Algorytmy sztucznej inteligencji: Wszystko, co musisz wiedzieć

Telefon wie, co zamierzasz wpisać, zanim to zrobisz. Netflix nie wie, czym będziesz się objadać w następnej kolejności. Banki wiedzieć, czy spłacisz pożyczkę. Spotify zna utwory, które będziesz powtarzać.

Ale jak? Kto potajemnie obserwuje nas wszystkich?

Psychiczne gołębie? Tajne stowarzyszenie ludzi czytających w myślach? A może twoja mama - bo ona jakoś zawsze wie?

Nie. To algorytmy sztucznej inteligencji.

Systemy te sprawiają, że niesamowicie trafne przewidywania czytając tony danych i analizując wzorce.

Ale czym właściwie jest algorytm sztucznej inteligencji? Jak on działa?

Jakie są jej różne rodzaje i jak jest wykorzystywana w rzeczywistych zastosowaniach? O tym wszystkim i nie tylko piszemy w dzisiejszym blogu. 

Zacznijmy od początku.

Czym są algorytmy sztucznej inteligencji?

Algorytmy sztucznej inteligencji są wykorzystywane w codziennym technologia - Wyszukiwarka Google, Siri, rekomendacje Netflix - ale są one również wykorzystywane do wykrywania oszustw, autonomicznych samochodów i diagnostyki medycznej. 

Korzenie sztucznej inteligencji sięgają lat 40. ubiegłego wieku, kiedy Alan Turing zadał pytanie, "Czy maszyny potrafią myśleć?" 

W latach 50. opracował Maszynę Turinga, która została później przetestowana przy użyciu Test Turinga. Pokazał, jak maszyny mogą podążać za logicznymi krokami w celu rozwiązywania problemów. 

W latach 50. i 60. niektóre programy (Logic Theorist) mogły udowadniać twierdzenia matematyczne. 

Był jednak jeden problem - nie mogły się uczyć. Każda pojedyncza reguła musiała być ręcznie zaprogramowana.

U podstaw sztucznej inteligencji leży tylko zestaw instrukcji-algorytm, który pomaga maszynom podejmować decyzje.

Niektóre z nich są proste, jak filtrowanie spamu. Inne są bardziej złożone, jak przewidywanie ryzyka choroby na podstawie dokumentacji medycznej.

Ale postawmy sprawę jasno - SI nie myśli samodzielnie. Jest zależna od ludzkie programowanie i konsekwentne uczenie się by stać się lepszym w tym, co robi.

Zrozummy to na przykładzie przykład, 

Sztuczna inteligencja pomaga w podejmowaniu ważnych decyzji. Weźmy bank zatwierdzający pożyczkę. Może użyć Drzewo decyzyjne (prosty model sztucznej inteligencji, który działa jak schemat blokowy):

• Czy wnioskodawca ma stały dochód? Nie → Odmowa udzielenia pożyczki. Tak → Sprawdź zdolność kredytową. 
• Dobry wynik kredytowy? Nie → Rozważ ponownie. Tak → Sprawdź istniejące pożyczki.
• Zbyt wiele pożyczek? Wysokie ryzyko. Mało pożyczek? Niższe ryzyko. 

Pod koniec procesu sztuczna inteligencja zatwierdza lub odrzuca pożyczkę w oparciu o ustrukturyzowaną logikę.

Teraz nadchodzi kolejna część... 

Jak algorytmy sztucznej inteligencji umożliwiają uczenie maszynowe i automatyzację?

Pomyśl o tym w ten sposób. 

Wyobraź sobie, że uczysz dziecko, jak rozpoznawać psy.

Nauczyciel pokazywał im zdjęcia, wskazywał kluczowe cechy i z czasem stawali się coraz lepsi w dostrzeganiu ich w prawdziwym życiu. 

Algorytmy sztucznej inteligencji uczą się w ten sam sposób - uczenie się na podstawie ogromnych ilości danych w celu przewidywania i automatyzacji zadań.

1 - Przewidywanie

Algorytm regresji analizuje przeszłe informacje w celu automatycznego przewidywania w czasie rzeczywistym. 

Na przykład, Netflix poleca programy na podstawie przewidywań. Jeśli podobało Ci się Stranger Things, może sugerować Dark lub The Umbrella Academy ponieważ inni, którzy lubili Stranger Things też je oglądałem.

2 - Uczenie maszynowe

Ale sztuczna inteligencja to nie tylko przewidywanie - ona się dostosowuje. 

Uczenie maszynowe umożliwia komputerom uczenie się i doskonalenie na podstawie doświadczenia bez konieczności ich wyraźnego programowania. 

Na przykład, Co jeśli lubiłeś Stranger Things tylko za jego elementy sci-fi, ale nienawidziłeś horroru? A gdybyś wolał krótkie, szybkie seriale od powolnych dramatów? Algorytm Netflixa przeanalizuje twoje głębokie działania i dostosuje rekomendacje. 

3 - Automatyzacja

Do tego dochodzi automatyzacja. 

Automatyzacja to proces wykorzystywania technologii do wykonywania zadań przy minimalnej interwencji człowieka. 

Na przykład, Samojezdne samochody robią coś podobnego, wykorzystując wizję komputerową do "widzenia" drogi, rozpoznawania znaków stopu i uczenia się z każdego przejechanego kilometra. 

Im więcej danych przetwarzają, tym stają się mądrzejsi.

Jak działają algorytmy sztucznej inteligencji (krok po kroku)

Podobnie jak osoba ucząca się nowych umiejętności, sztuczna inteligencja również uczy się krok po kroku.

Przeanalizujmy to, korzystając z funkcji rozpoznawania obrazów w wyszukiwarce Google.

Krok # 1 - Gromadzenie danych

Wszystko zaczyna się od danych. Sztuczna inteligencja potrzebuje setek tysięcy przykładów do nauki. W przypadku rozpoznawania obrazów obejmuje to:

• Miliony oznaczonych obrazów (np. zdjęcia kotów oznaczone jako "kot", zdjęcia psów oznaczone jako "pies").

• Różnice w oświetleniu, kątach i jakości.

• Różne rozmiary, kolory i kształty tego samego obiektu. 

• Przypadki brzegowe (rozmyte obrazy, obiekty częściowo ukryte, niski kontrast).

Krok # 2 - Przetwarzanie wstępne

Surowe obrazy zawierają wiele niepotrzebnych informacji, takich jak nieostre lub niskiej jakości obrazy, niepowiązane obiekty, zaśmiecone obrazy itp.

Przed szkoleniem AI dane muszą zostać oczyszczone i znormalizowane. Obejmuje to: 

• Zmiana rozmiaru obrazów do jednolitego rozmiaru, aby mogły być przetwarzane w spójny sposób.

• Skala szarości lub normalizacja kolorów w celu zapewnienia, że jasność i kontrast nie wprowadzają sztucznej inteligencji w błąd. 

• Usuwanie szumów, takich jak niepotrzebne elementy tła, które nie przyczyniają się do identyfikacji obiektu.

Krok # 3 - Szkolenie

Sztuczna inteligencja nie "zobacz" obrazy w sposób, w jaki robią to ludzie. Widzi je jako liczby - tysiące pikseli, z których każdy ma wartość reprezentującą jasność i kolor. 

Aby to zrozumieć, sztuczna inteligencja wykorzystuje konwolucyjną sieć neuronową (CNN), specjalny rodzaj modelu głębokiego uczenia się stworzonego do rozpoznawania obrazów.

Oto jak CNN rozkłada obraz:

• Warstwy konwolucji: Sztuczna inteligencja skanuje obraz w częściach, najpierw wykrywając proste kształty (linie, krzywe), a następnie rozpoznając złożone cechy (oczy, uszy, wąsy).
  
• Warstwy łączące: Zmniejszają one obraz, zachowując istotne szczegóły i odrzucając niepotrzebne piksele.
  
• W pełni połączone warstwy: Sztuczna inteligencja łączy wykryte cechy, aby dokonać ostatecznej prognozy - jeśli widzi spiczaste uszy i wąsy, identyfikuje kota.

Proces ten obejmuje epoki. 

Wyobraź sobie, że uczysz się rozpoznawać różne gatunki ptaków. Gdy po raz pierwszy zobaczysz wróbla i gołębia, możesz je pomylić. 

Ale po obejrzeniu zdjęć, przeanalizowaniu ich cech i otrzymaniu informacji zwrotnej, poprawiasz się.

Sztuczna inteligencja uczy się w ten sam sposób. 

Epoka to jeden pełny cykl, w którym sztuczna inteligencja analizuje wszystkie dane treningowe, dokonuje prognoz, sprawdza błędy i dostosowuje się. 

Robi to w kółko - tak jak ćwiczysz wiele razy, aby poprawić swoją umiejętność.

Krok # 4 - Testowanie

Zanim sztuczna inteligencja będzie gotowa do rzeczywistego użytku, musi zostać przetestowana. Obejmuje to:

• Karmienie go obrazami, których nigdy wcześniej nie widział.
  
• Mierząc jego dokładność - czy poprawnie określa kota jako kota?
  
• Sprawdzanie nadmiernego dopasowania, w którym sztuczna inteligencja zapamiętuje dane treningowe, ale zmaga się z nowymi obrazami.
  

Jeśli sztuczna inteligencja zawodzi zbyt często, wraca do dalszego treningu, aż będzie w stanie niezawodnie identyfikować obrazy, których nigdy nie napotkała.

Krok # 5 - Wdrożenie

Po przeszkoleniu i przetestowaniu model AI jest wdrażany. Kiedy dostarczymy mu obraz. To będzie: 

1. Podział na wartości w pikselach
2. Przeprowadź go przez wszystkie wyuczone warstwy
3. Wygeneruj wynik prawdopodobieństwa dla każdej możliwej etykiety
4. Wybierz najbardziej prawdopodobną klasyfikację

Typowy wynik może wyglądać następująco:

• Kat: 99.7% prawdopodobieństwo
• Pies: prawdopodobieństwo 0,2%
• Inne: Prawdopodobieństwo 0,1%

Rodzaje algorytmów AI i sposób ich wykorzystania

Podobnie jak ludzie mają różne sposoby uczenia się - niektórzy przez czytanie, inni przez działanie - tak samo SI ma różne typy algorytmów, z których każdy nadaje się do określonych zadań.

1 - Uczenie nadzorowane

Wyobraź sobie, że dziecko uczy się rozpoznawać jabłka i pomarańcze. Nauczyciel oznaczył obrazki jako:

"To jest jabłko".

"To jest pomarańcza".

Z czasem uczą się odróżniać te dane. To nadzorowane uczenie się - sztuczna inteligencja jest szkolona na oznaczonych danych i uczy się przewidywać.

Na przykład,

Algorytm sztucznej inteligencji filtry antyspamowe skanuje tysiące wiadomości e-mail oznaczonych jako "spam" lub "nie spam" i uczy się wzorców. 

• Czy wiadomość e-mail zawiera określone słowa kluczowe? 
• Czy pochodzi od podejrzanego nadawcy? 

Z biegiem czasu coraz lepiej wyłapuje spam, zanim trafi on do skrzynki odbiorczej.

Uczenie nadzorowane obsługuje modele regresji, które przewidują takie rzeczy jak ceny mieszkań, oraz modele klasyfikacji, które decydują, czy wiadomość e-mail należy do spamu, czy do głównej skrzynki odbiorczej.

2 - Uczenie się bez nadzoru

Teraz wyobraź sobie, że dajesz temu samemu dziecku kosz owoców, ale nie mówisz mu, które z nich to jabłka, a które pomarańcze. 

Zamiast tego grupują je na podstawie podobieństw - koloru, kształtu, tekstury.

To uczenie bez nadzoru - sztuczna inteligencja znajduje wzorce w danych bez etykiet.

Na przykład,

Banki nie zawsze od razu wiedzą, czy transakcja jest nieuczciwa, ale Sztuczna inteligencja może pomóc w zapobieganiu oszustwom.

Skanuje miliony zakupów, ucząc się, co jest "normalne" dla każdego klienta, a co nie.

Powiedzmy, że co tydzień kupujesz artykuły spożywcze i paliwo. Potem nagle chcesz kupić luksusowy samochód za $5,000 w innym kraju. 

Sztuczna inteligencja oznaczy go jako podejrzany i może zamrozić twoją kartę lub wysłać ci szybką wiadomość. "Czy to ty?" wiadomość.

3 - Uczenie ze wzmocnieniem

Teraz powiedzmy, że dajesz dziecku wyzwanie - za każdym razem, gdy prawidłowo wybierze jabłko, dostanie cukierka. Jeśli wybierze zły owoc, straci jeden. 

Z czasem uczą się najlepszego sposobu na zdobycie jak największej ilości cukierków.  To uczenie ze wzmocnieniem. 

Sztuczna inteligencja robi to samo - testuje różne działania, uczy się na błędach i dostosowuje się w oparciu o nagrody i kary.

Na przykład,

Samojezdne samochody nie zaczynają od umiejętności prowadzenia samochodu. 

Ale po przeanalizowaniu milionów kilometrów danych drogowych lepiej radzą sobie z hamowaniem, włączaniem się do ruchu i omijaniem przeszkód. 

Każdy błąd jest lekcją. Każdy sukces czyni ich mądrzejszymi.

4 - Sieci neuronowe i głębokie uczenie

Niektóre problemy są po prostu zbyt skomplikowane dla prostych reguł. Tutaj z pomocą przychodzą sieci neuronowe. 

Zaprojektowano je tak, by działały jak ludzki mózg, rozpoznając wzorce i podejmując decyzje bez konieczności podawania każdej najmniejszej instrukcji.

Na przykład,

A tradycyjny komputer mogą zmagać się z różnymi kątami, oświetleniem lub wyrazem twarzy. 

Ale model głębokiego uczenia (sieć neuronowa z wieloma warstwami) może nauczyć się rozpoznawać twarze, niezależnie od warunków.

Podobnie jak ludzie mają różne sposoby uczenia się - niektórzy przez czytanie, inni przez działanie - tak samo SI ma różne typy algorytmów, z których każdy nadaje się do określonych zadań.

Algorytmy sztucznej inteligencji w rzeczywistych zastosowaniach

Jak wykrywacz obrazów AI wykorzystuje algorytmy do wykrywania obrazów stworzonych przez sztuczną inteligencję?

Obrazy generowane przez sztuczną inteligencję są teraz tak realistyczne, że ludzie z trudem odróżniają je od prawdziwych zdjęć. 

Ale detektory obrazu AI są przeszkolone, aby widzieć poza powierzchnią.

Technika # 1 - Wykrywanie anomalii

Proces rozpoczyna się od wykrywania anomalii, które szuka wszystkiego, co nie pasuje.

Jeśli obraz ma nienaturalne tekstury, niespójne oświetlenie lub rozmyte krawędzie. Detektor obrazu AI podnosi czerwoną flagę.

Technika # 2 - Generatywne sieci kontradyktoryjne

Jednym ze sposobów wykrywania obrazów generowanych przez sztuczną inteligencję jest przyjrzenie się ukrytym wzorom pozostawionym przez technologię, która je tworzy.

Wzorce te pochodzą z generatywnych sieci adwersarzy (GAN), które zasilają większość obrazów AI.

Tak jak każdy artysta ma unikalny styl, tak GAN tworzą wzory, które nie występują na rzeczywistych zdjęciach.

Detektor obrazu AI jest przeszkolony do rozpoznawania tych wzorców, co pomaga określić, czy obraz został wygenerowany przez sztuczną inteligencję.

Technika # 3 - Metadane

Oprócz samego patrzenia na piksele Detektor obrazu AI analizuje również metadane, które działają jak cyfrowy odcisk palca obrazu.

Dane te obejmują szczegóły, takie jak czas i miejsce zrobienia zdjęcia oraz urządzenie, które je zrobiło. 

Jeśli obraz twierdzi, że pochodzi z 2010 roku, ale w rzeczywistości został stworzony przez narzędzie AI w zeszłym tygodniu, Detektor obrazu AI oznaczy go jako podejrzany. 

Uprzedzenia w algorytmach sztucznej inteligencji i sposoby ich ograniczania

Sztuczna inteligencja powinna być sprawiedliwa, ale czasami tak nie jest. Stronniczość SI może wystąpić na dwa sposoby:

• Bias danych - dzieje się tak, gdy pewne grupy są niedostatecznie reprezentowane w danych szkoleniowych.
  
• Model Bias - występuje, gdy sztuczna inteligencja popełnia więcej błędów dla jednej grupy niż dla innej, wzmacniając niesprawiedliwe wyniki.
  

Narzędzie Amazon do stronniczego zatrudniania pracowników

W 2014 r, Amazon musiał zrezygnować z narzędzia AI do zatrudniania pracowników ponieważ był stronniczy wobec kobiet. 

System wyciągnął wnioski z wcześniejszych danych dotyczących rekrutacji, w których więcej mężczyzn było zatrudnianych na stanowiskach technicznych, więc zaczął faworyzować kandydatów płci męskiej i karać życiorysy zawierające słowa takie jak "kobiecy" (jak w "kobiecym klubie szachowym"). 

Sztuczna inteligencja nie starała się być nieuczciwa, ale wyciągnęła wnioski z tendencyjnych danych i przeniosła je dalej.

Obawy dotyczące prywatności w gromadzeniu danych AI

Za każdym razem, gdy korzystasz z aplikacji, przeglądasz strony internetowe lub dokonujesz zakupu, gromadzone są dane. 

Niektóre z nich są oczywiste - takie jak imię i nazwisko, adres e-mail lub szczegóły płatności. 

Istnieją jednak ukryte dane, takie jak lokalizacja GPS, historia zakupów, zachowanie podczas pisania i nawyki przeglądania. 

Firmy wykorzystują te informacje do personalizowania doświadczeń, rekomendowania produktów i ulepszania usług. 

Przy tak dużej ilości danych ryzyko jest nieuniknione: 

• Naruszenia danych - Hakerzy mogą wykraść informacje o użytkownikach.

• Ponowna identyfikacja - Nawet zanonimizowane dane można powiązać z konkretnymi osobami. 

• Nieautoryzowane użycie - Firmy mogą niewłaściwie wykorzystywać dane w celu osiągnięcia zysku lub wywarcia wpływu.
  

Nawet jeśli firmy twierdzą, że anonimizują dane, badania wykazały, że wzorce mogą ujawnić tożsamość użytkownika przy wystarczającej ilości informacji. 

Aby chronić prywatność użytkowników, firmy używają:

• Anonimizacja - Usuwa dane osobowe ze zbiorów danych.

• Federated Learning - Modele AI trenują na urządzeniu bez wysyłania nieprzetworzonych danych do centralnego serwera. (np. Gboard Google).

• Prywatność różnicowa - Dodaje losowy szum do danych przed ich zebraniem, aby zapobiec śledzeniu (np. system iOS firmy Apple).

Czy algorytmy sztucznej inteligencji mogą być całkowicie neutralne?

Sztuczna inteligencja nie jest tworzona w próżni. 

Jest budowany przez ludzi, szkolony na ludzkich danych i używany w ludzkim społeczeństwie. Czy może więc być naprawdę neutralny?

Krótka odpowiedź: Nie. Przynajmniej jeszcze nie teraz.

Sztuczna inteligencja uczy się na podstawie rzeczywistych danych, a dane te zawierają wszystkie uprzedzenia, założenia i niedoskonałości ludzi, którzy je stworzyli. 

Skorzystaj z narzędzia recydywy COMPAS, na przykład. 

Został on zaprojektowany w celu przewidywania, którzy przestępcy są najbardziej skłonni do ponownego popełnienia przestępstwa. 

Brzmi prosto, prawda? 

Badania wykazały jednak, że algorytm nieproporcjonalnie oznaczał czarnoskórych oskarżonych jako osoby wysokiego ryzyka w porównaniu do białych oskarżonych. 

Nie jest stronniczy dlatego, że ktoś go tak zaprogramował, ale dlatego, że odziedziczył wzorce z wadliwego systemu sądownictwa karnego.

Czy sztuczna inteligencja może być sprawiedliwa? 

Niektórzy eksperci uważają, że tak. 

Naukowcy opracowali ograniczenia sprawiedliwości - techniki matematyczne mające na celu zmuszenie modeli sztucznej inteligencji do równiejszego traktowania różnych grup. 

Audyty stronniczości i zróżnicowane zestawy danych szkoleniowych również pomagają ograniczyć wypaczone wyniki.

Ale nawet przy tych wszystkich zabezpieczeniach prawdziwa neutralność jest trudna. 

A nawet gdybyśmy byli w stanie całkowicie "neutralny," powinniśmy?

Sztuczna inteligencja nie podejmuje decyzji w bańce. Wpływa na prawdziwych ludzi w realny sposób. 

W rzeczywistości sztuczna inteligencja odzwierciedla świat, który do niej wprowadzamy. 

Jeśli chcemy bezstronnej sztucznej inteligencji, musimy najpierw uporać się z uprzedzeniami w naszych systemach. 

W przeciwnym razie po prostu uczymy maszyny, aby odzwierciedlały nasze wady - tylko szybciej i na dużą skalę.

Najczęściej zadawane pytania dotyczące algorytmów sztucznej inteligencji

Zwiększ swoje doświadczenie, wypróbowując nasz AI Detector i Humanizer w widżecie poniżej!

Przemyślenia końcowe: Przyszłość algorytmów sztucznej inteligencji

Co to wszystko oznacza dla nas?

Sztuczna inteligencja codziennie wpływa na nasze decyzje. Decyduje o tym, co oglądamy, co kupujemy, a nawet jak bezpieczne jest nasze konto bankowe.

Ale oto jest pytanie...

Jeśli sztuczna inteligencja uczy się od nas, to czego my ją uczymy?

Czy upewniamy się, że jest uczciwy, bezstronny i pomocny? A może pozwalamy mu popełniać te same błędy, które popełniają ludzie?

A jeśli sztuczna inteligencja będzie coraz mądrzejsza, co będzie dalej? Czy zawsze będzie narzędziem, które kontrolujemy, czy może pewnego dnia zacznie dokonywać wyborów, których w pełni nie rozumiemy?

Być może największym pytaniem nie jest to, co sztuczna inteligencja może zrobić, ale to, na co powinniśmy jej pozwolić.

Co o tym sądzisz?