Az Ön telefonja tudja, hogy mit akarsz beírni, mielőtt megtennéd. Netflix nem tudja, mit fogsz legközelebb enni. Banks Tudja, hogy vissza fogja-e fizetni a kölcsönt. Spotify ismeri azokat a dalokat, amelyeket ismételten lejátszol.
De hogyan? Ki figyel titokban mindannyiunkat?
Látnok galambok? Gondolatolvasó emberek titkos társasága? Vagy az anyukád - mert ő valahogy mindig tudja?
Nem. Ez a mesterséges intelligencia algoritmusai.
Ezek a rendszerek hátborzongatóan pontos jóslatok rengeteg adat elolvasásával és a minták elemzésével.
De mi is pontosan az a mesterséges intelligencia algoritmus? Hogyan működik?
Melyek a különböző típusai, és hogyan használják a valós alkalmazásokban? Mi minden, és még sok más a mai blogban.
Kezdjük az elején.
Mik azok a mesterséges intelligencia algoritmusok?
A mesterséges intelligencia algoritmusokat a mindennapokban használják technológia - Google Search, Siri, Netflix ajánlások - de használják őket a csalások felderítésében, az önvezető autókban és az orvosi diagnosztikában is.
A mesterséges intelligencia gyökerei az 1940-es évekre nyúlnak vissza, amikor Alan Turing feltett egy kérdést, "Tudnak a gépek gondolkodni?"
Ő találta ki a Turing-gépet az 1950-es években, amelyet később teszteltek a Turing-teszt. Megmutatta, hogy a gépek hogyan tudnak logikus lépéseket követni a problémák megoldásához.
Soha többé ne aggódj amiatt, hogy a mesterséges intelligencia felismeri a szövegeidet. Undetectable AI Segíthet:
- Tegye láthatóvá az AI-asszisztált írást ember-szerű.
- Bypass az összes főbb AI-érzékelő eszköz egyetlen kattintással.
- Használja a címet. AI biztonságosan és magabiztosan az iskolában és a munkahelyen.
Az 1950-es és 60-as években néhány program (Logic Theorist) képes volt matematikai tételek bizonyítására.
De volt egy probléma - nem tudtak tanulni. Minden egyes szabályt kézzel kellett beprogramozni.
A mesterséges intelligencia lényege csak egy sor utasítás-egy algoritmus, amely segít a gépeknek döntéseket hozni.
Néhány egyszerű, például a spam e-mailek szűrése. Mások összetettebbek, mint például a betegségek kockázatának előrejelzése az orvosi feljegyzések alapján.
De tisztázzuk: az AI nem gondolkodik magától. Ez attól függ. emberi programozás és következetes tanulás hogy jobb legyen abban, amit csinál.
Értsük ezt egy példa,
A mesterséges intelligencia segít a nagyobb döntésekben. Vegyünk egy bankot, amelyik jóváhagy egy hitelt. Használhat egy Döntési fa (egy egyszerű mesterséges intelligencia modell, amely úgy működik, mint egy folyamatábra):
- Van-e a kérelmezőnek stabil jövedelme? Nem → Elutasítja a kölcsönt. Igen → Ellenőrizze a hitelpontszámot.
- Jó a hitele? Nem → Újragondolni. Igen → Ellenőrizze a meglévő hiteleket.
- Túl sok kölcsön? Magas kockázat. Kevés hitel? Alacsonyabb kockázat.
A folyamat végén az AI strukturált logika alapján jóváhagyja vagy elutasítja a kölcsönt.
Most jön a következő rész...
Hogyan teszik lehetővé az AI algoritmusok a gépi tanulást és az automatizálást?
Gondoljon erre így.
Képzeljük el, hogy egy gyereket tanítunk arra, hogyan ismerje fel a kutyákat.
A tanár képeket mutatott nekik, rámutatott a legfontosabb jellemzőkre, és idővel egyre jobban meg tudták állapítani, hogy a valóságban is van-e ilyen.
Az AI algoritmusok ugyanúgy tanulnak - hatalmas adatmennyiségekből való tanulás, hogy előrejelzéseket készítsen és feladatokat automatizáljon.
1 - Előrejelzés
Egy regressziós algoritmus múltbeli információkat tanulmányoz, hogy valós idejű automatizált előrejelzéseket készítsen.
Például, A Netflix előrejelzés alapján ajánl Önnek műsorokat. Ha tetszett Stranger Things, azt sugallhatja. Dark vagy Az esernyőakadémia mert mások, akik szerették Stranger Things azokat is megnéztem.
2 - Gépi tanulás
Az AI azonban nem csak előrejelzésekről szól - alkalmazkodik.
A gépi tanulás lehetővé teszi a számítógépek számára, hogy tanuljanak és fejlődjenek a tapasztalatokból anélkül, hogy kifejezetten programoznák őket.
Például, Mi van akkor, ha a Stranger Things csak a sci-fi elemei miatt tetszett, de a horrort utáltad? Mi lenne, ha a rövid, gyors tempójú sorozatokat jobban kedvelnéd, mint a lassú drámákat? A Netflix algoritmusa elemzi a mélyszintű tevékenységeidet, és kiigazítja az ajánlásokat.
3 - Automatizálás
Aztán ott van az automatizálás.
Az automatizálás az a folyamat, amelynek során a technológia segítségével a feladatokat minimális emberi beavatkozással végzik el.
Például, Az önvezető autók valami hasonlót tesznek, számítógépes látás segítségével "látják" az utat, felismerik a stoptáblákat, és minden egyes megtett kilométerből tanulnak.
Minél több adatot dolgoznak fel, annál okosabbak lesznek.
Hogyan működnek az AI algoritmusok (lépésről lépésre)
Ahogyan egy ember is megtanul egy új készséget, a mesterséges intelligencia is lépésről lépésre tanulja meg a dolgokat.
Bontsuk le a Google keresőmotor képfelismerő funkciójának segítségével.
# 1. lépés - Adatgyűjtés
Minden az adatokkal kezdődik. A mesterséges intelligenciának több százezer példára van szüksége a tanuláshoz. A képfelismerésnél ez magában foglalja:
- Több millió felcímkézett kép (pl. "macska" feliratú macskaképek, "kutya" feliratú kutyaképek).
- Változó megvilágítás, szögek és minőség.
- Ugyanannak a tárgynak különböző méretei, színei és formái.
- Szélsőséges esetek (elmosódott képek, részben rejtett tárgyak, alacsony kontraszt).
# 2. lépés - Előfeldolgozás
A nyers képek sok felesleges információt tartalmaznak, például elmosódott vagy rossz minőségű képeket, nem kapcsolódó tárgyakat, rendezetlen képeket stb.
A mesterséges intelligencia képzése előtt az adatokat meg kell tisztítani és szabványosítani kell. Ez magában foglalja a következőket:
- A képek átméretezése egységes méretre, hogy azok következetesen feldolgozhatók legyenek.
- Szürkeárnyalat- vagy színnormalizálás, hogy a fényerő és a kontraszt ne vezesse félre az AI-t.
- A zaj, például a felesleges háttérelemek eltávolítása, amelyek nem járulnak hozzá az objektum azonosításához.
# 3. lépés - Képzés
Az AI nem "lásd" képeket, ahogyan az emberek teszik. Számoknak látja őket - pixelek ezreinek, amelyek mindegyike egy-egy fényerősséget és színt jelképező értékkel rendelkezik.
Ennek értelmezéséhez a mesterséges intelligencia egy konvolúciós neurális hálózatot (CNN) használ, amely a képfelismerésre épített mély tanulási modell egy speciális típusa.
A CNN-ek így bontanak le egy képet:
- Konvolúciós rétegek: A mesterséges intelligencia részenként vizsgálja a képet, először egyszerű formákat (vonalak, görbék), majd összetett vonásokat (szemek, fülek, bajusz) ismer fel.
- Összevonó rétegek: Ezek kicsinyítik a képet, megtartva a lényeges részleteket, miközben a felesleges pixeleket eltávolítják.
- Teljesen összekapcsolt rétegek: A mesterséges intelligencia összekapcsolja az észlelt jellemzőket, hogy végső előrejelzést készítsen - ha hegyes füleket és bajuszt lát, akkor macskát azonosít.
Ez a folyamat a következőket foglalja magában epochák.
Képzeld el, hogy megtanulod felismerni a különböző madárfajokat. Amikor először lát egy verebet és egy galambot, lehet, hogy összekeveri őket.
De miután megnézted a képeket, tanulmányoztad a tulajdonságaikat, és visszajelzést kaptál, fejlődsz.
A mesterséges intelligencia ugyanígy tanul.
Egy epocha egy teljes ciklus, amikor a mesterséges intelligencia megnézi az összes képzési adatot, előrejelzéseket készít, ellenőrzi a hibákat, és módosít.
Ezt újra és újra megteszi - pont úgy, mint ahogyan többször gyakorolsz, hogy jobbá válj egy készségben.
# 4. lépés - Tesztelés
Mielőtt a mesterséges intelligencia készen állna a valós használatra, tesztelni kell. Ez magában foglalja:
- Olyan képekkel etetve, amilyeneket még soha nem látott.
- A pontosság mérése - helyesen címkézi a macskát macskának?
- A túlillesztés ellenőrzése, amikor a mesterséges intelligencia megjegyzi a képzési adatokat, de az új képekkel nehezen boldogul.
Ha a mesterséges intelligencia túl gyakran hibázik, akkor addig megy vissza további képzésre, amíg megbízhatóan fel nem ismeri azokat a képeket, amelyekkel még soha nem találkozott.
# 5. lépés - Telepítés
Miután betanították és tesztelték, a mesterséges intelligencia modellt bevetik. Amikor megetetjük egy képpel. Ez..:
- Bontsa le pixelértékekre
- Futtassa végig az összes megtanult rétegen
- Valószínűségi pontszám generálása minden lehetséges címkéhez
- Válassza ki a legvalószínűbb besorolást
Egy tipikus eredmény így nézhet ki:
- Cat: 99.7% valószínűség
- Kutya: 0.2% valószínűség
- Más: 0.1% valószínűség
Az AI algoritmusok típusai és felhasználásuk módja
Ahogyan az emberek is különböző módon tanulnak - egyesek olvasással, mások gyakorlással -, az AI-nak is különböző típusú algoritmusai vannak, amelyek mindegyike meghatározott feladatokra alkalmas.
1 - Felügyelt tanulás
Képzeljük el, hogy egy gyerek megtanulja felismerni az almát és a narancsot. A tanár így címkézi fel a képeket:
"Ez egy alma."
"Ez egy narancs."
Idővel megtanulják megkülönböztetni őket. Ez a felügyelt tanulás - az AI-t címkézett adatokon képzik ki, és megtanul előrejelzéseket készíteni.
Például,
A mesterséges intelligencia algoritmusa spamszűrők "spam" vagy "nem spam" címkével ellátott e-mailek ezreit vizsgálja át, és mintákat tanul.
- Az e-mail tartalmaz bizonyos kulcsszavakat?
- Gyanús feladótól érkezett?
Idővel egyre jobban elkapja a spameket, mielőtt azok a bejövő postaládájába kerülnének.
A felügyelt tanulás olyan regressziós modelleket működtet, amelyek olyan dolgokat jósolnak meg, mint például az ingatlanárak, és olyan osztályozási modelleket, amelyek eldöntik, hogy egy e-mail a spam vagy a fő postaládába tartozik-e.
2 - Felügyelet nélküli tanulás
Most képzeld el, hogy ugyanannak a gyereknek adsz egy kosár gyümölcsöt, de nem mondod meg, hogy melyik alma vagy narancs.
Ehelyett a hasonlóságok alapján csoportosítják őket - szín, forma, textúra.
Ez a felügyelet nélküli tanulás - az AI címkék nélkül talál mintákat az adatokban.
Például,
A bankok nem mindig tudják azonnal, hogy egy tranzakció csalás-e, de A mesterséges intelligencia segíthet a csalás megelőzésében.
Vásárlások millióit vizsgálja át, és megtanulja, hogy mi a "normális" az egyes ügyfelek számára, és mi nem.
Tegyük fel, hogy minden héten élelmiszert és benzint vásárol. Aztán hirtelen egy $5000 dolláros luxusautót akar venni egy másik országban.
Az AI gyanúsnak fogja jelölni, és lehet, hogy befagyasztja a kártyáját, vagy küld egy gyors "Ez te voltál?" üzenet.
3 - Erősítéses tanulás
Most tegyük fel, hogy adsz a gyereknek egy kihívást - minden alkalommal, amikor helyesen szednek egy almát, kapnak egy cukorkát. Ha rossz gyümölcsöt választ, elveszít egyet.
Idővel megtanulják, hogyan lehet a legtöbb cukorkát megszerezni. Ez... megerősítő tanulás.
A mesterséges intelligencia ugyanezt teszi - különböző cselekvéseket tesztel, tanul a hibákból, és a jutalmak és büntetések alapján alkalmazkodik.
Például,
Önvezető autók nem úgy kezdik, hogy tudják, hogyan kell vezetni.
De miután több millió kilométernyi közúti adatot elemeztek, egyre jobbak lesznek a fékezésben, a forgalomba való beilleszkedésben és az akadályok kikerülésében.
Minden hiba egy lecke. Minden siker okosabbá teszi őket.
4 - Neurális hálózatok és mélytanulás
Egyes problémák túl bonyolultak az egyszerű szabályokhoz. Itt jönnek a képbe a neurális hálózatok.
Úgy tervezték őket, hogy úgy működjenek, mint az emberi agy, felismerjék a mintákat és döntéseket hozzanak anélkül, hogy minden apró utasítást ki kellene fejteniük.
Például,
A hagyományos számítógép különböző szögekkel, megvilágítással vagy arckifejezésekkel küszködhetnek.
Egy mély tanulási modell (több rétegből álló neurális hálózat) azonban képes megtanulni az arcok felismerését, függetlenül a körülményektől.
Ahogyan az emberek is különböző módon tanulnak - egyesek olvasással, mások gyakorlással -, az AI-nak is különböző típusú algoritmusai vannak, amelyek mindegyike meghatározott feladatokra alkalmas.
AI algoritmusok valós alkalmazásokban
Hogyan használja az AI Image Detector az algoritmusokat az AI által létrehozott képek kiszűrésére?
A mesterséges intelligencia által generált képek már annyira valósághűek, hogy az emberek alig tudják megkülönböztetni őket a valódi fényképektől.
A mesterséges intelligencia képérzékelőit azonban arra képezték ki, hogy a felszínen túlra lássanak.
Technika # 1 - Rendellenesség-érzékelés
A folyamat az anomália-felismeréssel kezdődik, amely minden olyan dolgot keres, ami nem oda tartozik.
Ha egy kép természetellenes textúrákat, következetlen megvilágítást vagy elmosódott éleket tartalmaz. AI képérzékelő piros zászlót emel.
Technika # 2 - Generatív adverzális hálózatok
A mesterséges intelligencia által generált képek felismerésének egyik módja az, hogy megnézzük az azokat létrehozó technológia által hátrahagyott rejtett mintákat.
Ezek a minták a generatív adverzális hálózatokból (GAN) származnak, amelyek a legtöbb mesterséges intelligenciával készült képet működtetik.
Ahogy minden művésznek egyedi stílusa van, a GAN-ok is olyan mintákat hoznak létre, amelyek a valós fotókon nincsenek jelen.
AI képérzékelő képzett ezen minták felismerésére, ami segít megállapítani, hogy a képet mesterséges intelligencia hozta-e létre.
Technika # 3 - Metaadatok
A pixelek puszta nézegetésén túl, egy AI képérzékelő megvizsgálja a metaadatokat is, amelyek a kép digitális ujjlenyomataként működnek.
Ezek az adatok olyan részleteket tartalmaznak, mint például, hogy mikor és hol készült a fénykép, és melyik eszközzel készült a felvétel.
Ha egy kép azt állítja, hogy 2010-ből származik, de valójában egy mesterséges intelligencia eszközzel készült a múlt héten, AI képérzékelő gyanúsnak fogja jelölni.
Elfogultság az AI algoritmusokban és hogyan csökkenthetjük azt
A mesterséges intelligenciának igazságosnak kellene lennie, de néha nem az. Az AI elfogultsága kétféleképpen történhet:
- Data Bias - Ez akkor fordul elő, ha bizonyos csoportok alulreprezentáltak a képzési adatokban.
- Model Bias - Ez akkor fordul elő, amikor a mesterséges intelligencia több hibát követ el az egyik csoport javára, mint a másikéra, és ezzel erősíti az igazságtalan eredményeket.
Az Amazon elfogult felvételi eszköze
2014-ben, Az Amazon kénytelen volt elvetni egy AI felvételi eszközt mert elfogult volt a nőkkel szemben.
A rendszer a korábbi felvételi adatokból tanulta meg, hogy több férfit alkalmaztak technológiai szerepekre, ezért elkezdte előnyben részesíteni a férfi jelölteket, és büntetni kezdte azokat az önéletrajzokat, amelyekben olyan szavak szerepeltek, mint a "női" (mint a "női sakk-klub").
A mesterséges intelligencia nem akart tisztességtelen lenni, de az elfogult adatokból tanult, és ezt az elfogultságot továbbvitte.
Adatvédelmi aggályok az AI adatgyűjtés során
Minden alkalommal, amikor Ön egy alkalmazást használ, az interneten böngészik vagy vásárol, adatokat gyűjtünk.
Ezek egy része nyilvánvaló - mint például a név, az e-mail cím vagy a fizetési adatok.
De vannak rejtett adatok is, mint például a GPS-hely, a vásárlási előzmények, a gépelési viselkedés és a böngészési szokások.
A vállalatok ezeket az információkat arra használják fel, hogy személyre szabják az élményeket, termékeket ajánljanak és javítsák a szolgáltatásokat.
Ha ennyi adat van forgalomban, a kockázatok elkerülhetetlenek:
- Adatvédelmi incidensek - A hackerek ellophatják a felhasználói adatokat.
- Újbóli azonosítás - Még az anonimizált adatok is visszavezethetők egyénekhez.
- Jogosulatlan használat - A vállalatok visszaélhetnek az adatokkal a nyereség vagy befolyásolás érdekében.
Még ha a vállalatok azt állítják is, hogy anonimizálják az adatokat, tanulmányok kimutatták, hogy a minták elegendő információ birtokában felfedhetik a felhasználók személyazonosságát.
A felhasználók adatainak védelme érdekében a vállalatok a következőket használják:
- Anonimizálás - Eltávolítja a személyes adatokat az adatkészletekből.
- Szövetségi tanulás - A mesterséges intelligenciamodellek az Ön eszközén képződnek anélkül, hogy nyers adatokat küldenének egy központi szerverre. (pl. Google Gboard).
- Differenciált adatvédelem - Az adatgyűjtés előtt véletlenszerű zajt ad az adatokhoz, hogy megakadályozza a nyomon követést (pl. az Apple iOS rendszere).
Lehetnek-e teljesen semlegesek az AI-algoritmusok?
A mesterséges intelligencia nem légüres térben jön létre.
Emberek építik, emberi adatokon képzik ki, és emberi társadalomban használják. Tehát lehet-e valaha is valóban semleges?
Rövid válasz: Nem. Legalábbis még nem.
A mesterséges intelligencia valós adatokból tanul, és ezek az adatok az őket létrehozó emberek összes elfogultságával, feltételezésével és tökéletlenségével együtt érkeznek.
Vegye ki a COMPAS visszaesésmérő eszközt, például.
Úgy tervezték, hogy megjósolja, mely bűnözők lesznek a legvalószínűbbek a bűnismétlésre.
Egyszerűnek hangzik, igaz?
Tanulmányok azonban kimutatták, hogy az algoritmus a fehér vádlottakhoz képest aránytalanul nagy kockázatúnak jelölte meg a fekete vádlottakat.
Nem azért elfogult, mert valaki beprogramozta, hanem azért, mert egy hibás büntető igazságszolgáltatási rendszerből örökölt mintákat.
Lehet-e valaha is igazságos a mesterséges intelligencia?
Egyes szakértők szerint igen.
A kutatók méltányossági korlátokat dolgoztak ki - olyan matematikai technikákat, amelyek arra kényszerítik a mesterséges intelligencia modelleket, hogy egyenlőbb bánásmódban részesítsék a különböző csoportokat.
Az elfogultsági ellenőrzések és a változatos képzési adathalmazok szintén segítenek a torz eredmények csökkentésében.
A valódi semlegesség azonban még e biztosítékok ellenére is trükkös.
És még ha sikerülne is a mesterséges intelligenciát teljesen "semleges," kellene?
A mesterséges intelligencia nem egy buborékban hoz döntéseket. Valódi emberekre van hatással, valódi módon.
A valóság az, hogy a mesterséges intelligencia azt a világot tükrözi, amelyet mi táplálunk bele.
Ha elfogulatlan mesterséges intelligenciát akarunk, először a rendszereinkben lévő elfogultságokkal kell megküzdenünk.
Máskülönben csak arra tanítjuk a gépeket, hogy tükrözzék a hibáinkat - csak gyorsabban és nagyobb léptékben.
GYIK az AI algoritmusokról
Mi a leggyakoribb AI algoritmus?
A neurális hálózatok - különösen a mélytanulás - állnak ma a legtöbb mesterséges intelligencia alkalmazás középpontjában.
Ezek az eszközök működtetik az olyan eszközöket, mint a ChatGPT, az arcfelismerő szoftverek és az ajánlórendszerek, amelyek azt javasolják, hogy mit nézzünk vagy vásároljunk meg legközelebb.
Az AI algoritmusok ugyanazok, mint a gépi tanulás?
Nem egészen. Az AI egy nagy ernyő, amely számos különböző technológiát takar, és a gépi tanulás ennek csak egy része.
A gépi tanulás kifejezetten olyan mesterséges intelligencia rendszerekre utal, amelyek az adatokból tanulnak mintákat, nem pedig szigorú, előre programozott szabályokat követnek.
De nem minden mesterséges intelligencia támaszkodik a gépi tanulásra - egyesek más módszereket, például szabályalapú rendszereket használnak.
Hogyan fejlődnek az AI-algoritmusok az idő múlásával?
A mesterséges intelligencia a tapasztalatok révén fejlődik, akárcsak az emberek.
Minél több adatot dolgoz fel egy algoritmus, annál jobban felismeri a mintákat és annál pontosabb előrejelzéseket készít.
A paraméterek finomhangolása, az olyan technikák alkalmazása, mint a megerősítő tanulás, és a képzési adatok folyamatos frissítése mind segít a teljesítmény finomításában.
Növelje élményét, ha kipróbálja az AI Detector és Humanizer programot az alábbi widgetben!
Végső gondolatok: A mesterséges intelligencia algoritmusok jövője
Mit jelent mindez számunkra?
A mesterséges intelligencia napi szinten befolyásolja döntéseinket. Ez dönti el, hogy mit nézünk, mit vásárolunk, és még azt is, hogy mennyire biztonságos a bankszámlánk.
De itt a kérdés...
Ha a mesterséges intelligencia tőlünk tanul, mit tanítunk neki?
Biztosítjuk, hogy ez tisztességes, elfogulatlan és hasznos legyen? Vagy hagyjuk, hogy ugyanazokat a hibákat kövesse el, mint az emberek?
És ha a mesterséges intelligencia egyre okosabb lesz, mi lesz a következő lépés? Mindig is egy általunk irányított eszköz lesz, vagy egy napon olyan döntéseket hozhat, amelyeket nem értünk teljesen?
Talán nem is az a legnagyobb kérdés, hogy mire képes a mesterséges intelligencia, hanem az, hogy mit engedjünk meg neki.
Mit gondolsz?