المشكلة مع آلات الذكاء الاصطناعي هي أشياء التعلم ، ولكن لا يمكن فهمها

الجميع يتحدث عن "منظمة العفو الدولية" في هذه الأيام. ولكن ، سواء كنت تبحث عن Siri أو Alexa أو مجرد ميزات التصحيح التلقائي الموجودة في لوحة مفاتيح هاتفك الذكي ، فإننا لا نخلق الذكاء الاصطناعي للأغراض العامة. نحن بصدد إنشاء برامج يمكنها أداء مهام محددة ضيقة.

أجهزة الكمبيوتر لا يمكن "التفكير"

عندما تقول إحدى الشركات إنها تخرج بميزة جديدة ، فإن هذا يعني بشكل عام أن الشركة تستخدم التعلم الآلي لبناء شبكة عصبية. "التعلم الآلي" هو أسلوب يتيح للآلة "تعلم" كيفية أداء أفضل في مهمة محددة.

نحن لا نهاجم التعلم الآلي هنا! تعلم الآلة هو تقنية رائعة مع الكثير من الاستخدامات القوية. ولكنه ليس ذكاءً صناعياً عام الغرض ، وفهم حدود التعلم الآلي يساعدك على فهم سبب محدودية تكنولوجيا AI الحالية.

إن "الذكاء الاصطناعي" لأحلام الخيال العلمي هو نوع من أنواع الدماغ الآلية أو الآلية التي تفكر في الأشياء وتفهمها كما يفعل البشر. مثل هذا الذكاء الاصطناعي سيكون ذكاءً عامًا مصطنعًا (AGI) ، مما يعني أنه يمكن التفكير في أمور متعددة مختلفة وتطبيق ذلك الذكاء على مجالات متعددة مختلفة. المفهوم ذو الصلة هو "الذكاء الاصطناعي القوي" ، الذي سيكون آلة قادرة على اختبار الوعي الشبيه بالإنسان.

ليس لدينا هذا النوع من الذكاء الاصطناعى بعد. نحن لسنا في أي مكان قريب منه. كيان الكمبيوتر مثل سيري ، اليكسا ، أو كورتانا لا يفهم ويفكر كما نفعل نحن البشر. إنه لا "يفهم" الأشياء على الإطلاق.

يتم تدريب الذكاء الاصطناعي الذي نقوم به على القيام بمهمة محددة بشكل جيد ، على افتراض أن البشر يمكنهم توفير البيانات لمساعدتهم على التعلم. يتعلمون القيام بشيء ما ولكنهم لا يزالون لا يفهمونه.

أجهزة الكمبيوتر لا تفهم

يحتوي Gmail على ميزة "رد ذكي" جديدة تقترح ردودًا على رسائل البريد الإلكتروني. ميزة الرد الذكي حددت "تم الإرسال من جهاز iPhone" كرد مشترك. كما أراد أيضًا اقتراح "أحبك" كرد على العديد من أنواع رسائل البريد الإلكتروني المختلفة ، بما في ذلك رسائل البريد الإلكتروني الخاصة بالعمل.

ذلك لأن الكمبيوتر لا يفهم ما تعنيه هذه الردود. لقد علمنا أن العديد من الأشخاص يرسلون هذه العبارات في رسائل البريد الإلكتروني. لا يعرف ما إذا كنت تريد أن تقول "أنا أحبك" لرئيسك في العمل أم لا.

وكمثال آخر ، يضع تطبيق صور Google صورة مجمعة للصور العرضية للسجاد في أحد منازلنا. بعد ذلك حددت هذا الملصق كحدث أخير على Google Home Hub. علم صور Google أن الصور متشابهة ولكن لم تفهم كيف كانت غير مهمة.

آلات غالبا ما تتعلم لعبة النظام

يدور التعلم الآلي حول تعيين مهمة والسماح لجهاز الكمبيوتر بتحديد الطريقة الأكثر فعالية للقيام بذلك. لأنهم لا يفهمون ، من السهل أن ينتهي الأمر مع الكمبيوتر "تعلم" كيفية حل مشكلة مختلفة عن ما تريد.

فيما يلي قائمة من الأمثلة الممتعة حيث تم إنشاء "الذكاء الاصطناعي" للعب الألعاب والأهداف المحددة التي تعلمتها فقط لتلعب اللعبة. تأتي كل هذه الأمثلة من جدول البيانات الممتاز هذا:

• "المخلوقات التي تربى من أجل سرعة تنمو طويلا حقا وتولد سرعات عالية من خلال السقوط."
• "وكيل يقتل نفسه في نهاية المستوى 1 لتجنب الخسارة في المستوى 2."
• "يوقف الوكيل اللعبة مؤقتًا لتجنب الخسارة".
• "في محاكاة مصطنعة للحياة حيث تتطلب الطاقة اللازمة للبقاء ولكن الولادة ليس لها تكلفة طاقة ، تطور أحد الأنواع نمط حياة غير نشط يتألف في الغالب من التزاوج من أجل إنتاج أطفال جدد يمكن تناوله (أو استخدامه كزملاء لإنتاج أطفال أكثر قابلية للأكل) ".
• "بما أنه كان من المرجح أن يتعرض" الذكاء الاصطناعي "للقتل" "إذا فقدوا لعبة ، فإن القدرة على تحطيم اللعبة كانت ميزة لعملية الاختيار الوراثي. لذلك ، وضعت العديد من AIS طرق لتحطم اللعبة ".
• "لقد تطورت الشِباك العصبية لتصنيف الفطر الصالح للأكل والسام ، واستفاد من البيانات التي يتم تقديمها بترتيب متناوب ولم يتعرف فعليًا على أي ميزات لصور الإدخال."

قد تبدو بعض هذه الحلول ذكية ، ولكن أيا من هذه الشبكات العصبية لم يفهم ما كانوا يفعلون. تم تعيين هدف لهم وتعلمت طريقة لتحقيق ذلك. إذا كان الهدف هو تجنب الخسارة في لعبة كمبيوتر ، فإن الضغط على زر الإيقاف المؤقت هو أسهل وأسرع حل يمكن أن يجدوه.

التعلم الآلي والشبكات العصبية

مع التعلم الآلي ، لا يتم برمجة الكمبيوتر للقيام بمهمة محددة. بدلاً من ذلك ، يتم تغذية البيانات وتقييمها على أدائها في المهمة.

أحد الأمثلة الأولية على تعلم الآلة هو التعرف على الصور. لنفترض أننا نريد تدريب برنامج كمبيوتر لتحديد الصور التي تحتوي على كلب فيها. يمكننا إعطاء جهاز كمبيوتر ملايين الصور ، وبعضها يحتوي على كلاب فيها والبعض الآخر لا. يتم تسمية الصور ما إذا كان لديهم كلب فيها أم لا. يقوم برنامج الكمبيوتر "بتدريب" نفسه على التعرف على شكل الكلاب على أساس مجموعة البيانات تلك.

يتم استخدام عملية التعلم الآلي لتدريب الشبكة العصبية ، وهي عبارة عن برنامج كمبيوتر ذو طبقات متعددة يمر عبرها كل مدخل من البيانات ، وتخصص كل طبقة أوزانًا واحتمالات مختلفة لها قبل اتخاذ القرار في النهاية. لقد تم تصميمه على طريقة تفكيرنا في عمل الدماغ ، مع وجود طبقات مختلفة من العصبونات تشارك في التفكير من خلال مهمة. يشير "التعلم العميق" عمومًا إلى الشبكات العصبية ذات الطبقات العديدة المكدسة بين المدخلات والمخرجات.

لأننا نعرف الصور الموجودة في مجموعة البيانات التي تحتوي على كلاب والتي لا ، يمكننا تشغيل الصور عبر الشبكة العصبية ومعرفة ما إذا كانت تؤدي إلى الإجابة الصحيحة. إذا قررت الشبكة أن صورة معينة لا تحتوي على كلب عندما تفعل ذلك ، على سبيل المثال ، فهناك آلية لإخبار الشبكة بأنها خاطئة وتعديل بعض الأشياء والمحاولة مرة أخرى. يستمر الكمبيوتر في التحسن عند تحديد ما إذا كانت الصور تحتوي على كلب.

كل هذا يحدث تلقائيا. باستخدام البرنامج الصحيح والكثير من البيانات المهيكلة للكمبيوتر لتدريب نفسه ، يمكن للكمبيوتر ضبط شبكته العصبية لتحديد الكلاب في الصور. نحن نسمي هذا "منظمة العفو الدولية".

ولكن ، في نهاية اليوم ، ليس لديك برنامج كمبيوتر ذكي يفهم ما هو الكلب. لديك جهاز كمبيوتر تم تعلمه ليقرر ما إذا كان الكلب في الصورة أم لا. هذا لا يزال مثيرًا للإعجاب ، لكن هذا كل ما في وسعه القيام به.

واعتمادًا على المدخلات التي قدمتها ، قد لا تكون الشبكة العصبية ذكية كما تبدو. على سبيل المثال ، إذا لم تكن هناك أي صور للقطط في مجموعة البيانات الخاصة بك ، فقد لا ترى الشبكة العصبية فرقاً بين القطط والكلاب وقد تضع علامة على كل القطط مثل الكلاب عندما تطلقها على صور الأشخاص الحقيقية.

ما هو آلة التعلم المستخدمة ل?

يستخدم التعلم الآلي لجميع أنواع المهام ، بما في ذلك التعرف على الكلام. إن مساعدي الصوت مثل Google و Alexa و Siri جيدون في فهم الأصوات البشرية بسبب تقنيات التعلم الآلي التي دربتهم على فهم الكلام البشري. لقد تدربوا على كمية هائلة من عينات الكلام البشري وأصبحوا أفضل وأفضل في فهم الأصوات التي تتوافق مع الكلمات.

تستخدم السيارات ذاتية القيادة تقنيات تعلم الآلة التي تقوم بتدريب الكمبيوتر على التعرف على الكائنات الموجودة على الطريق وكيفية الاستجابة لها بشكل صحيح. إن صور Google مليئة بالميزات مثل الألبومات المباشرة التي تحدد الأشخاص والحيوانات تلقائيًا في الصور باستخدام التعلم الآلي.

استخدم DeepMind الأبجدية في تعلم الآلة لإنشاء AlphaGo ، وهو برنامج كمبيوتر يمكن أن يلعب لعبة اللعبة المعقدة Go ويهزم أفضل البشر في العالم. كما تم استخدام التعلم الآلي لإنشاء أجهزة كمبيوتر جيدة في لعب ألعاب أخرى ، من الشطرنج إلى DOTA 2.

يتم استخدام التعلم الآلي حتى لجهاز Face ID على أحدث أجهزة iPhone. يقوم جهاز iPhone الخاص بك ببناء شبكة عصبية تتعلم كيفية التعرف على وجهك ، وتتضمن Apple شريحة "محرك عصبي" مخصصة تعمل على إجراء كافة عمليات الطحن لهذا والمهام الأخرى الخاصة بالتعلم الآلي..

يمكن استخدام التعلم الآلي للكثير من الأشياء المختلفة الأخرى ، من تحديد الاحتيال على بطاقات الائتمان إلى توصيات المنتجات المخصصة على مواقع التسوق.

لكن الشبكات العصبية التي تم إنشاؤها باستخدام التعلم الآلي لا تفهم أي شيء. انهم برامج مفيدة يمكن أن تنجز المهام الضيقة التي تم تدريبهم عليها ، وهذا كل شيء.

Image Credit: Phonlamai Photo / Shutterstock.com، Tatiana Shepeleva / Shutterstock.com، Sundry Photography / Shutterstock.com.