AI לדינוזאורים

כל מה שצריך לדעת על AI - תוך פחות מ- 8 דקות.

לדעת מעט על הכל עדיף לעיתים קרובות מאשר להיות בעל מיומנות מומחית אחת. זה נכון במיוחד עבור אנשים שנכנסים לדיון בשווקים מתעוררים. הבולט ביותר, טק.

רוב האנשים חושבים שהם יודעים מעט על AI. אבל התחום כל כך חדש וצומח כל כך מהר שהמומחים הנוכחיים פורצים דרך חדשה מדי יום. יש כל כך הרבה מדעים לגלות שטכנולוגים וקובעי מדיניות מתחומים אחרים יכולים לתרום במהירות בתחום ה- AI.

לשם נכנס מאמר זה. המטרה שלי הייתה ליצור הפניה קצרה שתביא אנשים עם אופקים טכניים במהירות עם מונחי AI, שפה וטכניקות. יש לקוות, שרוב הלא-מתרגלים יכולים להבין טקסט זה תוך כדי התייחסות לכולם.

מבוא

אינטליגנציה מלאכותית (AI), למידה עמוקה ורשתות עצביות הם מונחים המשמשים לתיאור טכניקות עוצמתיות מבוססות למידה מכונה שיכולות לפתור בעיות רבות בעולם האמיתי.

אמנם חשיבה דדוקטיבית, מסקנה וקבלת החלטות הדומות למוח האנושי הם מעט רחוקים, אך חלו התקדמויות רבות לאחרונה בטכניקות AI ואלגוריתמים נלווים. במיוחד עם הגידול בזמינות של מערכי נתונים גדולים מהם AI יכול ללמוד.

תחום ה- AI שואב תחומים רבים הכוללים מתמטיקה, סטטיסטיקה, תורת ההסתברות, פיזיקה, עיבוד אותות, למידת מכונות, מדעי המחשב, פסיכולוגיה, בלשנות ומדעי המוח. סוגיות סביב אחריות חברתית ומוסר של AI קשורות במקביל לסניפים רבים של פילוסופיה.

המוטיבציה לקידום טכניקות AI נוספת היא שהפתרונות הנדרשים לפיתרון בעיות עם משתנים רבים הם מסובכים להפליא, קשים להבנה ולא קלים להרכבה ידנית.

יותר ויותר, תאגידים, חוקרים ואנשים פרטיים מסתמכים על למידת מכונה כדי לפתור בעיות מבלי לדרוש הוראות תכנות מקיפות. גישת הקופסה השחורה הזו לפיתרון בעיות היא קריטית. מתכנתים אנושיים מוצאים את זה יותר ויותר מורכב ונדרש זמן לכתוב אלגוריתמים הנדרשים למודל ולפתרון של בעיות כבדות נתונים. אפילו כאשר אנו בונים שגרת שימושית לעיבוד מערכי נתונים גדולים, היא נוטה להיות מורכבת ביותר, קשה לתחזוקה ובלתי אפשרי לבחון אותה כראוי.

למידת מכונה מודרנית ואלגוריתמי AI, יחד עם נתוני הדרכה שנחשבו ומוכנים כראוי, מסוגלים לבצע עבורנו את התכנות.

סקירה כללית

אינטליגנציה: היכולת לתפוס מידע ולשמור עליו כידע המיושם כלפי התנהגויות הסתגלותיות בסביבה או בהקשר.

הגדרה זו של ויקיפדיה לאינטליגנציה יכולה לחול גם על מוח אורגני וגם על מכונות. אינטליגנציה אינה מרמזת על תודעה, תפיסה שגויה נפוצה המופצת על ידי סופרי מדע בדיוני.

חפש דוגמאות AI באינטרנט ותראה הפניות לווטסון של יבמ. אלגוריתם ללימוד מכונות שהתפרסם בזכות זכייתו בתכנית חידון הטלוויזיה Jeopardy בשנת 2011. הוא עבר שימוש חוזר ומשמש כתבנית למגוון מגוון של יישומים מסחריים. אפל, אמזון וגוגל עובדים קשה כדי להשיג מערכת דומה בבתים ובכיסים שלנו.

עיבוד שפות טבעיות וזיהוי דיבור היו היישומים המסחריים הראשונים של למידת מכונה. אחריה מקרוב משימות זיהוי אוטומטיות אחרות (דפוס, טקסט, שמע, תמונה, וידאו, פנים, ...). מגוון האפליקציות מתפוצץ וכולל כלי רכב אוטונומיים, אבחנות רפואיות, משחקי רשת, מנועי חיפוש, סינון דואר זבל, לחימה בפשע, שיווק, רובוטיקה, חישה מרחוק, ראיית מחשב, תחבורה, זיהוי מוזיקה, סיווג ...

AI הפך כל כך מוטמע בטכנולוגיה שאנחנו משתמשים בה, עד עכשיו זה לא נראה בעיני רבים 'AI' אלא רק הרחבה של המחשוב. שאל מישהו ברחוב אם יש לו מכשיר ממשק משתמש בטלפון והם בטח יגידו לא. אבל אלגוריתמים של AI מוטמעים בכל מקום, מטקסט חזוי למערכת המיקוד האוטומטי במצלמה. הדעה הכללית היא כי AI טרם הגיע. אבל זה כאן עכשיו ונמצא מזה זמן.

AI הוא מונח כללי למדי. המוקד של מרבית המחקר הוא התחום הצר מעט יותר של רשתות עצביות מלאכותיות ולמידה עמוקה.

איך המוח שלך עובד

המוח האנושי הוא מחשב פחמן מעודן, המוערך כביצוע של מיליארד מיליארד חישובים בשנייה (1000 פטרופ), תוך שהוא צורך בערך 20 וואט כוח. מחשב העל הסיני, Tianhe-2 (כזמן הכתיבה המהיר ביותר בעולם) מצליח רק 33,860 טריליון חישובים לשנייה (33.86 פטיפים) וצורך 17600000 וואט (17.6 מגה וואט). יש לנו דרך ללכת לפני שיצירות הסיליקון שלנו יתעדו עם התפתחותן של פחמן.

המנגנון המדויק בו משתמש המוח כדי לבצע את חשיבתו עומד לדיון ולעיון נוסף (אני אוהב את התיאוריה שהמוח רותם את ההשפעות הקוונטיות, אבל זה מאמר אחר). עם זאת, לעיתים קרובות מעצבים את פעולתם הפנימית סביב מושג הנוירונים והרשתות שלהם. המוח נחשב להכיל כמאה מיליארד נוירונים.

נוירונים מתקשרים ומתקשרים לאורך נתיבים המאפשרים העברת מסרים. האותות מהנוירונים האישיים משוקללים ומשולבים לפני הפעלת נוירונים אחרים. תהליך זה של מסרים המועברים סביב, שילוב והפעלה של נוירונים אחרים חוזר על פני שכבות. על פני 100 מיליארד הנוירונים במוח האנושי, סיכום שילוב האותות המשוקלל הזה הוא מורכב. וזה אנדרסטייטמנט ניכר.

אבל זה לא כל כך פשוט. כל נוירון מיישם פונקציה, או טרנספורמציה, על תשומותיו המשוקללות לפני הבדיקה אם הושג סף הפעלה. שילוב גורמים זה יכול להיות ליניארי או לא ליניארי.

אותות הקלט הראשוניים מקורם במגוון מקורות ... החושים שלנו, מעקב פנימי אחר תפקודי הגוף (רמת חמצן בדם, תוכן הקיבה ...). נוירון בודד עשוי לקבל מאות אלפי אותות קלט לפני שיחליט כיצד להגיב.

חשיבה או עיבוד וההוראות המתקבלות שניתנו לשרירים שלנו הם סיכומי אותות הקלט ולולאות משוב על פני שכבות ומחזורים רבים ברשת העצבית. אולם גם הרשתות העצביות של המוח משתנות ומתעדכנות, כולל שינויים בכמות המשקלול המופעלת בין נוירונים. זה נגרם על ידי למידה והתנסות.

מודל זה של המוח האנושי שימש כתבנית כדי לעזור לשכפל את יכולות המוח בתוך הדמיית מחשב ... רשת עצבית מלאכותית.

רשתות עצביות מלאכותיות (ANNs)

רשתות עצביות מלאכותיות הינן מודלים מתמטיים בהשראת ומודגמות ברשתות עצביות ביולוגיות. ANNs מסוגלים לעצב ולעבד מערכות יחסים לא לינאריות בין תשומות לתפוקות. משקולות הסתגלות בין הנוירונים המלאכותיים מכווננות על ידי אלגוריתם למידה הקורא נתונים שנצפו במטרה לשפר את התפוקה.

טכניקות אופטימיזציה משמשות כדי להפוך את פיתרון ה- ANN להיות קרוב ככל האפשר לפיתרון האופטימלי. אם האופטימיזציה מוצלחת, ה- ANN מסוגלת לפתור את הבעיה הספציפית עם ביצועים גבוהים.

ANN מעוצב באמצעות שכבות של נוירונים. מבנה שכבות אלה ידוע כארכיטקטורת הדגם. נוירונים הם יחידות חישוב בודדות המסוגלות לקבל תשומות וליישם פונקציה מתמטית כדי לקבוע אם מועברים הודעות.

במודל פשוט של שלוש שכבות, השכבה הראשונה היא שכבת הקלט, ואחריה שכבה נסתרת אחת ושכבת פלט. כל שכבה יכולה להכיל נוירונים אחד או יותר.

ככל שמודלים הופכים מורכבים יותר ויותר, עם יותר שכבות ויותר נוירונים, יכולות פתרון הבעיות שלהם גדלות. אם המודל גדול מדי לבעיה הנתונה, עם זאת, לא ניתן לייעל את המודל בצורה יעילה. זה נקרא התאמה יתר.

ארכיטקטורת המודל הבסיסית וכוונון הם המרכיבים העיקריים בטכניקות ANN, יחד עם אלגוריתמי הלמידה לקריאה בנתונים. כל הרכיבים נושאים את ביצועי הדגם.

מודלים נוטים להתאפיין בפונקציית הפעלה. זה משמש להמרת קלט משוקלל של נוירון להפעלת הפלט שלו. יש מבחר טרנספורמציות שיכולות לשמש כפונקציית ההפעלה.

ANNs יכולים להיות חזקים ביותר. אולם למרות שהמתמטיקה של כמה נוירונים היא פשוטה, הרשת כולה מתרחשת והופכת למורכבת. בגלל זה ANNs נחשבים לאלגוריתמים 'קופסה שחורה'. בחירה ב- ANN ככלי לפיתרון בעיה צריכה להיעשות בזהירות מכיוון שלא ניתן יהיה לפתוח את הבחירה בתהליך קבלת ההחלטות של המערכת אחר כך.

תמונה מאת פטריק תומאסו ב- Unsplash

למידה עמוקה

למידה עמוקה היא מונח המשמש לתיאור רשתות עצביות ואלגוריתמים קשורים הצורכים נתונים גולמיים. הנתונים מעובדים דרך שכבות המודל לחישוב תפוקת יעד.

למידה ללא פיקוח היא המקום בו טכניקות למידה עמוקה מצטיינות. ANN שהוגדר כהלכה מסוגל לזהות אוטומטית תכונות בנתוני הקלט החשובים כדי להשיג את הפלט הרצוי. באופן מסורתי הנטל של הבנת נתוני הקלט נופל לרוב על המתכנת שבונה את המערכת. עם זאת, בהגדרת הלמידה העמוקה, המודל עצמו יכול לזהות כיצד לפרש את הנתונים כדי להשיג תוצאות משמעותיות. לאחר שהוכשרה מערכת מיטבית, דרישות החישוב, הזיכרון והעוצמה של המודל מופחתים בהרבה.

במילים פשוטות, אלגוריתמים למידת תכונות מאפשרים למכונה ללמוד למשימה ספציפית תוך שימוש בנתונים המותאמים היטב ... האלגוריתמים לומדים כיצד ללמוד.

למידה עמוקה מיושמת במגוון רחב של משימות ונחשבת לאחת מטכניקות ה- AI החדשניות. ישנם אלגוריתמים מעוצבים המתאימים לבעיות למידה מפוקחות, ללא פיקוח וחצי פיקוח.

למידת צללים היא מונח המשמש לתיאור צורה פשוטה יותר של למידה עמוקה שבה בחירת התכונות של הנתונים מצריכה עיבוד מראש וידע מעמיק יותר על ידי המתכנת. הדגמים המתקבלים יכולים להיות שקופים יותר וביצועים גבוהים יותר על חשבון זמן מוגבר בשלב העיצוב.

סיכום

AI הוא תחום רב עוצמה של עיבוד נתונים ויכול להניב תוצאות מורכבות במהירות רבה יותר מאשר פיתוח אלגוריתמים מסורתי על ידי מתכנתים. ANNs וטכניקות למידה עמוקה יכולות לפתור מערך מגוון של בעיות קשות. החיסרון הוא שהדגמים המותאמים ביותר שנוצרו הם קופסא שחורה ובלתי אפשרי לבחירתם על ידי יוצריהם האנושיים. זה יכול להוביל לבעיות אתיות שחשיבותן של נתונים חשובה להן.