Algoritmi AI: Tot ce trebuie să știți

Telefonul dvs. știe ce urmează să tastați înainte să o faceți. Netflix știe ce te vei înfrupta în continuare. Bănci să știți dacă veți rambursa un împrumut. Spotify cunoaște melodiile pe care le vei asculta în mod repetat.

Dar cum? Cine ne urmărește în secret pe toți?

Porumbei psihici? O societate secretă de oameni care citesc gândurile? Sau mama ta - pentru că ea cumva știe întotdeauna?

Nu. Este vorba de algoritmi AI.

Aceste sisteme fac previziuni sinistru de exacte prin citirea a tone de date și analizarea tiparelor.

Dar ce este mai exact un algoritm AI? Cum funcționează acesta?

Care sunt diferitele sale tipuri și cum se utilizează în aplicațiile din lumea reală? Suntem totul, și mult mai mult în blogul de astăzi. 

Să începem de la început.

Ce sunt algoritmii AI?

Algoritmii AI sunt utilizați în viața de zi cu zi tehnologie - Căutarea Google, Siri, recomandările Netflix - dar ele sunt utilizate și în detectarea fraudelor, în mașinile care se conduc singure și în diagnosticarea medicală. 

Rădăcinile inteligenței artificiale datează din anii 1940, când Alan Turing a pus o întrebare, "Mașinile pot gândi?" 

În anii 1950, el a inventat mașina Turing, care a fost ulterior testată cu Testul Turing. Acesta a arătat cum mașinile pot urma pași logici pentru a rezolva probleme. 

În anii '50 și '60, unele programe (Logic Theorist) puteau demonstra teoreme matematice. 

Dar exista o problemă - nu puteau învăța. Fiecare regulă trebuia să fie programată manual.

În esența sa, IA este doar un set de instrucțiuni-un algoritm- care ajută mașinile să ia decizii.

Unele sunt simple, cum ar fi filtrarea e-mailurilor spam. Altele sunt mai complexe, cum ar fi prezicerea riscurilor de îmbolnăvire pe baza fișelor medicale.

Dar să fim clari: IA nu gândește singură. Ea depinde de programarea umană și învățarea consecventă pentru a deveni mai bun în ceea ce face.

Să înțelegem acest lucru cu o exemplu, 

IA ajută la luarea unor decizii mai importante. Să luăm exemplul unei bănci care aprobă un împrumut. Aceasta ar putea utiliza un Arbore decizional (un model simplu de inteligență artificială care funcționează ca o diagramă de flux):

• Solicitantul are un venit stabil? Nu → Refuzați împrumutul. Da → Verificați scorul de credit. 
• Scorul de credit este bun? Nu → Reconsiderați. Da → Verificați împrumuturile existente.
• Prea multe împrumuturi? Risc ridicat. Puține împrumuturi? Risc scăzut. 

La sfârșitul procesului, AI aprobă sau refuză împrumutul pe baza unei logici structurate.

Acum vine următoarea parte... 

Cum permit algoritmii AI învățarea automată și automatizarea

Gândiți-vă la acest lucru astfel. 

Imaginați-vă cum învățați un copil cum să recunoască câinii.

Un profesor le-ar fi arătat imagini, le-ar fi indicat caracteristicile cheie și, în timp, ar fi devenit mai buni în a identifica unul în viața reală. 

Algoritmii AI învață în același mod - învățarea din cantități masive de date pentru a face predicții și a automatiza sarcini.

1 - Predicție

Un algoritm de regresie studiază informațiile din trecut pentru a face predicții automate în timp real. 

De exemplu, Netflix îți recomandă emisiuni în funcție de predicții. Dacă ți-a plăcut Stranger Things, ar putea sugera Dark sau Academia Umbrella pentru că alții cărora le-a plăcut Stranger Things le-a urmărit și pe acelea.

2 - Învățarea mecanică

Dar inteligența artificială nu se limitează doar la predicții - ea se adaptează. 

Învățarea mecanică permite calculatoarelor să învețe și să se îmbunătățească din experiență fără a fi programate explicit. 

De exemplu, Dacă ți-ar plăcea Stranger Things doar pentru elementele sale științifico-fantastice, dar ai detesta horror-ul? Dacă ați prefera emisiunile scurte, cu ritm rapid, în locul dramelor cu ardere lentă? Algoritmul Netflix va analiza activitățile tale la nivel profund și va ajusta recomandările. 

3 - Automatizare

Apoi există automatizarea. 

Automatizarea este procesul de utilizare a tehnologiei pentru a îndeplini sarcini cu intervenție umană minimă. 

De exemplu, Mașinile care se conduc singure fac ceva similar, folosind viziunea computerizată pentru a "vedea" drumul, a recunoaște semnele de stop și a învăța de la fiecare kilometru parcurs. 

Cu cât procesează mai multe date, cu atât devin mai inteligente.

Cum funcționează algoritmii AI (pas cu pas)

La fel ca o persoană care învață o abilitate nouă, inteligența artificială învață lucrurile pas cu pas.

Haideți să o analizăm folosind funcția de recunoaștere a imaginilor din motorul de căutare Google.

Etapa # 1 - Colectarea datelor

Totul începe cu datele. IA are nevoie de sute de mii de exemple din care să învețe. În recunoașterea imaginilor, acestea includ:

• Milioane de imagini etichetate (de exemplu, imagini de pisici etichetate "pisică", imagini de câini etichetate "câine").

• Variație în iluminare, unghiuri și calitate.

• Dimensiuni, culori și forme diferite ale aceluiași obiect. 

• Cazuri limită (imagini neclare, obiecte parțial ascunse, contrast scăzut).

Etapa # 2 - Preprocesare

Imaginile brute conțin o mulțime de informații inutile, cum ar fi imagini neclare sau de calitate scăzută, obiecte fără legătură, imagini dezordonate etc.

Înainte de antrenarea inteligenței artificiale, datele trebuie curățate și standardizate. Aceasta include: 

• Redimensionarea imaginilor la o dimensiune uniformă, astfel încât acestea să poată fi prelucrate în mod consecvent.

• Normalizarea scării de gri sau a culorilor pentru a se asigura că luminozitatea și contrastul nu induc în eroare inteligența artificială. 

• Eliminarea zgomotului, cum ar fi elementele de fundal inutile care nu contribuie la identificarea obiectului.

Etapa # 3 - Formare

AI nu "vezi" imaginile așa cum o fac oamenii. Acesta le vede ca pe niște numere - mii de pixeli, fiecare cu o valoare care reprezintă luminozitatea și culoarea. 

Pentru a înțelege acest lucru, AI utilizează o rețea neuronală convoluțională (CNN), un tip special de model de învățare profundă creat pentru recunoașterea imaginilor.

Iată cum descompune CNN o imagine:

• Straturi de convoluție: Inteligența artificială scanează imaginea în părți, detectând mai întâi forme simple (linii, curbe) și apoi recunoscând caracteristici complexe (ochi, urechi, mustăți).
  
• Punerea în comun a straturilor: Acestea micșorează imaginea, păstrând detaliile esențiale și eliminând pixelii inutili.
  
• Straturi complet conectate: AI leagă caracteristicile detectate pentru a face o predicție finală - dacă vede urechi ascuțite și mustăți, identifică o pisică.

Acest proces implică epoci. 

Imaginați-vă că învățați să recunoașteți diferite specii de păsări. Prima dată când vedeți o vrabie și un porumbel, s-ar putea să le confundați. 

Dar după ce vă uitați la fotografii, le studiați caracteristicile și primiți feedback, vă îmbunătățiți.

IA învață în același mod. 

O epocă este un ciclu complet în care inteligența artificială analizează toate datele de formare, face predicții, verifică dacă există greșeli și face ajustări. 

Face acest lucru din nou și din nou - exact ca și cum ai exersa de mai multe ori pentru a deveni mai bun la o abilitate.

Etapa # 4 - Testare

Înainte ca inteligența artificială să fie pregătită pentru utilizarea în lumea reală, trebuie testată. Acest lucru implică:

• Oferindu-i imagini pe care nu le-a mai văzut până acum.
  
• Măsurarea preciziei sale - etichetează corect o pisică ca fiind o pisică?
  
• Verificarea supraadaptării, atunci când inteligența artificială memorează datele de antrenament, dar întâmpină dificultăți cu noile imagini.
  

Dacă inteligența artificială eșuează prea des, se întoarce pentru mai mult antrenament până când poate identifica în mod fiabil imagini pe care nu le-a întâlnit niciodată.

Pasul # 5 - Implementare

Odată antrenat și testat, modelul AI este implementat. Când îl alimentăm cu o imagine. Acesta va: 

1. Împărțiți-l în valori pixel
2. Rulați-l prin toate straturile învățate
3. Generarea unui scor de probabilitate pentru fiecare etichetă posibilă
4. Alegeți cea mai probabilă clasificare

Un rezultat tipic ar putea arăta astfel:

• Cat: 99.7% probabilitate
• Câine: 0,2% probabilitate
• Altele: 0.1% probabilitate

Tipuri de algoritmi AI și modul în care sunt utilizați

La fel cum oamenii au moduri diferite de a învăța - unii citind, alții făcând - IA are diferite tipuri de algoritmi, fiecare potrivit pentru sarcini specifice.

1 - Învățarea supravegheată

Imaginați-vă un copil care învață cum să recunoască merele și portocalele. Profesorul etichetează imaginile ca:

"Acesta este un măr."

"Aceasta este o portocală."

În timp, ele învață să facă diferența. Aceasta este învățarea supravegheată - AI este antrenată pe date etichetate și învață să facă predicții.

De exemplu,

Algoritmul AI al filtre de spam scanează mii de e-mailuri etichetate "spam" sau "nu spam" și învață modele. 

• E-mailul conține anumite cuvinte cheie? 
• Este de la un expeditor suspect? 

În timp, acesta devine mai bun în a prinde spam-ul înainte ca acesta să ajungă în căsuța dvs. de primire.

Învățarea supervizată pune la dispoziție modele de regresie, care prezic lucruri precum prețurile locuințelor, și modele de clasificare, care decid dacă un e-mail trebuie să ajungă în spam sau în căsuța principală de primire.

2 - Învățarea nesupravegheată

Acum imaginați-vă că îi dați aceluiași copil un coș cu fructe, dar nu îi spuneți care sunt mere sau portocale. 

În schimb, le grupează în funcție de asemănări - culoare, formă, textură.

Aceasta este învățarea nesupravegheată - AI găsește modele în date fără etichete.

De exemplu,

Băncile nu știu întotdeauna imediat dacă o tranzacție este frauduloasă, dar IA poate ajuta la prevenirea fraudei.

Acesta scanează milioane de achiziții, învățând ce este "normal" pentru fiecare client și ce nu este.

Să spunem că vă cumpărați alimente și benzină în fiecare săptămână. Apoi, brusc, doriți să cumpărați o mașină de lux de $5.000 în altă țară. 

AI o va semnala ca fiind suspectă și ar putea să vă blocheze cardul sau să vă trimită rapid o "Tu ai fost?" mesaj.

3 - Învățarea prin consolidare

Acum să spunem că îi oferiți copilului o provocare - de fiecare dată când alege corect un măr, primește o bomboană. Dacă alege fructul greșit, pierde o bomboană. 

În timp, ei învață cel mai bun mod de a obține cele mai multe bomboane.  Asta este învățarea prin consolidare. 

Inteligența artificială face același lucru - testează diferite acțiuni, învață din greșeli și se ajustează în funcție de recompense și penalizări.

De exemplu,

Mașini care se conduc singure nu încep prin a ști cum să conducă. 

Însă, după analizarea a milioane de kilometri de date rutiere, acestea devin mai bune la frânare, la intrarea în trafic și la evitarea obstacolelor. 

Fiecare greșeală este o lecție. Fiecare succes îi face mai inteligenți.

4 - Rețele neuronale și învățare profundă

Unele probleme sunt pur și simplu prea complicate pentru reguli simple. Aici intervin rețelele neuronale. 

Acestea sunt concepute pentru a funcționa precum creierul uman, recunoscând tipare și luând decizii fără a avea nevoie de fiecare instrucțiune detaliată.

De exemplu,

A calculator tradițional s-ar putea confrunta cu unghiuri, lumini sau expresii diferite. 

Dar un model de învățare profundă (o rețea neuronală cu mai multe straturi) poate învăța să recunoască fețele, indiferent de condiții.

La fel cum oamenii au moduri diferite de a învăța - unii citind, alții făcând - IA are diferite tipuri de algoritmi, fiecare potrivit pentru sarcini specifice.

Algoritmi AI în aplicații din lumea reală

Cum utilizează AI Image Detector algoritmii pentru a detecta imaginile create de AI

Imaginile generate de AI sunt acum atât de realiste încât oamenii abia le pot deosebi de fotografiile reale. 

Dar detectoarele de imagini AI sunt antrenate să vadă dincolo de suprafață.

Tehnica # 1 - Detectarea anomaliilor

Procesul începe cu detectarea anomaliilor, care caută tot ceea ce nu aparține.

Dacă o imagine are texturi nefirești, iluminare inconsecventă sau margini neclare. Detector de imagini AI ridică un steag roșu.

Tehnica # 2 - Rețele generatoare adversare

O modalitate de a detecta imaginile generate de inteligența artificială constă în observarea modelelor ascunse lăsate de tehnologia care le creează.

Aceste modele provin de la rețelele generatoare adversare (GAN), care alimentează majoritatea imaginilor AI.

La fel cum fiecare artist are un stil unic, GAN-urile creează modele care nu sunt prezente în fotografiile din lumea reală.

Detector de imagini AI este antrenat să recunoască aceste modele, ceea ce ajută la determinarea faptului dacă o imagine a fost generată de o inteligență artificială.

Tehnica # 3 - Metadate

Dincolo de simpla observare a pixelilor, un Detector de imagini AI examinează, de asemenea, metadatele, care acționează ca amprenta digitală a unei imagini.

Aceste date includ detalii precum când și unde a fost făcută o fotografie și ce dispozitiv a capturat-o. 

Dacă o imagine pretinde că este din 2010, dar de fapt a fost creată de un instrument AI săptămâna trecută, Detector de imagini AI o va semnala ca fiind suspectă. 

Prejudecățile din algoritmii AI și cum să le reducem

IA ar trebui să fie corectă, dar uneori nu este. Prejudecățile AI pot apărea în două moduri:

• Abaterea datelor - Acest lucru se întâmplă atunci când anumite grupuri sunt subreprezentate în datele de instruire.
  
• Model Bias - Acest lucru se întâmplă atunci când AI face mai multe greșeli pentru un grup decât pentru altul, consolidând rezultatele inechitabile.
  

Instrumentul de angajare părtinitor al Amazon

În 2014, Amazon a fost nevoită să renunțe la un instrument de angajare AI deoarece era părtinitoare față de femei. 

Sistemul a învățat din datele anterioare de angajare, în care mai mulți bărbați au fost angajați pentru roluri tehnice, așa că a început să favorizeze candidații bărbați și să penalizeze CV-urile care includeau cuvinte precum "femei" (ca în "clubul de șah al femeilor"). 

Inteligența artificială nu a încercat să fie nedreaptă, dar a învățat din date părtinitoare și a transmis mai departe aceste prejudecăți.

Preocupări legate de confidențialitate în colectarea de date cu ajutorul inteligenței artificiale

De fiecare dată când utilizați o aplicație, navigați pe internet sau efectuați o achiziție, datele sunt colectate. 

Unele dintre acestea sunt evidente - cum ar fi numele, adresa de e-mail sau detaliile de plată. 

Dar există date ascunse, cum ar fi locația GPS, istoricul achizițiilor, comportamentul de tastare și obiceiurile de navigare. 

Companiile utilizează aceste informații pentru a personaliza experiențele, a recomanda produse și a îmbunătăți serviciile. 

Cu atât de multe date care circulă, riscurile sunt inevitabile: 

• Încălcări ale securității datelor - Hackerii pot fura informații despre utilizatori.

• Re-identificare - Chiar și datele anonimizate pot fi legate de persoane. 

• Utilizarea neautorizată - Companiile ar putea utiliza datele în mod abuziv pentru profit sau influență.
  

Chiar și atunci când companiile pretind că anonimizează datele, studiile au arătat că modelele pot dezvălui identitatea utilizatorilor cu suficiente informații. 

Pentru a proteja confidențialitatea utilizatorilor, companiile utilizează:

• Anonimizarea - Elimină detaliile personale din seturile de date.

• Învățare federată - Modelele AI se antrenează pe dispozitivul dvs. fără a trimite date brute către un server central. (de exemplu, Gboard de la Google).

• Confidențialitate diferențiată - Adaugă zgomot aleatoriu la date înainte de colectare pentru a preveni urmărirea (de exemplu, sistemul iOS al Apple).

Algoritmii AI pot fi complet neutri?

IA nu este creată în vid. 

Este construit de oameni, instruit pe baza datelor umane și utilizat în societatea umană. Așadar, poate fi vreodată cu adevărat neutru?

Răspuns scurt: Nu. Cel puțin, nu încă.

Inteligența artificială învață din datele din lumea reală, iar aceste date vin cu toate prejudecățile, ipotezele și imperfecțiunile oamenilor care le-au creat. 

Luați instrumentul de recidivă COMPAS, de exemplu. 

Acesta a fost conceput pentru a prezice care sunt infractorii cu cele mai mari șanse de a recidiva. 

Sună simplu, nu-i așa? 

Studiile au arătat însă că algoritmul a marcat în mod disproporționat inculpații de culoare ca prezentând un risc ridicat în comparație cu inculpații albi. 

Nu este părtinitoare pentru că cineva a programat-o să fie, ci pentru că a moștenit modele de la un sistem de justiție penală viciat.

Așadar, poate fi vreodată inteligența artificială echitabilă? 

Unii experți cred că da. 

Cercetătorii au dezvoltat constrângeri de echitate - tehnici matematice concepute pentru a forța modelele de inteligență artificială să trateze diferite grupuri mai egal. 

Auditurile privind prejudecățile și seturile de date de formare diverse contribuie, de asemenea, la reducerea rezultatelor distorsionate.

Dar chiar și cu toate aceste măsuri de protecție, adevărata neutralitate este complicată. 

Și chiar dacă am putea face AI complet "neutru," ar trebui să o facem?

IA nu ia decizii într-o bulă. Ea afectează oameni reali în moduri reale. 

Realitatea este că inteligența artificială reflectă lumea pe care noi i-o furnizăm. 

Dacă dorim inteligență artificială imparțială, trebuie mai întâi să abordăm prejudecățile din sistemele noastre. 

Altfel, nu facem decât să învățăm mașinile să ne reproducă defectele - doar că mai repede și la scară largă.

Întrebări frecvente despre algoritmii AI

Îmbunătățiți-vă experiența încercând AI Detector și Humanizer în widgetul de mai jos!

Gânduri finale: Viitorul algoritmilor AI

Deci, ce înseamnă toate acestea pentru noi?

IA ne influențează zilnic deciziile. Aceasta decide la ce ne uităm, ce cumpărăm și chiar cât de sigur este contul nostru bancar.

Dar iată întrebarea...

Dacă IA învață de la noi, ce o învățăm noi?

Ne asigurăm că este corect, imparțial și util? Sau îl lăsăm să facă aceleași greșeli pe care le fac oamenii?

Și dacă IA devine din ce în ce mai inteligentă, ce se va întâmpla în continuare? Va fi întotdeauna un instrument pe care îl vom controla sau ar putea într-o zi să înceapă să facă alegeri pe care nu le înțelegem pe deplin?

Poate că cea mai mare întrebare nu este ce poate face IA, ci ce ar trebui să o lăsăm să facă.

Ce părere aveți?