Твій телефон. знає, що ви збираєтеся вводити, ще до того, як ви це зробите. Netflix знає, що ти зробиш наступного разу. Банки знати, чи виплатиш ти кредит. Spotify знає пісні, які ви будете ставити на повтор.
Але як? Хто таємно стежить за всіма нами?
Голуби-екстрасенси? Таємне товариство людей, що читають думки? Або ваша мама - тому що вона чомусь завжди знає?
Ні. Це алгоритми штучного інтелекту.
Ці системи роблять моторошно точні прогнози читаючи тонни даних та аналізуючи закономірності.
Але що таке алгоритм штучного інтелекту? Як він працює?
Які існують різні його типи і як він використовується в реальному світі? Про все це та багато іншого у сьогоднішньому блозі.
Почнемо з самого початку.
Що таке алгоритми штучного інтелекту?
Алгоритми штучного інтелекту використовуються в повсякденному житті технологія - Google Search, Siri, рекомендації Netflix - але вони також використовуються у виявленні шахрайства, самокерованих автомобілях та медичній діагностиці.
Коріння ШІ сягає 1940-х років, коли Алан Тьюрінг поставив запитання, "Чи можуть машини думати?"
У 1950-х роках він розробив машину Тюрінга, яка пізніше була випробувана з Тест Тюрінга. Він показав, як машини можуть виконувати логічні кроки для вирішення проблем.
Більше ніколи не турбуйтеся про те, що ШІ виявить ваші тексти. Undetectable AI Може допомогти тобі:
- Зробіть так, щоб ваше письмо з допомогою штучного інтелекту з'являлося на екрані схожий на людину.
- Обхід всі основні інструменти виявлення ШІ лише одним кліком.
- Використання ШІ безпечно і впевнено у школі та на роботі.
У 1950-60-х роках деякі програми (Logic Theorist) могли доводити математичні теореми.
Але була одна проблема - вони не могли вчитися. Кожне правило доводилося програмувати вручну.
За своєю суттю ШІ - це просто набір інструкцій-алгоритм, який допомагає машинам приймати рішення.
Деякі з них прості, як-от фільтрація спаму. Інші - складніші, як-от прогнозування ризиків захворювань на основі медичних записів.
Але давайте прояснимо - ШІ не думає сам за себе. Він залежить від людське програмування та послідовне навчання щоб стати кращими в тому, що вона робить.
Давайте розберемося з цим за допомогою наприклад,
ШІ допомагає у прийнятті важливих рішень. Візьмемо банк, який схвалює кредит. Йому може знадобитися Дерево рішень (проста модель ШІ, яка працює як блок-схема):
- Чи має заявник стабільний дохід? Ні → Відмовити в кредиті. Так → Перевірити кредитну історію.
- Хороша кредитна історія? Ні → Подумайте ще раз. Так → Перевірте існуючі кредити.
- Забагато кредитів? Високий ризик. Мало кредитів? Менший ризик.
В кінці процесу ШІ або схвалює, або відмовляє в кредиті на основі структурованої логіки.
А тепер наступна частина...
Як алгоритми штучного інтелекту уможливлюють машинне навчання та автоматизацію
Подумайте про це так.
Уявіть, що ви навчаєте дитину розпізнавати собак.
Вчитель показував їм картинки, вказував на ключові ознаки, і з часом вони починали краще розпізнавати їх у реальному житті.
Алгоритми ШІ навчаються так само - навчання на основі величезних масивів даних для прогнозування та автоматизації завдань.
1 - Прогнозування
Алгоритм регресії вивчає минулу інформацію, щоб робити автоматизовані прогнози в режимі реального часу.
Наприклад, Netflix рекомендує вам серіали на основі прогнозів. Якщо вам сподобалося "Дуже дивні справи", це може свідчити про те. Темрява або Академія парасольок тому що інші, хто любив Stranger Things дивився і їх теж.
2 - Машинне навчання
Але ШІ - це не просто прогнози, він адаптується.
Машинне навчання дозволяє комп'ютерам вчитися і вдосконалюватися на основі досвіду без явного програмування.
Наприклад, Що робити, якщо ви любите "Дуже дивні справи" лише за науково-фантастичні елементи, але ненавидите жахи? А якщо ви віддаєте перевагу коротким, динамічним серіалам, а не повільним драмам? Алгоритм Netflix проаналізує ваші глибинні вподобання і скоригує рекомендації.
3 - Автоматизація
Потім є автоматизація.
Автоматизація - це процес використання технологій для виконання завдань з мінімальним втручанням людини.
Наприклад, Самокеровані автомобілі роблять щось подібне, використовуючи комп'ютерний зір, щоб "бачити" дорогу, розпізнавати знаки зупинки і вчитися на кожній милі, яку вони проїжджають.
Чим більше даних вони обробляють, тим розумнішими стають.
Як працюють алгоритми штучного інтелекту (крок за кроком)
Подібно до того, як людина опановує нову навичку, ШІ також засвоює її крок за кроком.
Давайте розберемо його за допомогою функції розпізнавання зображень у пошуковій системі Google.
Крок # 1 - Збір даних
Все починається з даних. ШІ потребує сотень тисяч прикладів для навчання. Це стосується і розпізнавання зображень:
- Мільйони позначених зображень (наприклад, зображення котів з позначкою "кіт", зображення собак з позначкою "собака").
- Різниця в освітленні, кутах і якості.
- Різні розміри, кольори та форми одного і того ж об'єкта.
- Крайні випадки (розмиті зображення, частково приховані об'єкти, низький контраст).
Крок # 2 - Попередня обробка
Сирі зображення містять багато непотрібної інформації, наприклад, розмиті або неякісні зображення, не пов'язані між собою об'єкти, захаращені зображення тощо.
Перш ніж навчати ШІ, дані необхідно очистити та стандартизувати. Це включає в себе
- Зміна розміру зображень до єдиного розміру, щоб їх можна було послідовно обробляти.
- Відтінки сірого або нормалізація кольору для забезпечення яскравості та контрастності не вводять ШІ в оману.
- Видалення шуму - непотрібних фонових елементів, які не сприяють ідентифікації об'єкта.
Крок # 3 - Навчання
ШІ не знає. "бачиш" сприймає зображення так, як це робить людина. Він бачить їх як числа - тисячі пікселів, кожен з яких має значення, що представляє яскравість і колір.
Щоб розібратися в цьому, ШІ використовує згорткову нейронну мережу (CNN) - спеціальний тип моделі глибокого навчання, створений для розпізнавання зображень.
Ось як CNN розбиває зображення:
- Шари згортки: ШІ сканує зображення частинами, спочатку виявляючи прості форми (лінії, криві), а потім розпізнаючи складні об'єкти (очі, вуха, вуса).
- Об'єднання шарів: Вони зменшують зображення, зберігаючи важливі деталі та відкидаючи непотрібні пікселі.
- Повністю з'єднані шари: ШІ пов'язує виявлені ознаки, щоб зробити остаточний прогноз - якщо він бачить загострені вуха і вуса, він ідентифікує кота.
Цей процес включає в себе епохи.
Уявіть, що ви вчитеся розпізнавати різні види птахів. Вперше побачивши горобця і голуба, ви можете переплутати їх.
Але після перегляду фотографій, вивчення їхніх особливостей та отримання зворотного зв'язку ви вдосконалюєтесь.
ШІ навчається так само.
Епоха - це один повний цикл, під час якого ШІ аналізує всі навчальні дані, робить прогнози, перевіряє на помилки та коригує.
Він робить це знову і знову - так само, як ви тренуєтесь багато разів, щоб покращити свої навички.
Крок # 4 - Тестування
Перш ніж ШІ буде готовий до використання в реальному світі, його потрібно протестувати. Це включає в себе
- Згодовуючи їй зображення, яких вона ніколи раніше не бачила.
- Вимірювання його точності - чи правильно він позначає кота як кота?
- Перевірка на перенавчання, коли ШІ запам'ятовує навчальні дані, але не може впоратися з новими зображеннями.
Якщо ШІ зазнає невдачі занадто часто, він повертається до тренувань, поки не зможе надійно розпізнавати зображення, з якими ніколи не стикався.
Крок # 5 - Розгортання
Після навчання та тестування модель штучного інтелекту розгортається. Коли ми завантажимо в неї зображення. Так і буде:
- Розбийте його на піксельні значення
- Пропустіть його через усі вивчені шари
- Згенеруйте оцінку ймовірності для кожної можливої мітки
- Виберіть найбільш вірогідну класифікацію
Типовий результат може виглядати так:
- Кат: ймовірність 99.7%
- Собака: ймовірність 0,2%
- Інше: 0.1% ймовірність
Типи алгоритмів штучного інтелекту та їх використання
Подібно до того, як люди навчаються по-різному - хтось читає, хтось робить, - ШІ має різні типи алгоритмів, кожен з яких підходить для конкретних завдань.
1 - Навчання під наглядом
Уявіть, що дитина вчиться розпізнавати яблука та апельсини. Вчитель підписує малюнки так: "Яблуко", "Апельсин":
"Це яблуко".
"Це апельсин".
З часом вони вчаться розрізняти їх. Це контрольоване навчання - ШІ тренується на маркованих даних і вчиться робити прогнози.
Наприклад,
Алгоритм штучного інтелекту фільтри спаму сканує тисячі імейлів з позначкою "спам" або "не спам" і вивчає закономірності.
- Чи містить лист певні ключові слова?
- Це від підозрілого відправника?
З часом він стає кращим у відловлюванні спаму до того, як він потрапить у вашу поштову скриньку.
Контрольоване навчання підсилює регресійні моделі, які прогнозують такі речі, як ціни на житло, і моделі класифікації, які вирішують, чи належить електронний лист до спаму, чи до вашої основної скриньки.
2 - Навчання без нагляду
А тепер уявіть, що ви даєте тій самій дитині кошик з фруктами, але не кажете їй, які з них яблука, а які апельсини.
Замість цього вони групують їх за схожістю - кольором, формою, текстурою.
Це некероване навчання - ШІ знаходить закономірності в даних без міток.
Наприклад,
Банки не завжди знають миттєво, чи є транзакція шахрайською, але ШІ може допомогти запобігти шахрайству.
Він сканує мільйони покупок, вивчаючи, що є "нормальним" для кожного покупця, а що ні.
Припустимо, ви купуєте продукти і бензин щотижня. А потім раптом ви захочете купити розкішний автомобіль за $5,000 в іншій країні.
ШІ позначить її як підозрілу і може заморозити вашу картку або надіслати вам швидкий "Це був ти?" повідомлення.
3 - Навчання з підкріпленням
Уявімо, що ви даєте дитині завдання: щоразу, коли вона правильно обирає яблуко, вона отримує цукерку. Якщо вона обирає неправильний фрукт, вона втрачає один.
З часом вони дізнаються, як найкраще отримати найбільше цукерок. Це навчання з підкріпленням.
ШІ робить те ж саме - тестує різні дії, вчиться на помилках і коригує їх на основі заохочень і покарань.
Наприклад,
Безпілотні автомобілі не починайте з уміння водити машину.
Але після аналізу мільйонів кілометрів дорожніх даних вони краще гальмують, вливаються в потік і уникають перешкод.
Кожна помилка - це урок. Кожен успіх робить їх розумнішими.
4 - Нейронні мережі та глибоке навчання
Деякі проблеми занадто складні для простих правил. Саме тут на допомогу приходять нейронні мережі.
Вони розроблені так, щоб працювати як людський мозок, розпізнаючи закономірності та приймаючи рішення без потреби в детально розписаних інструкціях.
Наприклад,
A традиційний комп'ютер можуть мати труднощі з різними ракурсами, освітленням чи виразом обличчя.
Але модель глибокого навчання (нейронна мережа з декількома шарами) може навчитися розпізнавати обличчя незалежно від умов.
Подібно до того, як люди навчаються по-різному - хтось читає, хтось робить, - ШІ має різні типи алгоритмів, кожен з яких підходить для конкретних завдань.
Алгоритми штучного інтелекту в реальних додатках
Як АІ-детектор зображень використовує алгоритми для виявлення зображень, створених штучним інтелектом
Зображення, створені штучним інтелектом, настільки реалістичні, що люди ледве можуть відрізнити їх від справжніх фотографій.
Але детектори зображень зі штучним інтелектом навчені бачити далі поверхні.
Техніка # 1 - Виявлення аномалій
Процес починається з виявлення аномалій, яке шукає все, що не належить.
Якщо зображення має неприродні текстури, непослідовне освітлення або розмиті краї. ШІ-детектор зображень піднімає червоний прапор.
Методика # 2 - Генеративні змагальні мережі
Один із способів виявити зображення, створені штучним інтелектом, - подивитися на приховані патерни, залишені технологією, яка їх створює.
Ці шаблони походять від генеративних змагальних мереж (Generative Adversarial Networks, GAN), які є основою більшості зображень ШІ.
Подібно до того, як кожен художник має унікальний стиль, GAN створюють візерунки, яких немає на реальних фотографіях.
ШІ-детектор зображень навчений розпізнавати ці патерни, що допомагає визначити, чи було зображення згенероване штучним інтелектом.
Техніка # 3 - Метадані
Окрім простого перегляду пікселів, аналіз ШІ-детектор зображень також досліджує метадані, які діють як цифровий відбиток зображення.
Ці дані включають інформацію про те, коли і де було зроблено фотографію та яким пристроєм її було зроблено.
Якщо зображення стверджує, що воно 2010 року, але насправді було створено штучним інтелектом минулого тижня, ШІ-детектор зображень позначить його як підозрілий.
Упередженість алгоритмів штучного інтелекту та як її зменшити
ШІ має бути справедливим, але іноді це не так. Упередженість ШІ може проявлятися двома способами:
- Упередженість даних - це трапляється, коли певні групи недостатньо представлені в навчальних даних.
- Упередженість моделі - це відбувається, коли ШІ робить більше помилок для однієї групи, ніж для іншої, посилюючи несправедливі результати.
Інструмент упередженого найму від Amazon
У 2014 році, Amazon довелося відмовитися від АІ-інструменту для найму персоналу тому що вона була упередженою щодо жінок.
Система навчилася на основі даних попередніх наймів, де на технічні посади наймали більше чоловіків, тому вона почала надавати перевагу кандидатам-чоловікам і карати резюме, які містили слова на кшталт "жіночий" (як у "жіночому шаховому клубі").
ШІ не намагався бути несправедливим, але він вчився на упереджених даних і переносив цю упередженість далі.
Проблеми конфіденційності при зборі даних зі штучного інтелекту
Щоразу, коли ви користуєтеся додатком, переглядаєте веб-сторінки або робите покупку, відбувається збір даних.
Деякі з них очевидні - наприклад, ваше ім'я, електронна пошта або платіжні реквізити.
Але є й приховані дані, такі як GPS-локація, історія покупок, поведінка при введенні тексту та звички в Інтернеті.
Компанії використовують цю інформацію, щоб персоналізувати досвід, рекомендувати продукти та покращувати послуги.
З такою великою кількістю даних, що обертаються навколо, ризики неминучі:
- Порушення даних - Хакери можуть викрасти інформацію про користувача.
- Повторна ідентифікація - Навіть анонімні дані можуть бути пов'язані з конкретними особами.
- Несанкціоноване використання - Компанії можуть зловживати даними для отримання прибутку або впливу.
Навіть коли компанії заявляють про анонімність даних, дослідження показують, що шаблони можуть розкрити особистість користувача, маючи достатньо інформації.
Щоб захистити конфіденційність користувачів, компанії використовують:
- Анонімізація - Видаляє особисті дані з наборів даних.
- Федеративне навчання - ШІ-моделі тренуються на вашому пристрої, не надсилаючи необроблені дані на центральний сервер. (наприклад, Gboard від Google).
- Диференційована конфіденційність - Додає випадковий шум до даних перед збором, щоб запобігти відстеженню (наприклад, система iOS від Apple).
Чи можуть алгоритми штучного інтелекту бути повністю нейтральними?
ШІ не створюється у вакуумі.
Він створений людьми, навчений на людських даних і використовується в людському суспільстві. Тож чи може він бути справді нейтральним?
Коротка відповідь: Ні. Принаймні, поки що.
ШІ навчається на реальних даних, і ці дані містять усі упередження, припущення та недосконалості людей, які їх створили.
Візьміть інструмент для визначення рецидиву COMPAS, наприклад.
Він був розроблений для того, щоб передбачити, які злочинці з найбільшою ймовірністю вчинять повторний злочин.
Звучить просто, чи не так?
Але дослідження показали, що алгоритм непропорційно частіше позначає чорношкірих підсудних як високо ризикованих порівняно з білими підсудними.
Вона є упередженою не тому, що хтось запрограмував її на це, а тому, що успадкувала шаблони від недосконалої системи кримінального правосуддя.
Отже, чи може ШІ коли-небудь стати справедливим?
Так вважають деякі експерти.
Дослідники розробили обмеження справедливості - математичні методи, покликані змусити моделі ШІ ставитися до різних груп більш рівноправно.
Аудит упередженості та різноманітні набори навчальних даних також допомагають зменшити викривлення результатів.
Але навіть з усіма цими запобіжниками справжній нейтралітет є складним завданням.
І навіть якби ми могли зробити ШІ повністю "нейтральний". А варто?
ШІ не приймає рішення в мильній бульбашці. Він впливає на реальних людей реальними способами.
Реальність така, що ШІ відображає світ, яким ми його годуємо.
Якщо ми хочемо отримати неупереджений ШІ, ми повинні спочатку усунути упередження в наших системах.
Інакше ми просто навчимо машини віддзеркалювати наші недоліки - тільки швидше і в більших масштабах.
Поширені запитання про алгоритми штучного інтелекту
Який найпоширеніший алгоритм ШІ?
Нейронні мережі - особливо глибоке навчання - лежать в основі більшості програм штучного інтелекту сьогодні.
Саме вони є потужними інструментами, такими як ChatGPT, програмне забезпечення для розпізнавання облич та системи рекомендацій, які підказують, що подивитися або купити далі.
Чи є алгоритми ШІ тим самим, що й машинне навчання?
Не зовсім так. ШІ - це велика парасолька, яка охоплює багато різних технологій, а машинне навчання - лише одна з них.
Машинне навчання відноситься до систем штучного інтелекту, які вивчають закономірності на основі даних, а не слідують суворим, заздалегідь запрограмованим правилам.
Але не весь ШІ покладається на машинне навчання - деякі використовують інші методи, наприклад, системи, засновані на правилах.
Як алгоритми штучного інтелекту вдосконалюються з часом?
ШІ вдосконалюється завдяки досвіду - так само, як це роблять люди.
Чим більше даних обробляє алгоритм, тим краще він виявляє закономірності та робить точні прогнози.
Точне налаштування його параметрів, використання таких методів, як навчання з підкріпленням, і постійне оновлення навчальних даних - все це допомагає вдосконалювати його роботу.
Спробуйте наш ШІ-детектор і гуманізатор у віджеті нижче, щоб покращити свій досвід!
Останні думки: Майбутнє алгоритмів штучного інтелекту
Що все це означає для нас?
Штучний інтелект впливає на наші рішення щодня. Він вирішує, що ми дивимося, що купуємо і навіть наскільки безпечний наш банківський рахунок.
Але ось у чому питання...
Якщо ШІ вчиться у нас, чому ми його вчимо?
Чи дбаємо ми про те, щоб вона була справедливою, неупередженою та корисною? Чи ми дозволяємо їй робити ті самі помилки, що й люди?
І якщо ШІ продовжить ставати розумнішим, що буде далі? Чи завжди він буде інструментом, який ми контролюємо, чи одного дня почне робити вибір, який ми не до кінця розуміємо?
Можливо, найбільше питання полягає не в тому, що може робити ШІ, а в тому, що ми повинні йому дозволити.
Що скажете?