγορίθμους AI

Βελτιώστε την εμπειρία σας δοκιμάζοντας τον ανιχνευτή AI Detector και τον Humanizer στο widget παρακάτω!

Τελικές σκέψεις: Το μέλλον των αλγορίθμων τεχνητής νοημοσύνης: Το μέλλον των αλγορίθμων τεχνητής νοημοσύνης

Τι σημαίνουν λοιπόν όλα αυτά για εμάς;

Η τεχνητή νοημοσύνη επηρεάζει τις αποφάσεις μας σε καθημερινή βάση. Αποφασίζει τι βλέπουμε, τι αγοράζουμε, ακόμα και πόσο ασφαλής είναι ο τραπεζικός μας λογαριασμός.

Αλλά εδώ είναι το ερώτημα...

Αν η τεχνητή νοημοσύνη μαθαίνει από εμάς, τι της διδάσκουμε εμείς;

Βεβαιωνόμαστε ότι είναι δίκαιη, αμερόληπτη και χρήσιμη; Ή το αφήνουμε να κάνει τα ίδια λάθη που κάνουν οι άνθρωποι;

Και αν η τεχνητή νοημοσύνη γίνεται όλο και πιο έξυπνη, τι θα συμβεί στη συνέχεια; Θα είναι πάντα ένα εργαλείο που θα ελέγχουμε ή θα μπορούσε μια μέρα να αρχίσει να κάνει επιλογές που δεν κατανοούμε πλήρως;

Ίσως το μεγαλύτερο ερώτημα δεν είναι τι μπορεί να κάνει η Τεχνητή Νοημοσύνη, αλλά τι πρέπει να την αφήσουμε να κάνει.

Τι πιστεύετε;