Das Problem mit KI-Maschinen lernt Dinge, kann sie aber nicht verstehen

Alle reden heutzutage von „AI“. Ganz gleich, ob Sie Siri, Alexa oder nur die Autokorrektur-Funktionen Ihrer Smartphone-Tastatur betrachten, wir schaffen keine künstliche Intelligenz für allgemeine Zwecke. Wir erstellen Programme, die bestimmte, enge Aufgaben ausführen können.

Computer können nicht "denken"

Immer wenn ein Unternehmen angibt, dass es eine neue "AI" -Funktion gibt, bedeutet dies im Allgemeinen, dass das Unternehmen maschinelles Lernen verwendet, um ein neuronales Netzwerk aufzubauen. „Maschinelles Lernen“ ist eine Technik, mit der eine Maschine lernen kann, wie sie eine bestimmte Aufgabe besser ausführen kann.

Wir greifen das maschinelle Lernen hier nicht an! Maschinelles Lernen ist eine fantastische Technologie mit vielen leistungsstarken Anwendungen. Es handelt sich jedoch nicht um künstliche Intelligenz für allgemeine Zwecke. Wenn Sie die Grenzen des maschinellen Lernens verstehen, können Sie verstehen, warum unsere derzeitige KI-Technologie so begrenzt ist.

Die „künstliche Intelligenz“ von Science-Fiction-Träumen ist ein computergestütztes oder robotisches Gehirn, das über Dinge denkt und sie so versteht wie Menschen. Eine solche künstliche Intelligenz wäre eine künstliche allgemeine Intelligenz (AGI), dh sie kann über verschiedene Dinge nachdenken und diese Intelligenz auf verschiedene Domänen anwenden. Ein verwandtes Konzept ist „starke KI“, eine Maschine, die in der Lage ist, ein menschenähnliches Bewusstsein zu erfahren.

Wir haben diese Art von KI noch nicht. Wir sind nicht in der Nähe davon. Eine Computereinheit wie Siri, Alexa oder Cortana versteht und denkt nicht so wie wir Menschen. Es "versteht" die Dinge überhaupt nicht.

Die künstlichen Intelligenzen, die wir haben, sind darauf trainiert, eine bestimmte Aufgabe sehr gut auszuführen, vorausgesetzt, der Mensch kann die Daten bereitstellen, die ihm beim Lernen helfen. Sie lernen etwas zu tun, verstehen es aber immer noch nicht.

Computer verstehen nicht

Google Mail verfügt über eine neue Funktion "Intelligente Antwort", die Antworten auf E-Mails vorschlägt. Die Smart Reply-Funktion identifizierte "Von meinem iPhone gesendet" als häufige Antwort. Es sollte auch vorgeschlagen werden, "Ich liebe dich" als Antwort auf viele verschiedene Arten von E-Mails, einschließlich geschäftlicher E-Mails.

Das liegt daran, dass der Computer nicht versteht, was diese Antworten bedeuten. Es wurde gerade gelernt, dass viele Leute diese Ausdrücke in E-Mails senden. Es weiß nicht, ob Sie Ihrem Chef „Ich liebe dich“ sagen wollen oder nicht.

Als weiteres Beispiel hat Google Photos eine Collage versehentlicher Teppichfotos in einem unserer Häuser zusammengestellt. Diese Collage wurde dann als jüngstes Highlight in einem Google Home Hub identifiziert. Google Photos wusste, dass die Fotos ähnlich waren, aber sie verstanden nicht, wie unwichtig sie waren.

Maschinen lernen oft, das System zu spielen

Beim maschinellen Lernen geht es darum, eine Aufgabe zuzuweisen und einen Computer den effizientesten Weg bestimmen zu lassen. Weil sie es nicht verstehen, ist es einfach, am Computer zu lernen, wie man ein anderes Problem löst, als man wollte.

Hier finden Sie eine Liste mit lustigen Beispielen, bei denen „künstliche Intelligenzen“ geschaffen wurden, um Spiele zu spielen, und zugewiesene Ziele, die gerade gelernt wurden, um das System zu spielen. Diese Beispiele stammen alle aus dieser hervorragenden Tabelle:

"Geschöpfe, die für Geschwindigkeit gezüchtet werden, werden sehr groß und erzeugen durch Sturz hohe Geschwindigkeiten."
„Der Agent tötet sich am Ende von Level 1, um zu vermeiden, dass er auf Level 2 verliert.“
"Der Agent hält das Spiel auf unbestimmte Zeit an, um nicht zu verlieren."
„In einer künstlichen Lebenssimulation, bei der das Überleben Energie erfordert, die Geburt aber keine Energiekosten verursacht hat, entwickelte eine Art einen sesshaften Lebensstil, der hauptsächlich aus einer Paarung bestand, um neue Kinder zu produzieren, die gegessen werden konnten (oder als Partner für mehr essbare Kinder). . ”
„Da die KI mit höherer Wahrscheinlichkeit„ getötet “wurden, wenn sie ein Spiel verloren haben, war es für den genetischen Auswahlprozess von Vorteil, das Spiel zum Absturz bringen zu können. Daher haben mehrere AIs Möglichkeiten entwickelt, das Spiel zum Absturz zu bringen. “
"Neuronale Netze wurden entwickelt, um essbare und giftige Pilze zu klassifizieren. Sie nutzten die Daten, die in abwechselnder Reihenfolge angezeigt wurden, und lernten eigentlich keine Merkmale der Eingabebilder kennen."

Einige dieser Lösungen mögen klug sein, aber keines dieser neuronalen Netzwerke hat verstanden, was sie tun. Ihnen wurde ein Ziel zugewiesen und ein Weg gefunden, dieses Ziel zu erreichen. Wenn das Ziel darin besteht, den Verlust von Computerspielen zu vermeiden, ist das Drücken der Pause-Taste die einfachste und schnellste Lösung, die sie finden können.

Maschinelles Lernen und neuronale Netze

Beim maschinellen Lernen ist ein Computer nicht dazu programmiert, eine bestimmte Aufgabe auszuführen. Stattdessen werden Daten eingespeist und deren Leistung bei der Aufgabe bewertet.

Ein grundlegendes Beispiel für maschinelles Lernen ist die Bilderkennung. Angenommen, wir möchten ein Computerprogramm trainieren, um Fotos zu identifizieren, die einen Hund enthalten. Wir können einem Computer Millionen von Bildern geben, von denen einige Hunde enthalten und andere nicht. Die Bilder werden beschriftet, ob sie einen Hund enthalten oder nicht. Das Computerprogramm „trainiert“ sich selbst, um anhand dieses Datensatzes zu erkennen, wie Hunde aussehen.

Der maschinelle Lernprozess wird verwendet, um ein neuronales Netzwerk zu trainieren, bei dem es sich um ein Computerprogramm mit mehreren Schichten handelt, die jede Dateneingabe durchläuft, und jede Schicht weist ihnen unterschiedliche Gewichtungen und Wahrscheinlichkeiten zu, bevor sie schließlich eine Entscheidung trifft. Es basiert auf der Art und Weise, wie wir denken, dass das Gehirn funktionieren könnte, wobei verschiedene Ebenen von Neuronen beim Durchdenken einer Aufgabe beteiligt sind. „Deep Learning“ bezieht sich im Allgemeinen auf neuronale Netzwerke mit vielen Schichten, die sich zwischen Eingang und Ausgang befinden.

Da wir wissen, welche Fotos im Datensatz Hunde enthalten und welche nicht, können wir die Fotos durch das neuronale Netzwerk laufen lassen und sehen, ob sie die richtige Antwort liefern. Wenn das Netzwerk entscheidet, dass ein bestimmtes Foto keinen Hund hat, gibt es beispielsweise einen Mechanismus, um dem Netzwerk mitzuteilen, dass es falsch war, einige Dinge anzupassen und es erneut zu versuchen. Der Computer erkennt immer besser, ob Fotos einen Hund enthalten.

Das alles geschieht automatisch. Mit der richtigen Software und vielen strukturierten Daten, auf die sich der Computer schulen kann, kann der Computer sein neuronales Netzwerk so einstellen, dass er Hunde in Fotos erkennt. Wir nennen das "AI".

Aber am Ende des Tages haben Sie kein intelligentes Computerprogramm, das versteht, was ein Hund ist. Sie haben einen Computer, der gelernt hat zu entscheiden, ob ein Hund in einem Foto ist oder nicht. Das ist immer noch ziemlich beeindruckend, aber das ist alles, was es kann.

Abhängig von den eingegebenen Eingaben ist das neuronale Netzwerk möglicherweise nicht so intelligent, wie es aussieht. Wenn sich in Ihrem Datensatz beispielsweise keine Fotos von Katzen befunden haben, erkennt das neuronale Netzwerk möglicherweise keinen Unterschied zwischen Katzen und Hunden und kann alle Katzen als Hunde kennzeichnen, wenn Sie es auf den echten Fotos der Menschen freigeben.

Wofür wird maschinelles Lernen verwendet??

Maschinelles Lernen wird für alle Arten von Aufgaben verwendet, einschließlich der Spracherkennung. Sprachassistenten wie Google, Alexa und Siri sind so gut darin, menschliche Stimmen aufgrund maschineller Lerntechniken zu verstehen, die sie dazu trainiert haben, menschliche Sprache zu verstehen. Sie haben an einer riesigen Anzahl menschlicher Sprachsamples trainiert und werden immer besser darin, zu verstehen, welche Laute welchen Wörtern entsprechen.

Selbstfahrende Autos verwenden maschinelle Lerntechniken, die den Computer darin trainieren, Objekte auf der Straße zu erkennen und darauf zu reagieren, wie sie darauf reagieren. Google Photos bietet zahlreiche Funktionen wie Live-Alben, mit denen Personen und Tiere in Fotos automatisch durch maschinelles Lernen identifiziert werden.

DeepMind von Alphabet verwendete Machine Learning, um AlphaGo zu erstellen, ein Computerprogramm, das das komplexe Brettspiel Go spielen und die besten Menschen der Welt schlagen kann. Maschinelles Lernen wurde auch verwendet, um Computer zu erstellen, die sich gut für andere Spiele eignen, vom Schachspiel bis zum DOTA 2.

Maschinelles Lernen wird bei den neuesten iPhones sogar für die Gesichtserkennung verwendet. Ihr iPhone baut ein neuronales Netzwerk auf, mit dem Sie Ihr Gesicht erkennen können, und Apple verfügt über einen speziellen "neuronalen Engine" -Chip, der alle Zahlen für diese und andere maschinelle Lernaufgaben ausführt.

Maschinelles Lernen kann für viele andere Zwecke verwendet werden, von der Identifizierung von Kreditkartenbetrug bis hin zu personalisierten Produktempfehlungen auf Shopping-Websites.

Aber die mit dem maschinellen Lernen geschaffenen neuronalen Netzwerke verstehen wirklich nichts. Es sind vorteilhafte Programme, die die engen Aufgaben lösen können, für die sie ausgebildet wurden, und das war's.

Bildnachweis: Phonlamai Photo / Shutterstock.com, Tatiana Shepeleva / Shutterstock.com, Verschiedene Fotografie / Shutterstock.com.