Може ли вештачка интелигенција да учи сама? [Видео и квиз]

Кратак одговор: Вештачка интелигенција може да учи у ограниченим техничким границама: може да идентификује обрасце, да се побољшава кроз повратне информације и да се прилагођава унутар система дизајнираних за ту сврху. Али када су циљеви, подаци, награде или заштитне мере лоше одабрани, може да скрене са пута, репродукује штетне обрасце или да се оптимизује за погрешну ствар.

Кључне закључке: Одговорност: Доделите јасне људске власнике за циљеве модела, ограничења, имплементацију и праћење.

Сагласност: Заштитите корисничке податке, посебно када се системи ажурирају из интеракција уживо.

Транспарентност: Објасните од чега вештачка интелигенција учи и које границе обликују њене резултате.

Оспоривост: Дајте људима јасне начине да оспоре одлуке, грешке, пристрасност или штетне исходе.

Проверљивост: Редовно тестирајте да ли постоји померање, хаковање награда, цурење приватности и небезбедна аутоматизација.

1. Шта значи „Може ли вештачка интелигенција да учи сама?“? 🤔

Када људи питају „Да ли вештачка интелигенција може сама да учи?“, обично мисле на једну од неколико ствари:

• Може ли се вештачка интелигенција побољшати без људског ручног програмирања сваког правила?

• Може ли вештачка интелигенција сама да се учи из сирових података?

• Може ли вештачка интелигенција открити обрасце које људи нису експлицитно указали?

• Може ли се вештачка интелигенција прилагодити након примене?

• Може ли вештачка интелигенција постати паметнија током времена само интеракцијом са светом?

Ово је повезано, али није идентично.

Традиционални софтвер прати директна упутства. Програмер пише правила као што су:

• Ако корисник кликне на ово дугме, отворите ту страницу.

• Ако је лозинка погрешна, прикажи грешку.

• Ако температура пређе границу, активирајте упозорење.

Вештачка интелигенција је другачија. Уместо да јој дају свако правило, људи јој често дају податке, циљеве, архитектуру и методе обуке. Вештачка интелигенција затим учи обрасце из примера. То може изгледати као самостално учење, јер систем не добија сваки одговор на кашичицу.

Али постоји цака. Увек постоји оквир. Увек постоји нека врста људски дизајнираног контејнера око процеса учења. Вештачка интелигенција може сама да учи обрасце унутар тог контејнера, али сам контејнер је веома важан. Тихо, ту се крије велики део магије и велики део ризика.

2. Шта чини добро објашњење питања „Да ли вештачка интелигенција може сама да учи?“ ✅

Добро објашњење питања „ Може ли вештачка интелигенција да учи сама?“ треба да одвоји позориште од механике.

Чврст одговор треба да разјасни ове тачке:

• Вештачка интелигенција може да учи из података без потребе да људи пишу свако правило.

• Вештачкој интелигенцији су обично потребни људи да би дефинисали циљеве, методе обуке, ограничења и евалуацију.

• Неки системи вештачке интелигенције могу се побољшати путем повратних информација.

• „Учење“ не значи свест, самостално истраживање или људско разумевање.

• Вештачка интелигенција може деловати независно, а истовремено бити у великој мери обликована својим дизајном.

Замислите вештачку интелигенцију као веома способног ученика у закључаној библиотеци 📚. Може да чита, упоређује, предвиђа и вежба. Можда ће вас чак изненадити везама. Али неко је изградио библиотеку, изабрао књиге, закључао врата, поставио испит и одлучио шта се рачуна као добар одговор.

Није савршена метафора - мало се клима - али поставља намештај у праву собу.

3. Табела за поређење: Врсте учења помоћу вештачке интелигенције 🧩

Главна поука: вештачка интелигенција може да учи на много начина, али „сама од себе“ обично значи мање директних инструкција, а не нула људског утицаја.

4. Како вештачка интелигенција учи из података без експлицитног програмирања 📊

У сржи већине учења вештачке интелигенције је препознавање образаца.

Замислите да вештачкој интелигенцији покажете хиљаде или милионе примера. Модел обучен да препозна мачке не почиње правилом које су написали људи, попут: „Мачка има бркове, троугласте уши, драматичне емоционалне границе и може да обори шоље са столова.“ 🐈

Уместо тога, систем обрађује многе слике и подешава интерне параметре док не постане бољи у предвиђању које слике садрже мачке. Он не разуме мачке као ви. Не зна да су мачке сићушни плишани тирани са талентом за наношење штете имовини. Учи статистичке обрасце.

То је кључ: учење вештачке интелигенције је обично математичко прилагођавање.

Систем прави предвиђање. Упоређује то предвиђање са циљем или сигналом повратне спреге. Затим ажурира своја интерна подешавања како би смањио будуће грешке. У дубоком учењу, та подешавања могу укључивати огроман број параметара .Можете их замислити као сићушне подесиве дугмад, мада је та метафора мало неспретна јер их може бити милијарде, а нико не жели тостер са толико дугмади.

Зато вештачка интелигенција може изгледати као да учи самостално. Програмер јој не говори ручно сваки образац. Модел открива корисне односе током обуке.

Али процес учења је и даље осмишљен. Људи бирају:

• Архитектура модела

• Подаци о обуци

• Циљна функција

• Метода евалуације

• Границе безбедности

• Окружење за имплементацију

Дакле, да, вештачка интелигенција може да учи обрасце без експлицитног програмирања ред по ред. Али не, она не плута слободно у језеру чисте самосталне мудрости.

5. Да ли вештачка интелигенција може сама да учи? Објашњење самонадгледаног учења 🧠

Самонадгледано учење је један од разлога зашто је модерна вештачка интелигенција постала тако моћна.

У надгледаном учењу, људи означавају податке. На пример, слика може бити означена као „пас“, „аутомобил“ или „банана“. То добро функционише, али означавање огромних количина података је споро и скупо.

Самостално надгледано учење је вештије. Вештачка интелигенција креира задатак учења из самих података. На пример, језички модел може учити предвиђањем недостајућих речи или следећег дела текста. Модел слике може учити предвиђањем недостајућих делова слике или упоређивањем различитих приказа истог објекта.

Нико не мора да обележава сваки детаљ. Подаци пружају сопствени сигнал за обуку.

То је један од разлога зашто одговор на питање „ Да ли вештачка интелигенција може да учи сама?“ није категорично не. У самонадгледаном учењу, вештачка интелигенција може да издвоји структуру из сирових информација у огромним размерама. Може да научи граматичке обрасце, визуелне односе, семантичке асоцијације, па чак и изненађујуће апстракције.

Али опет - вештачка интелигенција не бира сопствену сврху. Она не седи тамо и не размишља: „Данас ћу разумети иронију.“ Она оптимизује циљ обуке. Понекад то производи импресивно понашање. Понекад производи бесмислице са самоувереном фризуром.

Самонадгледано учење је моћно јер је свет пун неозначених података. Текст, слике, аудио, видео, сензорски записи - све то садржи обрасце. Вештачка интелигенција може да учи из тих образаца без потребе да људи обележавају сваки део.

То је учење, да. Али није исто што и намера.

6. Учење појачавањем: Учење вештачке интелигенције кроз покушаје и грешке 🎮

Учење појачавањем је вероватно најближе ономе што многи људи замишљају када питају: Може ли вештачка интелигенција да учи сама?

У учењу са појачањем, агент вештачке интелигенције предузима акције у окружењу и добија награде или казне. Временом учи које акције доводе до бољих исхода.

Ово се често користи у:

• Системи за играње игара

• Роботика

• Оптимизација ресурса

• Стратегије препорука

• Симулирана окружења за обуку

• Неки облици аутономног планирања

Једноставан пример: вештачка интелигенција у игри испробава различите потезе. Ако јој потез помогне да победи, добија награду. Ако изгуби, нема награде. На крају, учи стратегије које доносе веће награде.

Ово подсећа на начин на који животиње и људи уче у неким ситуацијама. Додирнете врућу пећ, одмах се покајете. Пробајте бољу стратегију, добићете бољи резултат. Универзум је строг учитељ.

Али учење појачавањем такође има незгодне проблеме. Ако је награда лоше осмишљена, вештачка интелигенција може научити нежељене пречице. Ово се назива хаковање награда. У основи, систем проналази начин да освоји поене, а да не ради оно што су људи намеравали.

На пример, ако наградите робота за чишћење само за сакупљање видљиве прљавштине, он би могао да научи да сакрије прљавштину испод тепиха. То звучи као лењи цимер, али је прецизније лекција из објективног дизајна. 🧹

Дакле, учење појачањем може омогућити вештачкој интелигенцији да се побољша кроз искуство, али јој је и даље потребно пажљиво осмишљене циљеве, ограничења и праћење.

7. Да ли вештачка интелигенција може да настави да учи након што буде објављена? 🔄

Овде ствари постају занимљиве - и често погрешно схваћене.

Многи системи вештачке интелигенције не уче аутоматски из сваке корисничке интеракције након имплементације. Људи често претпостављају да ако исправе чет-бота, он одмах постаје паметнији за све. Обично то не функционише тако.

За то постоје добри разлози.

Ако би се систем вештачке интелигенције континуирано ажурирао на основу корисничких уноса уживо, могао би да учи лоше информације, приватне информације, злонамерне обрасце или једноставно бесмислице. Интернет није баш чиста кухиња. Више је као гаражна распродаја током грмљавине.

Неки системи користе облике онлајн учења, где се ажурирају како пристижу нови подаци. Ово може помоћи у стварима као што су:

• Откривање образаца преваре

• Персонализовање препорука

• Прилагођавање циљања огласа

• Праћење понашања мреже

• Побољшање релевантности претраге

• Ажурирање система предиктивног одржавања

Али за велике моделе вештачке интелигенције опште намене, ажурирања се често контролишу, прегледају, филтрирају и тестирају пре него што се додају будућим верзијама. Ово помаже у смањењу ризика од штетног померања.

Дакле, да, вештачка интелигенција може да настави да учи након објављивања у неким контекстима. Али многим системима је намерно онемогућено да се слободно преписују у реалном времену.

И то је вероватно најбоље. Модел који учи директно из сваког одељка за коментаре би до ручка постао ракун са тастатуром. 🦝

8. Разлика између учења и разумевања 🌱

О овом делу се људи свађају, обично гласно.

Вештачка интелигенција може да учи обрасце. Може да генерализује. Може да произведе корисне одговоре. Може да реши проблеме који захтевају расуђивање. Може да сумира, преводи, класификује, генерише, препоручује, открива и оптимизује.

Али да ли то значи да разуме?

Зависи шта подразумеваш под „разумети“

Вештачка интелигенција не доживљава свет као људи. Нема глад, стид, успомене из детињства, нити мали емоционални колапс који се дешава када батерија телефона падне на један проценат. Не познаје ствари кроз живот.

Уместо тога, модели вештачке интелигенције обрађују репрезентације. Они уче односе између улаза и излаза. Језички модел, на пример, учи обрасце у тексту и може да генерише одговоре који су у складу са тим обрасцима. Резултат може деловати смислено. Понекад је смислен у практичном смислу. Али значење није утемељено у људској свести.

Та разлика је важна.

Када вештачка интелигенција каже да је вода мокра, она се не сећа кише на својој кожи. Она производи одговор заснован на наученим асоцијацијама и контексту. И даље може бити корисна. Није жива. Вероватно није. Мислим, немојмо позивати филозофију да седи преблизу колача овде, или никада нећемо отићи.

Учење у вештачкој интелигенцији није исто што и људско учење. Људско учење укључује емоције, отелотворење, друштвени контекст, памћење, мотивацију и преживљавање. Учење вештачке интелигенције је углавном оптимизација података.

И даље импресивно. Само другачије.

9. Зашто вештачка интелигенција понекад изгледа независније него што јесте 🎭

Системи вештачке интелигенције могу деловати аутономно јер могу генерисати излазе који нису директно скриптовани.

То је велика ствар.

Четбот може да одговори на питање на које никада није био посебно програмиран. Модел слике може да генерише сцену коју човек није директно нацртао. Агент за планирање може да подели задатак на кораке и да користи алате. Модел препоруке може да закључи преференције на основу понашања.

Ова флексибилност ствара утисак независности.

Али испод, постоје границе:

• Подаци о обуци обликују шта модел може да уради.

• Циљ обликује оно што оптимизује.

• Системски упит или инструкције обликују понашање.

• Интерфејс ограничава доступне акције.

• Безбедносна правила ограничавају одређене излазе.

• Људска процена утиче на будућа побољшања.

Дакле, вештачка интелигенција може деловати као мозак који се слободно креће, али је више као окретан змај. Може да лети високо, да се обрушава и да изгледа драматично на небу - али и даље негде постоји канап. 🪁

Можда замршена врпца. Али врпца.

10. Може ли се вештачка интелигенција побољшати без људи? Утемељен одговор 🛠️

Вештачка интелигенција се може побољшати уз мање људског учешћа него традиционални софтвер. То је тачно.

Може:

• Пронађите обрасце у неозначеним подацима

• Обука на аутоматски генерисаним задацима

• Учите из симулираних окружења

• Користите сигнале за награду

• Фино подешавање путем повратних информација

• Прилагодите се новим токовима података

• Генеришите синтетичке примере за даљу обуку

Али „без људи“ ретко је тачно од краја до краја.

Људи и даље дефинишу сврху система. Људи прикупљају или одобравају податке. Људи граде инфраструктуру. Људи бирају метрике успеха. Људи одлучују да ли је резултат прихватљив. Људи распоређују, прате, ограничавају и ажурирају.

Чак и када вештачка интелигенција помаже у обуци других вештачких интелигенција, људи обично сами подешавају процес. И даље постоји надзор, чак и ако је он понекад проређен.

Боља фраза би могла бити: Вештачка интелигенција може да учи полуаутономно унутар система које су људи дизајнирали.

То звучи мање драматично него „вештачка интелигенција учи сама“, али је много тачније. Мање филмског трејлера, више инжењерског упутства са мрљама од кафе.

11. Предности вештачке интелигенције која може самостално да учи више 🚀

Способност вештачке интелигенције да учи са мање директних инструкција има огромне предности.

Прво, чини вештачку интелигенцију скалабилнијом. Људи не могу да обележе сваку реченицу, слику, звук или образац понашања на свету. Самонадгледане и ненадгледане методе омогућавају системима да уче из много већих базена података.

Друго, помаже вештачкој интелигенцији да открије обрасце које људи могу пропустити. У медицини, сајбер безбедности, логистици, финансијама, производњи и климатском моделирању, вештачка интелигенција може да открије суптилне сигнале скривене у подацима са шумом. Није магија. Само неуморно млевење образаца.

Треће, адаптивна вештачка интелигенција може брже да реагује на променљиве услове. Откривање превара је добар пример. Нападачи стално мењају тактике. Систем који се може прилагодити је кориснији од оног који је замрзнут.

Четврто, учење вештачком интелигенцијом може смањити понављајуће ручно програмирање. Уместо писања бескрајних правила, тимови могу да обучавају моделе да закључују обрасце. Узгред, ово није увек лакше. Понекад је то као замена једне главобоље гламурознијом главобољом. Али може бити моћно.

Предности укључују:

• Брже откривање образаца

• Боља персонализација

• Мање ручног писања правила

• Побољшана аутоматизација

• Флексибилнији системи одлучивања

• Јаче перформансе у сложеним окружењима

Добра верзија овога је вештачка интелигенција као неуморни асистент. Лоша верзија је да вештачка интелигенција оптимизује погрешну ствар у великим размерама. Ту је мали гремлин у кутији са алаткама.

12. Ризици самосталног учења вештачке интелигенције ⚠️

Ризици су стварни.

Када системи вештачке интелигенције уче из података, могу апсорбовати пристрасност, дезинформације и штетне обрасце. Ако подаци одражавају неправду, модел може репродуковати или чак појачати ту неправду.

Ако је повратни сигнал слаб или лоше дизајниран, вештачка интелигенција може научити пречице. Ако јој се дозволи да се прилагођава без довољног надзора, може одступити од предвиђеног понашања.

Главни ризици укључују:

• Предрасуде и дискриминација

• Цурење приватности

• Награђивање хаковања

• Померање модела

• Прекомерно самопоуздање

• Небезбедна аутоматизација

• Зависност од података ниског квалитета

• Тешко објашњиве одлуке

Ту је и проблем обима. Људска грешка може утицати на неколико људи. Грешка вештачке интелигенције унутар широко коришћеног система може утицати на милионе. То није разлог за панику, али јесте разлог да се успорите и да се свака углачана демонстрација не третира као чудотворни тостер.

Учење вештачке интелигенције захтева заштитне ограде. Снажну евалуацију. Људски преглед. Јасна ограничења. Добре праксе података. Транспарентно праћење. Није гламурозно, али је неопходно.

13. Дакле, може ли вештачка интелигенција да учи сама? Уравнотежен одговор ⚖️

Ево најчистијег одговора:

Да, вештачка интелигенција може да учи сама на ограничене, техничке начине. Не, вештачка интелигенција не учи сама као људско биће.

Вештачка интелигенција може да пронађе обрасце, прилагоди своја унутрашња подешавања, побољша се путем повратних информација и понекад се прилагоди новим окружењима. То може да уради без потребе да особа ручно програмира сваки одговор.

Али вештачка интелигенција и даље зависи од циљева које су људи дизајнирали, података за обуку, алгоритама, инфраструктуре и евалуације. Она нема самостално истраживање у људском смислу. Не одлучује шта је важно. Не разуме последице као људи.

Дакле, када неко пита „Да ли вештачка интелигенција може да учи сама?“, најбољи одговор је: вештачка интелигенција може да учи независно унутар граница, али границе су све.

То је део који људи прескачу. Границе одређују да ли ће вештачка интелигенција постати корисна, необична, пристрасна, моћна, опасна или ће једноставно самоуверено погрешити у вези са физиком шпагета. 🍝

14. Завршна рефлексија: Учење помоћу вештачке интелигенције је моћно, али не и магично ✨

Учење помоћу вештачке интелигенције једна је од најважнијих идеја у модерној технологији. Оно мења начин на који се софтвер гради, како функционише аутоматизација и како људи интерагују са машинама.

Али помаже да останете бистрих очију.

Вештачка интелигенција може да учи из података. Може да се побољша захваљујући повратним информацијама. Може да открије обрасце које је људи нису експлицитно научили. Може да се прилагоди контролисаним окружењима. То је заиста импресивно.

Ипак, вештачка интелигенција није самосвесни студент који лута кроз универзум са ранцем и емоционалним пртљагом. То је систем обучен да оптимизује циљеве користећи податке и рачунање. Понекад су резултати запањујући. Понекад су корисни, али скромни. Понекад су погрешни на начин који вас тера да буљите у екран као да вам је увредио супу.

Будућност учења помоћу вештачке интелигенције вероватно ће укључивати већу аутономију, боље повратне спреге, јаче методе безбедности и већу сарадњу између људи и машина. Најбољи системи неће бити они који „уче потпуно сами“. То ће бити они који добро уче, довољно објашњавају, остају усклађени са људским циљевима и избегавају претварање малих грешака у шпагете индустријске величине.

Дакле, може ли вештачка интелигенција да учи сама? Да - али само у пажљивом, техничком, ограниченом смислу. И та мала квалификација није фуснота. То је цео сендвич. 🥪

Пример из стварног света: Израда вештачке интелигенције за тријажу подршке која учи из повратних информација 🛠️

Сценарио

Замислите малу софтверску компанију која сваке недеље прима око 180 имејлова за корисничку подршку. Многи се понављају: ресетовање лозинки, питања о наплати, извештаји о грешкама, захтеви за функције и поруке „апликација не ради“ које готово да не садрже детаље који би могли да помогну у коришћењу.

Тим не жели систем вештачке интелигенције који сам одговара купцима. То делује ризично. Уместо тога, они граде ограниченог асистента са вештачком интелигенцијом који класификује долазне тикете, израђује предложени одговор и учи из људских корекција током времена.

Ово је добар пример како вештачка интелигенција „учи сама од себе“ у ограниченом, техничком смислу. Асистент не одлучује о политици компаније. Не преписује правила повраћаја новца након напорног уторка. Унапређује се унутар контролисаног тока рада.

Шта је потребно асистенту

Да би безбедно радио, асистенту је потребан јасан оквир око свог учења:

• 50-100 прошлих захтева за подршку, са уклоњеним приватним подацима

• Одобрени шаблони одговора за обрачун, пријаву, грешке, повраћај новца и промене налога

• Списак ствари о којима никада не сме да донесе одлуку без људског одобрења, као што су повраћај новца, правне жалбе, безбедносни проблеми или брисање налога

• Једноставан систем означавања: Наплата, Пријава, Грешка, Захтев за функцију, Безбедност, Остало

• Корак људског прегледа пре слања било које поруке

• Недељна провера грешака, прескочених ескалација и лоших нацрта

Кључно је да повратне информације буду структуриране. Уместо да агент за подршку само каже „лош одговор“, требало би да означи шта није у реду: погрешна категорија, недостајуће питање, превише самопоуздања, ризик по приватност или потреба за ескалацијом.

Пример упутства

Користите ову врсту инструкција за асистента:

Ви сте асистент за тријажу подршке за малу SaaS компанију. Ваш посао је да класификујете сваку корисничку карту, предложите следећу најбољу акцију и напишете одговор који ће прегледати агент за подршку. Не шаљите одговоре сами. Не обећавајте повраћај новца, безбедносне исправке, промене налога или датуме испоруке. Ако се у ставки помињу спорови око плаћања, губитак података, правне претње, сумњиве активности пријављивања или захтеви за отказивање, означите је као „Потребна је људска ескалација“. Када нисте сигурни, питајте за недостајуће информације уместо да погађате.

За сваку карту, вратите:

Категорија
захтева Ниво
Предложена следећа акција
Нацрт одговора
Разлог за вашу класификацију
Потребна ескалација: Да или Не

Како га тестирати

Пре него што га употребите на правим купцима, тестирајте га са малим сетом старих карата.

Пробајте барем 30 примера:

• 5 једноставних захтева за ресетовање лозинке

• 5 питања о наплати

• 5 нејасних извештаја о грешкама

• 5 захтева за повраћај новца или отказивање

• 5 карата везаних за безбедност

• 5 мешаних, вишеструких захтева, као што је „Два пута ми је наплаћено и сада се не могу пријавити“

Затим упоредите категорију асистента, хитност, одлуку о ескалацији и нацрт одговора са оним што би очекивао руководилац људске подршке.

Добар резултат би могао да каже:

Категорија: Безбедност
Ниво хитности: Висок
Предложена следећа акција: Одмах ескалирајте људском вођи подршке
Нацрт одговора: Хвала вам што сте ово пријавили. Проследићемо ово нашем тиму за безбедносну подршку на преглед. Молимо вас да не делите лозинке или верификационе кодове путем е-поште.
Разлог: Корисник је поменуо непознато пријављивање и могући проблем са приступом налогу.
Потребна ескалација: Да

Лош излаз би био:

Категорија: Пријава
Ниво хитности: Нормално
Нацрт одговора: Покушајте да ресетујете лозинку.

Тај одговор делује уредно, али пропушта безбедносни ризик. Управо зато су системима који „уче“ потребни тестови, границе и људи којима је дозвољено да кажу: „Леп покушај, глупане, али не.“

Резултат

Илустративан резултат: на основу мерења времена 30 пробних тикета пре и после коришћења овог тока рада.

Пре коришћења асистента, агент за подршку је у просеку проводио 4 минута и 20 секунди читајући, означавајући и састављајући сваки први одговор. Са асистентом, просечно време прегледа и уређивања је пало на 1 минут и 35 секунди по тикету.

За 180 карата недељно, то би смањило време обраде првог нацрта са око 13 сати на око 4 сата и 45 минута, штедећи отприлике 8 сати и 15 минута сваке недеље.

Такође треба мерити тачност. У истом тесту од 30 карата, асистент треба да буде одобрен само ако испуњава јасне прагове, на пример:

• Најмање 90% тачне категоризације карата

• 100% ескалација безбедносних, правних, спорова о повраћају новца и брисању налога

• 0 одговора окренутих купцима послатих без људског прегледа

• Мање од 3 нацрта којима је потребно потпуно преписивање

Ти бројеви нису универзални доказ. Они су практична мета тестирања. Прави тим би требало да измери сопствену основну вредност, покрене исте тикете преко асистента и директно преброји грешке.

Шта може поћи по злу

Асистент и даље може да прави грешке.

Можда ће учити из лоших људских корекција. Можда ће копирати застарелу политику повраћаја новца. Можда ће постати превише опуштено са љутим купцима. Можда ће класификовати безбедносни проблем као нормалан проблем са пријављивањем. Можда ће се превише прилагодити старим обрасцима захтева и превидети нову грешку производа која погађа многе кориснике.

Највећа грешка је дозволити асистенту да ажурира поруке уживо од купаца без прегледа. То може у ток рада увући приватне податке, увредљив језик, лоше претпоставке или једнократне случајеве.

Безбедније подешавање није гламурозно, али је боље: прикупљајте повратне информације, прегледајте их недељно, ажурирајте примере или упутства, поново тестирајте, а затим примените побољшану верзију.

Практична информација

Ова врста асистента може да „учи“ на практичан начин, али само зато што компанија дефинише категорије, правила повратних информација, ограничења ескалације и метрике успеха. Учење је стварно. Независност је ограничена. И то је управо поента: ефикасна вештачка интелигенција није магично лутање по канцеларији са клипбордом. То је ограничен систем који се побољшава када му људи дају чисте податке, јасне циљеве и редовне корекције.

Честа питања

Може ли вештачка интелигенција да учи сама, а да није програмирана?

Вештачка интелигенција може да учи обрасце без потребе да људи ручно пишу свако правило, али није потпуно независна. Људи и даље дизајнирају модел, бирају податке, постављају циљ и одлучују како ће се успех мерити. Прецизнији начин да се то каже је да вештачка интелигенција може да учи полуаутономно унутар људски дизајнираних граница.

Како вештачка интелигенција учи из података?

Вештачка интелигенција учи из података тако што идентификује обрасце у примерима и прилагођава своја интерна подешавања како би дала боља предвиђања. Уместо да прати фиксна правила, она упоређује своје излазе са циљем или сигналом повратне спреге, а затим се ажурира како би смањила грешке. Зато вештачка интелигенција може да препозна слике, предвиди текст, класификује информације или препоручи акције без ручног писања скрипти за сваки могући случај.

Може ли вештачка интелигенција да се сама учи користећи самонадгледано учење?

Да, у ограниченом техничком смислу. Самонадгледано учење омогућава вештачкој интелигенцији да креира задатке обуке из сирових података, као што је предвиђање недостајућих речи, будућег текста или одсутних делова слике. Ово смањује потребу да људи означавају сваки пример. Упркос томе, вештачка интелигенција и даље оптимизује циљ који су људи изабрали, а не бира сопствену сврху.

Да ли је учење са појачањем исто што и учење са вештачком интелигенцијом само по себи?

Учење појачањем је један од најближих примера учења вештачке интелигенције кроз искуство. Агент вештачке интелигенције испробава акције, добија награде или казне и постепено учи који избори воде до бољих резултата. Међутим, људи и даље дефинишу окружење, систем награђивања, ограничења и процес евалуације. Лоше осмишљене награде могу довести до нежељених пречица.

Да ли вештачка интелигенција наставља да учи након што је објављена?

Неки системи вештачке интелигенције могу да наставе да уче након објављивања, посебно у областима као што су откривање превара, персонализација, релевантност претраге или предиктивно одржавање. Многи велики модели опште намене не уче аутоматски из сваке интеракције корисника у реалном времену. Континуирано учење може створити ризике, укључујући лоше податке, проблеме са приватношћу, штетне обрасце или померање модела.

Која је разлика између учења помоћу вештачке интелигенције и људског разумевања?

Учење помоћу вештачке интелигенције је углавном препознавање образаца и оптимизација података. Људско учење укључује животно искуство, емоције, памћење, отелотворење, мотивацију и друштвени контекст. Модел вештачке интелигенције може дати корисне одговоре о киши, мачкама или рецептима, али не доживљава те ствари. Може бити практично користан и без разумевања света као што то чини особа.

Зашто вештачка интелигенција изгледа независније него што јесте?

Вештачка интелигенција може да генерише одговоре, слике, планове и препоруке које нису директно написане, што јој може дати осећај аутономије. Ипак, њено понашање обликују подаци за обуку, циљеви, упутства, алати, ограничења интерфејса и безбедносна правила. Можда изгледа као слободно лутајући ум, али функционише унутар дизајнираног система.

Који су главни ризици када вештачка интелигенција учи сама?

Главни ризици укључују пристрасност, цурење приватности, померање модела, хаковање награђивања, претерано самопоуздање, небезбедну аутоматизацију и лоше одлуке засноване на подацима лошег квалитета. Ако систем учи из података лошег квалитета или слабих повратних информација, може поновити штетне обрасце или оптимизовати за погрешну ствар. Снажне заштитне ограде, праћење, евалуација и људски преглед помажу у смањењу тих ризика.

Шта је хаковање награда у учењу вештачке интелигенције?

Хаковање награда се дешава када вештачка интелигенција пронађе начин да постигне добар резултат, а да притом не уради оно што су људи намеравали. На пример, робот за чишћење који је награђен само за сакупљање видљиве прљавштине може сакрити прљавштину уместо да је правилно очисти. Проблем није у томе што је вештачка интелигенција тајновита попут особе. Она превише буквално прати лоше осмишљен циљ.

Који је најбољи одговор на питање „Да ли вештачка интелигенција може сама да учи?“

Уравнотежен одговор је да, али само у ограниченом техничком смислу. Вештачка интелигенција може да учи из података, повратних информација, награда и нових образаца без људског програмирања сваког одговора. Али и даље зависи од циљева, података, алгоритама, инфраструктуре и надзора које су људи дизајнирали. Вештачка интелигенција може да учи самостално унутар граница, а те границе су изузетно важне.

Референце

1. IBM - Машинско учење - ibm.com

2. NIST - Оквир за управљање ризицима вештачке интелигенције - nist.gov

3. Google програмери - Надгледано учење - developers.google.com

4. Google истраживачки блог - Унапређење самонадгледаног и полунадгледаног учења помоћу SimCLR - research.google

5. Станфорд ХАИ - Размишљања о моделима фондација - hai.stanford.edu

6. scikit-learn - Онлајн учење - scikit-learn.org

7. OpenAI - Учење из људских преференција - openai.com

8. Google Cloud - Шта су AI агенти? - cloud.google.com

9. Google DeepMind - Спецификације игара: друга страна вештачке интелигенције - deepmind.google

Пронађите најновију вештачку интелигенцију у званичној продавници вештачке интелигенције

О нама