Typy AI / Jak mierzyć Machine Learning?

Kiedy dyskutujemy o sztucznej inteligencji, rzadko podejmujemy temat różnych jej rodzajów. Mówimy raczej o konkretnych produktach lub bezpośrednich zastosowaniach, ale niezbyt często patrzymy na szerszą skalę, dzięki której możemy porównać sztuczną inteligencję.

Jednak w obliczu tego, że modele uczenia maszynowego stają się coraz inteligentniejsze, pojawia się potrzeba sprawdzenia, o co w tym dokładnie chodzi. Dlatego chcielibyśmy poświęcić chwilę na omówienie różnych rodzajów sztucznej inteligencji, bo jak się okazuje, nie jest to tak oczywiste 😉

Wyzwanie w definiowaniu rodzajów sztucznej inteligencji i machine learning

Sztuczna inteligencja charakteryzuje się różnymi parametrami, dlatego nie istnieje jeden miernik, którego możemy wykorzystać do porównania. Jednak badacze AI mają na to swoje sposoby. Upraszczając, możemy je przedstawiać w formie dwóch różnych osi: jednej dotyczącej tego, jak szerokie zastosowanie ma sztuczna inteligencja, a drugiej odnoszącej się do rzeczywistej funkcjonalności, obejmując bardziej techniczny punkt widzenia.

• W pierwszym przypadku mamy 3 główne poziomy sztucznej inteligencji, używane do pomiaru ogólnych możliwości w odniesieniu do zadań i zdolności uczenia się.
• Na drugiej osi mamy 4 kategorie AI, oparte na bezpośrednich możliwościach technicznych w konkretnych, kluczowych obszarach.

Co więcej, sztuczną inteligencję można również podzielić na kategorie według celu, od sztucznej inteligencji generatywnej, przez widzenie komputerowe, aż do samojezdnych samochodów. Jednak nie skupiamy się na tym, ponieważ trudno porównać jedno do drugiego – nie jest to więc użyteczna skala, jeśli chcemy mierzyć możliwości AI.

Podobnie jest z technicznymi aspektami machine learning – tutaj w zależności od okoliczności i zadań, jedne opcje sprawdzają się lepiej niż drugie. Taką decyzję pozostawiamy deweloperom 😉

3 główne poziomy sztucznej inteligencji: oparte na możliwościach

Pierwszym podstawowym sposobem grupowania sztucznej inteligencji jest jej ogólny zakres możliwości. To, jak rozbudowane i rozległe zadania może wykonywać, stanowi jasny sposób pomiaru. Obecnie badacze AI wyróżniają trzy typy sztucznej inteligencji.

Wąska lub słaba sztuczna inteligencja

Ta kategoria odnosi się do sztucznej inteligencji, która została zaprojektowana do wykonywania prostych, określonych zadań. Większość współczesnych systemów zalicza się do wąskiej AI. Nawet jeśli wykorzystują one sieci neuronowe, deep learning lub inne zaawansowane rozwiązania, nadal działają według określonego zestawu reguł. Na przykład sztuczna inteligencja prognozująca sprzedaż może zrobić tylko jedną rzecz: prognozować sprzedaż.

Ogólna lub silna sztuczna inteligencja

Te systemy sztucznej inteligencji mogą uczyć się na podstawie danych i własnych doświadczeń, wykorzystując informacje w sposób, o który początkowo nie zostały poproszone. Innymi słowy, silna sztuczna inteligencja może uczyć się i dostosowywać podobnie do ludzkiego umysłu.

To, czy ogólna sztuczna inteligencja istnieje obecnie, jest przedmiotem debaty wśród badaczy AI. Wykonuje się wiele pracy, aby rozwinąć sztuczną inteligencję do tego stanu, ale powszechny konsensus jest taki, że wciąż nie dotarliśmy do tego etapu.

Sztuczna superinteligencja

Sztuczna superinteligencja to hipotetyczny poziom, na którym system AI jest w stanie przewyższyć człowieka w niemal każdym możliwym zadaniu intelektualnym. Ten stan sztucznej inteligencji – który obecnie nie istnieje poza książkami science fiction – jest również uważany za samoświadomą sztuczną inteligencję, która jest w stanie usunąć zaprogramowane ograniczenia, limitujące jej możliwości.

4 rodzaje sztucznej inteligencji: skategoryzowane według funkcjonalności

Innym sposobem kategoryzacji sztucznej inteligencji jest zajrzenie pod maskę i sprawdzenie, jak wszystko wewnątrz jest zorganizowane. Czy AI faktycznie się uczy, czy tylko korzysta ze skryptów? Czy jest w stanie uczyć się na podstawie własnych działań, czy też ogranicza się do wcześniejszych danych treningowych?

Możemy tutaj wyróżnić cztery różne kategorie modeli sztucznej inteligencji i uczenia maszynowego. Podobnie jak w przypadku poprzednich kategorii, możemy umieścić je w odpowiedniej kolejności (zakładanego) postępu.

Maszyny reaktywne

To tutaj tak naprawdę zaczęła się „sztuczna inteligencja”, jaką znamy. Pierwsze z nich, takie jak niesławny szachowy Deep Blue firmy IBM, który pokonał mistrza świata Garry’ego Kasparowa w 1997 roku, były zasadniczo oparte na taktyce brutalnej siły i automatyzacji. Te SI nie „myślały” w żadnym sensie i trudno je nazwać sztuczną inteligencją według dzisiejszych definicji.

Takie rozwiązania po prostu mapowały każdy możliwy wynik i podejmowały decyzje w oparciu o jasno określony cel: zwycięstwo. Nie „uczyły się” również po każdej grze, a raczej po prostu rozpoczynały proces od nowa. 

W rzeczywistości szachy są doskonałym przykładem tego, gdzie reaktywne maszyny działają najlepiej. Scenariusz jest zawsze z góry określony: plansza ma zawsze wymiary 8×8, a figury nigdy nie zmieniają się między rozgrywkami. Źródła mądrzejsze od nas podają, że w każdej grze istnieje 10 do potęgi 40 potencjalnych ruchów. Podczas gdy wystarczająca ilość sprzętu może sprawić, że będzie to prosty problem logiczny, programiści mają dobrze opracowane algorytmy szachowe, aby pokonać ludzkie myślenie:

• Wyszukiwanie min-max wykorzystuje system punktacji do pomiaru „stanu” planszy, analizując najbliższe nadchodzące potencjalne ruchy, aby zmaksymalizować własny wynik, jednocześnie minimalizując wynik przeciwnika (a tym samym pozycję na planszy).
• Ruchy otwierające mogą być również wstępnie zaprogramowane, więc maszyna po prostu „wie”, który ruch jest najlepszą opcją w oparciu o początkową strategię przeciwnika.
• Bardziej zaawansowane algorytmy mogą propagować drzewa wielu ruchów naprzód (ale nie całej gry), stosować heurystykę i inne czynniki w celu określenia najlepszego sposobu działania.

Wystarczająco reaktywna sztuczna inteligencja może je logicznie mapować, aby określić swoje najlepsze szanse na sukces.

W rzeczywistości ograniczona pamięć w porównaniu ze skalowalną złożonością jest jedyną prawdziwą przeszkodą, przed jaką w takich zadaniach staje reaktywna maszyna. Po Deep Blue późniejsza „sztuczna inteligencja” przeniosła się do takich gier jak Go, która ma planszę 19×19 i około 10 do potęgi 360 możliwych ruchów.

Jak można je wykorzystać?

Doskonałym przykładem maszyn reaktywnych są np. silniki rekomendacji. Wykorzystują one dostępne dane do rozwiązania bardzo konkretnego zadania. Jeśli te wyniki są przekazywane z powrotem do silnika, może on poprawić swoje wyniki, ale nadal zasadniczo rozwiązuje bardzo konkretny, zdefiniowany problem w zakresie ustalonych parametrów – jest świetny w tym zadaniu, ale nie oczekuj, że z łatwością dostosuje się do czegoś nowego.

W najprostszym ujęciu prognozowanie sprzedaży można również uznać za reaktywną sztuczną inteligencję. Przekazujemy jej dane historyczne, a następnie prosimy o prognozowanie. To, co otrzymujemy z powrotem, jest z pewnością bardzo przydatne, ale zasadniczo jest to matematyczne równanie prawdopodobieństwa na skończonym zestawie danych. Zapasy, zamówienia, rezerwacje i inwestycje są tutaj idealnymi scenariuszami – istnieje wystarczająca ilość danych historycznych dla ogólnej sztucznej inteligencji, aby przewidzieć i ustabilizować bezpośrednie korzyści biznesowe.

AI z ograniczoną pamięcią

Jak sama nazwa wskazuje, te systemy AI mają zdolność uczenia się i ulepszania przyszłych decyzji. Maszyny z ograniczoną pamięcią mogą być szkolone na zestawach danych i wykorzystywać te przeszłe doświadczenia, aby wpływać na kolejne decyzje. Kiedy myślimy o sztucznej inteligencji w dzisiejszych najbardziej wydajnych formach, patrzymy na modele AI z ograniczoną pamięcią.

Niemniej jednak nazywamy je sztuczną inteligencją o ograniczonej pamięci, ponieważ stopień, w jakim mogą one zapamiętywać dane z przeszłości, jest nadal ograniczony. Po pierwsze, dane, które gromadzi system, są ograniczone przez jego programowanie – nie jest samoświadomy, więc nie może myśleć poza tym zakresem.

Oczywiście, wraz z rozwojem technologii i naszego zrozumienia mechanizmów rządzących sztuczną, przeszkody te staną się łatwiejsze do pokonania.

W czołówce tej kategorii znajdują się sieci neuronowe, deep learning i inne zaawansowane systemy AI. Chociaż nadal są one zasilane określonymi danymi, mogą myśleć na znacznie głębszym poziomie i wyciągać lepsze wnioski w porównaniu z prostym drzewem logicznym lub mapowaniem prawdopodobieństwa maszyn reaktywnych.

Jak można je wykorzystać?

Dzisiejsze najbardziej zaawansowane silniki rekomendacji należą do tej kategorii. Zamiast po prostu rekomendować podobne produkty z tej samej kategorii, uczą się na podstawie rzeczywistych danych, aby zwiększyć szansę na sukces. W ten sposób mogą one również z czasem stawać się coraz lepsze, ponieważ wyniki poprzednich działań są wykorzystywane jako nowe dane szkoleniowe.

Chatboty i systemy personalizacji marketingu również mogą należeć do tego segmentu. Zachowują one dane wejściowe z poprzednich interakcji z konkretnymi osobami, dostosowując się w ograniczony, ale znaczący sposób, aby generować najlepsze wyniki.

Dzięki dużym modelom językowym i przetwarzaniu języka naturalnego mogą zrozumieć podstawowy kontekst. Na przykład, dobrze znanym zjawiskiem jest to, że kelnerzy, którzy powtarzają dokładnie słowa swoich klientów, często otrzymują większy napiwek. Ta werbalna mimikra lub efekt papugi mogą być również symulowane przez sztuczną inteligencję – mogą identyfikować unikalne trendy wśród użytkowników i kopiować ich język w celu uzyskania lepszych wyników.

Maszyny oparte o teorię umysłu

Termin teoria umysłu pochodzi bezpośrednio z psychologii i odnosi się do zdolności człowieka do rozumienia innych ludzi i ich uczuć. Innymi słowy, jesteśmy świadomi, na pewnym poziomie, emocji innych ludzi. Na tej podstawie możemy podejmować decyzje, np. dopasować słowa lub ton głosu do postawy emocjonalnej.

Obejmuje to wiele czynników, które uważamy za oczywiste, jeśli chodzi o zdolności ludzi:

• Zdolność do rozpoznawania emocji u innych i działania zgodnie z tymi „danymi”.
• Zdolność do zmiany działania w oparciu o wiedzę pośrednią. Ludzie wiedzą np. których obszarów miasta lepiej unikać w nocy, bez konieczności zaglądania w policyjne statystyki.
• Zdolność do rozpoznawania intencji i potrzeb bez wcześniej zdefiniowanych celów.

Większość naukowców zajmujących się AI twierdzi, że od sztucznej inteligencji opartej na teorii umysłu dzieli nas jeszcze kilka lat, choć intensywnie nad tym pracują.

Przetwarzanie języka naturalnego z pewnością pomoże takiej sztucznej inteligencji zrozumieć emocje, ale samo w sobie nie wychwyci niuansów w tym, jak mówimy, ani emocji, które się za tym kryją (przynajmniej jeszcze nie teraz). Kiedy złościsz się na swojego wirtualnego asystenta domowego, on tego nie rozumie i reaguje normalnie. Podobnie rozpoznawanie obrazu i twarzy pomoże inteligentnym maszynom zrozumieć świat i to, z kim rozmawiają, ale wychwycenie mikroekspresji ludzkiej twarzy będzie kosztowało dużej więcej pracy.

Jak można je wykorzystać?

Gdy sztuczna inteligencja będzie w stanie zrozumieć emocje, jej zdolność do bezpośredniej interakcji z ludźmi znacznie wzrośnie. Po pierwsze, urządzenia takie jak wspomniani wcześniej asystenci domowi, a także inne programy obsługiwane głosowo, staną się po prostu lepsze. Wszyscy choć raz straciliśmy cierpliwość, gdy mieliśmy do czynienia z automatycznym call center, prawda?

Z drugiej strony, uczenie maszynowe oparte o teorię umysły otwiera również więcej możliwości na stanowiskach związanych z obsługą klienta. Na razie możemy tylko zgadywać, ale wydaje się, że jest to bardzo szeroki obszar możliwości.

Samoświadoma sztuczna inteligencja

Hipotetyczny „cel końcowy” rozwoju sztucznej inteligencji, samoświadoma sztuczna inteligencja to maszyna, która może zrozumieć swoje otoczenie i stan, myśląc samodzielnie i określając swoje działania poza predefiniowanymi celami lub skryptami.

Jest to również poziom AI, którego obawia się wiele osób.

Dotychczas jednak nie było takiego przełomu w systemach sztucznej inteligencji, który mógłby replikować lub przewyższać ludzką inteligencję. Podobnie, same wymagania sprzętowe oznaczają, że tego typu sztuczna inteligencja, jeśli w ogóle jest możliwa, to w bardzo odległej przyszłości. Pomimo całego niedawnego szumu dotyczącego AI, nie jesteśmy jeszcze blisko maszyn samoświadomych.

Jak można je wykorzystać?

Cóż, wielu ekspertów uważa, że samoświadoma sztuczna inteligencja nie powinna być wykorzystywana. Obszar ten jest nadal otwarty na gorące dyskusje na temat etyki i bezpieczeństwa.

Na przykład, podejmowano wiele prób stworzenia reguł dla sztucznej inteligencji w celu samozarządzania swoim zachowaniem, ale prawie wszystkie z nich można cofnąć. A jeśli wdrożymy je na maszynach zdolnych do kreatywnego myślenia, może to stanowić duży problem. Isaac Asimov napisał słynne Trzy Prawa Robotyki, ale nawet on dodał później „Zerowe” prawo, które je zastąpiło.

Krótko mówiąc, wdrożenie pełnej kontroli etycznej w sztucznej inteligencji jest nadal w pełni teoretyczne. Powiedzmy więc, że bezpośrednie zastosowania biznesowe nie są obecnie najbardziej krytycznym tematem 😉

Jak przy AI wypada ludzka inteligencja?

Czy typowy człowiek jest słabą czy silną sztuczną inteligencją? I gdzie mieścimy się w typach AI? Odpowiedź prawdopodobnie cię nie zaskoczy:

• Jeśli mielibyśmy spojrzeć na 3 poziomy AI, to ludzki umysł jest superinteligencją.
• Jeśli chodzi o 4 typy sztucznej inteligencji, ludzki umysł jest samoświadomy.

Ponieważ zadania nie są zaprogramowane, a my jesteśmy w stanie wykorzystywać dane w nowy i kreatywny sposób, odczytywać stan emocjonalny innych i rozumieć własne otoczenie, sytuację i egzystencję, istoty ludzkie są w stanie rozwiązywać problemy, z którymi obecnie istniejące typy sztucznej inteligencji sobie nie radzą.

Niestety, nie wiemy również, jak działałby ludzki mózg jako hardware. Sieci neuronowe obecnie stanowią nasze najbliższe możliwe do odtworzenia porównanie.

Jednak uczenie maszynowe ma jedną kluczową zaletę, nawet jeśli mówimy o wąskiej sztucznej inteligencji lub maszynach reaktywnych. Potrafią one myśleć na większą skalę niż człowiek. Nasze umysły są ograniczone, podczas gdy zawsze możemy dodać więcej procesorów i pamięci do sztucznej inteligencji. To dlatego Deep Blue – coś prymitywnego według dzisiejszych standardów – był w stanie pokonać profesjonalnego szachistę. Ludzki mózg dostosowuje się do danego wyzwania, ale może zostać pokonan bardziej „prymitywną” sztuczną inteligencję, jeśli ta ostatnia jest zbudowana od podstaw do tego jednego, pojedynczego zadania.

I właśnie dlatego nawet „słaba sztuczna inteligencja” rozwija się w środowiskach biznesowych. Pracownicy wykonują wiele zadań jednocześnie i starają się dopasować do napiętych harmonogramów. Wąska sztuczna inteligencja może być dodana do wykonywania jednego zadania w kółko, doskonaląc się w określonej dziedzinie. AI oparta na danych zawsze może być zasilana większą ilością danych, podczas gdy ludzie mają pewne limity.

Sztuczna inteligencja w połączeniu z ludzką

Szersze implikacje samoświadomej sztucznej inteligencji pozostawimy umysłom większym od nas. Powiemy jednak, że sztuczna inteligencja z pewnością ma swoje miejsce w codziennym biznesie. Podczas gdy ludzki mózg może osiągnąć wiele rzeczy, maszyny reaktywne i wąska sztuczna inteligencja – najbardziej podstawowe rodzaje sztucznej inteligencji – mogą zastąpić czynnik ludzki w danym, określonym zadaniu.

Dobrze wdrożone, pozostawia to personelowi pracę nad ważniejszymi obszarami, takimi jak strategia, szersze planowanie i te momenty, w których potrzebny jest wkład człowieka. Maksymalizuje to wydajność, pozwalając obu stronom wykorzystać swoje mocne strony… na razie 😊