A mund të mësojë vetë inteligjenca artificiale? [Video dhe kuiz]

Përgjigje e shkurtër: IA mund të mësojë brenda kufijve të kufizuar teknikë: ajo mund të identifikojë modele, të përmirësohet përmes reagimeve dhe të përshtatet brenda sistemeve të projektuara për atë qëllim. Por kur qëllimet, të dhënat, shpërblimet ose masat mbrojtëse zgjidhen keq, ajo mund të devijojë, të riprodhojë modele të dëmshme ose të optimizohet për gjënë e gabuar.

Përmbledhje kryesore: Përgjegjshmëria: Caktoni pronarë të qartë njerëzorë për qëllimet, kufizimet, vendosjen dhe monitorimin e modelit.

Pëlqimi: Mbroni të dhënat e përdoruesit, veçanërisht kur sistemet përditësohen nga ndërveprimet e drejtpërdrejta.

Transparenca: Shpjegoni se nga çfarë mëson IA dhe cilët kufij i formësojnë rezultatet e saj.

Kontestueshmëria: Jepuni njerëzve rrugë të qarta për të sfiduar vendimet, gabimet, paragjykimet ose rezultatet e dëmshme.

Auditueshmëria: Testoni rregullisht për devijim, hakerim shpërblimesh, rrjedhje të privatësisë dhe automatizim të pasigurt.

1. Çfarë do të thotë "A mund të mësojë inteligjenca artificiale vetë?"? 🤔

Kur njerëzit pyesin "A mund të mësojë inteligjenca artificiale vetë?", ata zakonisht nënkuptojnë një nga disa gjëra:

• A mund të përmirësohet inteligjenca artificiale pa një njeri që programon manualisht çdo rregull?

• A mund të mësojë vetë inteligjenca artificiale nga të dhënat e papërpunuara?

• A mund të zbulojë inteligjenca artificiale modele që njerëzit nuk i kanë theksuar në mënyrë të qartë?

• A mund të përshtatet inteligjenca artificiale pas vendosjes?

• A mund të bëhet inteligjenca artificiale më e zgjuar me kalimin e kohës vetëm duke bashkëvepruar me botën?

Këto janë të lidhura, por nuk janë identike.

Softueri tradicional ndjek udhëzime të drejtpërdrejta. Një zhvillues shkruan rregulla si:

• Nëse përdoruesi klikon këtë buton, hapet ajo faqe.

• Nëse fjalëkalimi është i gabuar, shfaq një gabim.

• Nëse temperatura tejkalon një limit, aktivizoni një alarm.

IA është e ndryshme. Në vend që t’i japin çdo rregull, njerëzit shpesh i japin të dhëna, objektiva, arkitekturë dhe metoda trajnimi. IA mëson më pas modele nga shembujt. Kjo mund të duket si të mësuarit e pavarur, sepse sistemit nuk i jepet çdo përgjigje me një lugë gjelle.

Por ka një pengesë. Gjithmonë ekziston një kornizë. Gjithmonë ekziston një lloj kontejneri i projektuar nga njeriu rreth procesit të të nxënit. IA mund të mësojë modele vetë brenda atij kontejneri, por vetë kontejneri ka shumë rëndësi. Në heshtje, aty ndodhet pjesa më e madhe e magjisë dhe e rrezikut.

2. Çfarë e bën një shpjegim të mirë të “A mund të mësojë inteligjenca artificiale vetë?” ✅

Një shpjegim i mirë i librit “ A mund të mësojë inteligjenca artificiale vetë?” duhet ta ndajë teatrin nga mekanika.

Një përgjigje e fortë duhet t'i bëjë të qarta këto pika:

• IA mund të mësojë nga të dhënat pa pasur nevojë që njerëzit të shkruajnë çdo rregull.

• IA zakonisht ka nevojë për njerëz për të përcaktuar qëllimet, metodat e trajnimit, kufijtë dhe vlerësimin.

• Disa sisteme të inteligjencës artificiale mund të përmirësohen përmes sytheve të reagimit.

• "Të mësuarit" nuk do të thotë vetëdije, hetim i drejtuar nga vetja ose të kuptuarit si njeriu.

• IA mund të duket e pavarur, ndërkohë që ende formësohet shumë nga dizajni i saj.

Mendojeni Inteligjencën Artificiale si një student shumë të aftë në një bibliotekë të mbyllur 📚. Mund të lexojë, krahasojë, parashikojë dhe praktikojë. Madje mund t'ju habisë me lidhje. Por dikush ndërtoi bibliotekën, zgjodhi librat, mbylli dyert, caktoi provimin dhe vendosi se çfarë llogaritet si një përgjigje e mirë.

Nuk është një metaforë e përsosur - lëkundet pak - por i vendos mobiljet në dhomën e duhur.

3. Tabela Krahasuese: Llojet e Mësimit me IA 🧩

Përfundimi i rëndësishëm: IA mund të mësojë në shumë mënyra, por "vetëm" zakonisht do të thotë më pak udhëzime të drejtpërdrejta, jo zero ndikim njerëzor.

4. Si mëson IA nga të dhënat pa qenë e programuar në mënyrë të qartë 📊

Në zemër të shumicës së të nxënit të inteligjencës artificiale është njohja e modeleve.

Imagjinoni t’i tregoni një inteligjence artificiale mijëra ose miliona shembuj. Një model i trajnuar për të njohur macet nuk fillon me një rregull të shkruar nga njeriu si: “Një mace ka mustaqe, veshë trekëndësh, kufij emocionalë dramatikë dhe mund të rrëzojë gota nga tavolinat.” 🐈

Në vend të kësaj, sistemi përpunon shumë imazhe dhe rregullon parametrat e brendshëm derisa të bëhet më i mirë në parashikimin se cilat imazhe përmbajnë mace. Ai nuk i kupton macet në mënyrën që i kupton ti. Nuk e di që macet janë tiranë të vegjël prej kadifeje me talent për dëmtimin e pronës. Ai mëson modele statistikore.

Ky është çelësi: të mësuarit me anë të inteligjencës artificiale zakonisht është përshtatje matematikore.

Sistemi bën një parashikim. Ai e krahason atë parashikim me një objektiv ose sinjal reagimi. Pastaj përditëson cilësimet e tij të brendshme për të zvogëluar gabimet në të ardhmen. Në të mësuarit e thellë, këto cilësime mund të përfshijnë një numër të madh parametrash. Mund t'i mendoni ato si butona të vegjël të rregullueshëm, megjithëse kjo metaforë është paksa e ngathët sepse mund të ketë miliarda prej tyre, dhe askush nuk dëshiron një toster me kaq shumë butona.

Kjo është arsyeja pse inteligjenca artificiale mund të duket sikur po mëson në mënyrë të pavarur. Një zhvillues nuk i tregon manualisht çdo model. Modeli zbulon marrëdhënie të dobishme gjatë trajnimit.

Por procesi i të nxënit është ende i projektuar. Njerëzit zgjedhin:

• Arkitektura e modelit

• Të dhënat e stërvitjes

• Funksioni objektiv

• Metoda e vlerësimit

• Kufijtë e sigurisë

• Mjedisi i vendosjes

Pra, po, inteligjenca artificiale mund të mësojë modele pa qenë e programuar në mënyrë të qartë rresht pas rreshti. Por jo, ajo nuk po lundron lirshëm në një pellg me mençuri të pastër të vetë-drejtuar.

5. A mund të mësojë vetë inteligjenca artificiale? Mësimi i vetë-mbikëqyrur i shpjeguar 🧠

Mësimi i vetë-mbikëqyrur është një nga arsyet pse inteligjenca artificiale moderne është bërë kaq e fuqishme.

Në të mësuarit e mbikëqyrur, njerëzit etiketojnë të dhënat. Për shembull, një fotografi mund të etiketohet si "qen", "makinë" ose "banane". Kjo funksionon mirë, por etiketimi i sasive të mëdha të të dhënave është i ngadaltë dhe i kushtueshëm.

Mësimi i vetë-mbikëqyrur është më artistik. IA krijon një detyrë mësimore nga vetë të dhënat. Për shembull, një model gjuhësor mund të mësojë duke parashikuar fjalët që mungojnë ose pjesën tjetër të tekstit. Një model imazhi mund të mësojë duke parashikuar pjesët që mungojnë të një imazhi ose duke krahasuar pamje të ndryshme të të njëjtit objekt.

Askush nuk ka nevojë të etiketojë çdo detaj. Të dhënat japin sinjalin e tyre të trajnimit.

Kjo është një arsye pse përgjigjja e pyetjes " A mund të mësojë IA vetë?" nuk është një "jo" e prerë. Në të mësuarit e vetë-mbikëqyrur, IA mund të nxjerrë strukturë nga informacioni i papërpunuar në një shkallë të gjerë. Mund të mësojë modele të ngjashme me gramatikën, marrëdhënie vizuale, shoqata semantike dhe madje edhe abstraksione të habitshme.

Por përsëri - IA nuk po e zgjedh vetë qëllimin e vet. Nuk po rri aty duke menduar, "Sot do ta kuptoj ironinë". Po optimizon një objektiv stërvitjeje. Ndonjëherë kjo prodhon sjellje mbresëlënëse. Ndonjëherë prodhon gjëra të pakuptimta me një prerje flokësh të sigurt.

Mësimi i vetë-mbikëqyrur është i fuqishëm sepse bota është plot me të dhëna të paetiketuara. Tekst, imazhe, audio, video, regjistra sensorësh - të gjitha përmbajnë modele. IA mund të mësojë nga këto modele pa qenë nevoja që njerëzit të etiketojnë çdo pjesë.

Kjo është të mësuarit, po. Por nuk është e njëjta gjë me qëllimin.

6. Mësim përforcues: Mësimi i IA-së përmes Provës dhe Gabimit 🎮

Mësimi përforcues është ndoshta gjëja më e afërt me atë që shumë njerëz imagjinojnë kur pyesin: A mund të mësojë inteligjenca artificiale vetë?

Në të mësuarit përforcues, një agjent i inteligjencës artificiale ndërmerr veprime në një mjedis dhe merr shpërblime ose penalizime. Me kalimin e kohës, ai mëson se cilat veprime çojnë në rezultate më të mira.

Kjo përdoret shpesh në:

• Sistemet e lojërave

• Robotikë

• Optimizimi i burimeve

• Strategjitë e rekomandimit

• Mjedise të simuluara trajnimi

• Disa forma të planifikimit autonom

Një shembull i thjeshtë: një inteligjencë artificiale në një lojë provon lëvizje të ndryshme. Nëse një lëvizje e ndihmon të fitojë, ajo shpërblehet. Nëse humbet, nuk ka biskotë. Përfundimisht, ajo mëson strategji që prodhojnë shpërblime më të larta.

Kjo ngjan me mënyrën se si kafshët dhe njerëzit mësojnë në disa situata. Prek sobën e nxehtë, pendohesh menjëherë. Provo një strategji më të mirë, merr rezultate më të mira. Universi është një mësues i rreptë.

Por mësimi përforcues ka edhe probleme të ndërlikuara. Nëse shpërblimi është i projektuar keq, inteligjenca artificiale mund të mësojë shkurtesa të padëshiruara. Kjo quhet hakim shpërblimesh. Në thelb, sistemi gjen një mënyrë për të fituar pikë pa bërë atë që njerëzit kishin ndërmend.

Për shembull, nëse shpërbleni një robot pastrimi vetëm për mbledhjen e papastërtisë së dukshme, ai mund të mësojë ta fshehë papastërtinë nën qilim. Kjo tingëllon si një shok dhome dembel, por është më saktësisht një mësim mbi dizajnin objektiv. 🧹

Pra, të mësuarit përforcues mund të lejojë që IA të përmirësohet përmes përvojës, por ajo prapëseprapë ka nevojë për qëllime, kufizime dhe monitorim të hartuar me kujdes.

7. A mund të vazhdojë të mësojë inteligjenca artificiale pasi të publikohet? 🔄

Këtu gjërat bëhen interesante - dhe shpesh keqkuptohen.

Shumë sisteme të inteligjencës artificiale nuk mësojnë automatikisht nga çdo ndërveprim i përdoruesit pas vendosjes. Njerëzit shpesh supozojnë se nëse korrigjojnë një chatbot, ai bëhet menjëherë më i zgjuar për të gjithë. Zakonisht, nuk funksionon kështu.

Ka arsye të mira për këtë.

Nëse një sistem IA përditësohej vazhdimisht nga të dhënat e përdoruesit, ai mund të mësonte informacione të këqija, informacione private, modele dashakeqe ose thjesht gjëra të pakuptimta. Interneti nuk është pikërisht një kuzhinë e pastër. Është më shumë si një shitje në garazh gjatë një stuhie.

Disa sisteme përdorin forma të të mësuarit online, ku ato përditësohen ndërsa vijnë të dhëna të reja. Kjo mund të ndihmojë me gjëra të tilla si:

• Zbulimi i modeleve të mashtrimit

• Personalizimi i rekomandimeve

• Rregullimi i synimit të reklamave

• Monitorimi i sjelljes së rrjetit

• Përmirësimi i rëndësisë së kërkimit

• Përditësimi i sistemeve të mirëmbajtjes parashikuese

Por për modelet e mëdha të inteligjencës artificiale me qëllim të përgjithshëm, përditësimet shpesh kontrollohen, rishikohen, filtrohen dhe testohen përpara se të shtohen në versionet e ardhshme. Kjo ndihmon në uljen e rrezikut të devijimit.

Pra, po, IA mund të vazhdojë të mësojë pas publikimit në disa kontekste. Por shumë sisteme pengohen qëllimisht që të rishkruajnë lirisht veten në kohë reale.

Dhe kjo është ndoshta për të mirën. Një model që mëson drejtpërdrejt nga çdo seksion komentesh do të bëhej një rakun me tastierë në kohën e drekës. 🦝

8. Dallimi midis të mësuarit dhe të kuptuarit 🌱

Kjo është pjesa për të cilën njerëzit debatojnë, zakonisht me zë të lartë.

IA mund të mësojë modele. Mund të përgjithësojë. Mund të prodhojë përgjigje të dobishme. Mund të zgjidhë probleme që duket se kërkojnë arsyetim. Mund të përmbledhë, përkthejë, klasifikojë, gjenerojë, rekomandojë, zbulojë dhe optimizojë.

Por a do të thotë kjo se e kupton?

Varet se çfarë nënkuptoni me "kuptoni"

IA nuk e përjeton botën siç e përjetojnë njerëzit. Nuk ka uri, siklet, kujtime të fëmijërisë apo kolaps të vogël emocional që ndodh kur bateria e telefonit arrin një përqind. Nuk i njeh gjërat përmes jetës.

Në vend të kësaj, modelet e inteligjencës artificiale përpunojnë përfaqësimet. Ato mësojnë marrëdhëniet midis të dhënave hyrëse dhe dalëse. Një model gjuhësor, për shembull, mëson modele në tekst dhe mund të gjenerojë përgjigje që përputhen me ato modele. Rezultati mund të ndihet kuptimplotë. Ndonjëherë është kuptimplotë në një kuptim praktik. Por kuptimi nuk është i bazuar në vetëdijen njerëzore.

Ky dallim ka rëndësi.

Kur inteligjenca artificiale thotë se uji është i lagësht, nuk po e kujton shiun në lëkurën e saj. Po prodhon një përgjigje të bazuar në shoqata dhe kontekst të mësuar. Mund të jetë ende e dobishme. Nuk është e gjallë. Ndoshta jo. Dua të them, le të mos e ftojmë filozofinë të qëndrojë shumë pranë tortës këtu, përndryshe nuk do të largohemi kurrë.

Të mësuarit në inteligjencën artificiale nuk është i njëjtë me të mësuarit njerëzor. Të mësuarit njerëzor përfshin emocionin, mishërimin, kontekstin shoqëror, kujtesën, motivimin dhe mbijetesën. Të mësuarit në inteligjencën artificiale është kryesisht optimizim mbi të dhënat.

Ende mbresëlënëse. Thjesht ndryshe.

9. Pse IA Ndonjëherë Duket Më e Pavarur nga Sa Është 🎭

Sistemet e inteligjencës artificiale mund të duken autonome sepse mund të gjenerojnë rezultate që nuk janë shkruar drejtpërdrejt.

Kjo është një gjë e madhe.

Një chatbot mund t'i përgjigjet një pyetjeje për të cilën nuk është programuar kurrë posaçërisht. Një model imazhi mund të gjenerojë një skenë që asnjë njeri nuk e ka vizatuar drejtpërdrejt. Një agjent planifikimi mund ta ndajë një detyrë në hapa dhe të përdorë mjete. Një model rekomandimi mund të nxjerrë përfundime për preferencat nga sjellja.

Kjo fleksibilitet krijon përshtypjen e pavarësisë.

Por poshtë, ka kufij:

• Të dhënat e trajnimit formësojnë atë që modeli mund të bëjë.

• Objektivi formëson atë që optimizon.

• Kërkesat ose udhëzimet e sistemit formësojnë sjelljen.

• Ndërfaqja kufizon veprimet e disponueshme.

• Rregullat e sigurisë kufizojnë rezultate të caktuara.

• Vlerësimi njerëzor ndikon në përmirësimet e ardhshme.

Pra, inteligjenca artificiale mund të duket si një tru që lëviz lirshëm, por është më shumë si një qift i shkathët. Mund të fluturojë lart, të fluturojë përreth dhe të duket dramatik në qiell - por prapëseprapë ka një fije diku. 🪁

Ndoshta një fije e ngatërruar. Por një fije.

10. A mund të përmirësohet inteligjenca artificiale pa njerëzit? Përgjigja e bazuar 🛠️

IA mund të përmirësohet me më pak përfshirje njerëzore sesa softuerët tradicionalë. Kjo është e vërtetë.

Mund të:

• Gjej modele në të dhëna të paetiketuara

• Trajnohuni mbi detyrat e gjeneruara automatikisht

• Mësoni nga mjediset e simuluara

• Përdorni sinjale shpërblimi

• Përmirëso përmes reagimeve

• Përshtatuni me rrjedhat e reja të të dhënave

• Gjeneroni shembuj sintetikë për trajnime të mëtejshme

Por “pa njerëz” rrallë është e saktë nga fillimi në fund.

Njerëzit ende përcaktojnë qëllimin e sistemit. Njerëzit mbledhin ose miratojnë të dhëna. Njerëzit ndërtojnë infrastrukturë. Njerëzit zgjedhin metrikat e suksesit. Njerëzit vendosin nëse rezultati është i pranueshëm. Njerëzit vendosin, monitorojnë, kufizojnë dhe përditësojnë.

Edhe kur inteligjenca artificiale ndihmon në trajnimin e inteligjencës artificiale të tjera, njerëzit zakonisht e krijojnë procesin. Ende ka mbikëqyrje, edhe nëse në disa vende ajo zvogëlohet.

Një frazë më e mirë mund të ishte: IA mund të mësojë gjysmë-autonome brenda sistemeve të dizajnuara nga njeriu.

Kjo tingëllon më pak dramatike sesa "IA mëson vetë", por është shumë më e saktë. Më pak trailer filmi, më shumë manual inxhinierik me njolla kafeje.

11. Përfitimet e Inteligjencës Artificiale që Mund të Mësojnë Më Shumë në Mënyrë të Pavarur 🚀

Aftësia e IA-së për të mësuar me më pak udhëzime të drejtpërdrejta ka përparësi të mëdha.

Së pari, e bën IA-në më të shkallëzueshme. Njerëzit nuk mund të etiketojnë çdo fjali, imazh, tingull ose model sjelljeje në botë. Metodat e vetë-mbikëqyrura dhe të pa-mbikëqyrura i lejojnë sistemet të mësojnë nga grupe shumë më të mëdha të dhënash.

Së dyti, ndihmon inteligjencën artificiale të zbulojë modele që njerëzit mund t’i humbasin. Në mjekësi, siguri kibernetike, logjistikë, financë, prodhim dhe modelim klimatik, inteligjenca artificiale mund të zbulojë sinjale delikate të fshehura në të dhëna të zhurmshme. Jo magji. Vetëm një përpunim i pamëshirshëm i modeleve.

Së treti, IA adaptive mund të reagojë më shpejt ndaj kushteve në ndryshim. Zbulimi i mashtrimit është një shembull i mirë. Sulmuesit ndryshojnë taktikat vazhdimisht. Një sistem që mund të përshtatet është më i dobishëm sesa një sistem i ngrirë në vend.

Së katërti, të mësuarit e inteligjencës artificiale mund të zvogëlojë programimin manual përsëritës. Në vend që të shkruajnë rregulla të pafundme, ekipet mund të trajnojnë modele për të nxjerrë modele. Kjo nuk është gjithmonë më e lehtë, meqë ra fjala. Ndonjëherë është si të zëvendësosh një dhimbje koke me një tjetër më tërheqëse. Por mund të jetë e fuqishme.

Përfitimet përfshijnë:

• Zbulim më i shpejtë i modelit

• Personalizim më i mirë

• Shkrimi i rregullave manuale më të ulëta

• Automatizim i përmirësuar

• Sisteme vendimmarrjeje më fleksibile

• Performancë më e fortë në mjedise komplekse

Versioni i mirë i kësaj është IA si një asistent i palodhur. Versioni i keq është që IA optimizon gjënë e gabuar në shkallë të gjerë. Ja ku është ai gremlini i vogël në kutinë e veglave.

12. Rreziqet e të mësuarit të vetë-përdorimit të inteligjencës artificiale ⚠️

Rreziqet janë reale.

Kur sistemet e inteligjencës artificiale mësojnë nga të dhënat, ato mund të thithin paragjykime, dezinformata dhe modele të dëmshme. Nëse të dhënat pasqyrojnë padrejtësi, modeli mund ta riprodhojë ose edhe ta amplifikojë atë padrejtësi.

Nëse sinjali i reagimit është i dobët ose i projektuar keq, inteligjenca artificiale mund të mësojë rrugë të shkurtra. Nëse i lejohet të përshtatet pa mbikëqyrje të mjaftueshme, ajo mund të largohet nga sjellja e synuar.

Rreziqet kryesore përfshijnë:

• Paragjykim dhe diskriminim

• Rrjedhje e privatësisë

• Hakimi me shpërblime

• Zhvendosja e modelit

• Vetëbesim i tepruar

• Automatizim i pasigurt

• Varësia nga të dhënat me cilësi të ulët

• Vendime të vështira për t'u shpjeguar

Ekziston edhe problemi i shkallës. Një gabim njerëzor mund të prekë disa njerëz. Një gabim i inteligjencës artificiale brenda një sistemi të përdorur gjerësisht mund të prekë miliona. Kjo nuk është një arsye për panik, por është një arsye për të ngadalësuar dhe për të mos e trajtuar çdo demo të rafinuar si një thekëse mrekullie.

Mësimi i inteligjencës artificiale ka nevojë për parmakë mbrojtës. Vlerësim i fortë. Rishikim njerëzor. Kufij të qartë. Praktika të mira të të dhënave. Monitorim transparent. Jo tërheqës, por i domosdoshëm.

13. Pra, a mund të mësojë inteligjenca artificiale vetë? Përgjigja e ekuilibruar ⚖️

Ja përgjigjja më e pastër:

Po, inteligjenca artificiale mund të mësojë vetë në mënyra të kufizuara teknike. Jo, inteligjenca artificiale nuk mëson vetë si një qenie njerëzore.

IA mund të gjejë modele, të rregullojë cilësimet e saj të brendshme, të përmirësohet përmes reagimeve dhe ndonjëherë të përshtatet me mjedise të reja. Mund ta bëjë këtë pa pasur nevojë që një person të programojë manualisht çdo përgjigje.

Por inteligjenca artificiale ende varet nga qëllimet e hartuara nga njeriu, të dhënat e trajnimit, algoritmet, infrastruktura dhe vlerësimi. Ajo nuk ka hetim të vetë-drejtuar në kuptimin njerëzor. Nuk vendos se çfarë ka rëndësi. Nuk i kupton pasojat në mënyrën që i kuptojnë njerëzit.

Pra, kur dikush pyet A mund të mësojë IA vetë?,përgjigjja më e mirë është: IA mund të mësojë në mënyrë të pavarur brenda kufijve, por kufijtë janë gjithçka.

Kjo është pjesa që njerëzit e anashkalojnë. Kufijtë përcaktojnë nëse IA bëhet e dobishme, e veçantë, e anshme, e fuqishme, e rrezikshme apo thjesht gabon me bindje në lidhje me fizikën e spagetit. 🍝

14. Reflektim Përfundimtar: Mësimi i IA-së është i Fuqishëm, Por Jo Magjik ✨

Mësimi i inteligjencës artificiale është një nga idetë më të rëndësishme në teknologjinë moderne. Ai ndryshon mënyrën se si ndërtohet softueri, si funksionon automatizimi dhe si njerëzit bashkëveprojnë me makinat.

Por ndihmon të qëndrosh i kthjellët.

IA mund të mësojë nga të dhënat. Mund të përmirësohet nga reagimet. Mund të zbulojë modele që njerëzit nuk ia kanë mësuar në mënyrë të qartë. Mund të përshtatet në mjedise të kontrolluara. Kjo është vërtet mbresëlënëse.

Megjithatë, IA nuk është një student i vetëdijshëm që endet nëpër univers me një çantë shpine dhe bagazh emocional. Është një sistem i trajnuar për të optimizuar objektivat duke përdorur të dhëna dhe llogaritje. Ndonjëherë rezultatet janë të mahnitshme. Ndonjëherë ato janë të dobishme, por modeste. Ndonjëherë ato gabohen në një mënyrë që të bën të shikosh ekranin sikur të ka ofenduar supën.

E ardhmja e të mësuarit me inteligjencën artificiale ka të ngjarë të përfshijë më shumë autonomi, sythe më të mira reagimi, metoda më të forta sigurie dhe më shumë bashkëpunim midis njerëzve dhe makinave. Sistemet më të mira nuk do të jenë ato që "mësojnë tërësisht vetë". Ato do të jenë ato që mësojnë mirë, shpjegojnë mjaftueshëm, qëndrojnë në përputhje me qëllimet njerëzore dhe shmangin shndërrimin e gabimeve të vogla në gjëra të kota industriale.

Pra, a mund të mësojë vetë IA? Po - por vetëm në kuptimin e kujdesshëm, teknik dhe të kufizuar. Dhe ky kualifikim i vogël nuk është një shënim në fund të faqes. Është i gjithë sanduiçi. 🥪

Shembull nga bota reale: Ndërtimi i një asistenti të inteligjencës artificiale për triazh mbështetës që mëson nga reagimet 🛠️

Skenari

Imagjinoni një kompani të vogël softuerësh që merr rreth 180 email-e për mbështetjen e klientëve çdo javë. Shumë prej tyre janë përsëritëse: rivendosje fjalëkalimesh, pyetje në lidhje me faturimin, raportime gabimesh, kërkesa për funksione dhe mesazhe "aplikacioni është i prishur" që nuk përmbajnë pothuajse asnjë detaj të zbatueshëm.

Ekipi nuk dëshiron një sistem IA që u përgjigjet klientëve vetë. Kjo duket e rrezikshme. Në vend të kësaj, ata ndërtojnë një asistent të kufizuar IA që klasifikon thirrjet hyrëse, harton një përgjigje të sugjeruar dhe mëson nga korrigjimet njerëzore me kalimin e kohës.

Ky është një shembull i mirë i inteligjencës artificiale që “mëson vetë” në kuptimin e kufizuar teknik. Asistenti nuk po vendos për politikat e kompanisë. Nuk po rishkruan rregullat e rimbursimit pas një të marte pikante. Po përmirësohet brenda një fluksi pune të kontrolluar.

Çfarë i duhet asistentit

Për të punuar në mënyrë të sigurt, asistenti ka nevojë për një enë të qartë rreth të nxënit të tij:

• 50-100 tiketa mbështetjeje të kaluara, me detaje private të hequra

• Modele përgjigjesh të miratuara për faturimin, hyrjen, gabimet, rimbursimet dhe ndryshimet e llogarisë

• Një listë me gjërat që nuk duhet të vendosë kurrë pa miratimin e njeriut, siç janë rimbursimet, ankesat ligjore, problemet e sigurisë ose fshirja e llogarisë

• Një sistem i thjeshtë etiketimi: Faturimi, Hyrja, Gabimi, Kërkesa për Funksione, Siguria, Të tjera

• Një hap shqyrtimi njerëzor përpara se të dërgohet ndonjë mesazh

• Një kontroll javor i gabimeve, përshkallëzimeve të anashkaluara dhe drafteve të dobëta

Çelësi është që reagimet duhet të jenë të strukturuara. Në vend që një agjent mbështetjeje të thotë thjesht "përgjigje e keqe", ata duhet të shënojnë se çfarë ishte e gabuar: kategori e gabuar, pyetje që mungon, shumë besim, rrezik për privatësinë ose nevojë për përshkallëzim.

Shembull udhëzimi

Përdorni këtë lloj udhëzimi për asistentin:

Ju jeni një asistent i triazhit të mbështetjes për një kompani të vogël SaaS. Detyra juaj është të klasifikoni çdo tiketë klienti, të sugjeroni veprimin më të mirë të radhës dhe të hartoni një përgjigje që një agjent mbështetjeje njerëzore ta shqyrtojë. Mos dërgoni vetë përgjigje. Mos premtoni rimbursime, rregullime sigurie, ndryshime llogarie ose data dorëzimi. Nëse tiketa përmend mosmarrëveshje pagesash, humbje të të dhënave, kërcënime ligjore, aktivitet të dyshimtë hyrjeje ose kërkesa të zemëruara për anulim, shënojeni atë si "Kërkohet përshkallëzim njerëzor". Kur jeni të pasigurt, kërkoni informacion që mungon në vend që të hamendësoni.

Për çdo biletë, kthehuni:

Kategoria e biletës
Niveli i urgjencës
Veprimi i ardhshëm i sugjeruar
Përgjigja në draft
Arsyeja për klasifikimin tuaj
Nevojitet shkallëzim: Po ose Jo

Si ta testoni

Para se ta përdorni te klientë të vërtetë, testojeni me një grup të vogël biletash të vjetra.

Provoni të paktën 30 shembuj:

• 5 kërkesa të thjeshta për rivendosjen e fjalëkalimit

• 5 pyetje në lidhje me faturimin

• 5 raporte të paqarta të defekteve

• 5 kërkesa për rimbursim ose anulim

• 5 bileta që lidhen me sigurinë

• 5 bileta të përziera, me shumë numra, si p.sh. "Më ngarkuan dy herë dhe tani nuk mund të hyj"

Pastaj krahasoni kategorinë e asistentit, urgjencën, vendimin e përshkallëzimit dhe përgjigjen e draftit me atë që do të priste një drejtues mbështetjeje njerëzore.

Një rezultat i mirë mund të thotë:

Kategoria:
Niveli i urgjencës së sigurisë: I lartë
Veprimi i ardhshëm i sugjeruar: Përshkallëzojeni menjëherë te një kontakt mbështetës njerëzor
Përgjigje draft: Faleminderit që e raportuat këtë. Do t'ia kalojmë këtë ekipit tonë të mbështetjes së sigurisë për shqyrtim. Ju lutemi mos ndani fjalëkalime ose kode verifikimi me email.
Arsyeja: Klienti përmendi një hyrje të panjohur dhe një problem të mundshëm me aksesin në llogari.
Nevojitet përshkallëzim: Po

Një rezultat i keq do të ishte:

Kategoria: Hyrje
Niveli i urgjencës: Normale
Përgjigja në draft: Provo të rivendosësh fjalëkalimin tënd.

Kjo përgjigje duket e rregullt, por nuk e merr parasysh rrezikun e sigurisë. Pikërisht për këtë arsye sistemet e "mësimit" kanë nevojë për teste, kufij dhe njerëz që lejohen të thonë: "Përpjekje e mirë, truri i bukës, por jo"

Rezultati

Rezultati ilustrues: bazuar në llogaritjen e kohës së 30 biletave shembullore para dhe pas përdorimit të këtij fluksi pune.

Përpara se të përdorte asistentin, një agjent mbështetjeje shpenzonte mesatarisht 4 minuta e 20 sekonda duke lexuar, etiketuar dhe hartuar çdo përgjigje të parë. Me asistentin, koha mesatare e shqyrtimit dhe redaktimit ra në 1 minutë e 35 sekonda për përgjigje.

Për 180 bileta në javë, kjo do të zvogëlonte kohën e përpunimit të draftit të parë nga rreth 13 orë në rreth 4 orë e 45 minuta, duke kursyer afërsisht 8 orë e 15 minuta çdo javë.

Saktësia duhet të matet gjithashtu. Në të njëjtin test me 30 bileta, asistenti duhet të miratohet vetëm nëse përmbush pragje të qarta, për shembull:

• Të paktën 90% kategorizim i saktë i biletave

• Përshkallëzim 100% i çështjeve të sigurisë, ligjore, mosmarrëveshjeve për rimbursim dhe fshirjes së llogarisë

• 0 përgjigje të drejtuara nga klientët të dërguara pa shqyrtim njerëzor

• Më pak se 3 drafte që kanë nevojë për një rishkrim të plotë

Këto numra nuk janë provë universale. Ato janë një objektiv praktik për testim. Një ekip i vërtetë duhet të masë nivelin e vet bazë, të ekzekutojë të njëjtat bileta përmes asistentit dhe të numërojë gabimet drejtpërdrejt.

Çfarë mund të shkojë keq

Asistenti mund të bëjë ende gabime.

Mund të mësojë nga korrigjimet e dobëta njerëzore. Mund të kopjojë një politikë të vjetëruar të rimbursimit. Mund të bëhet shumë i pavëmendshëm me klientët e zemëruar. Mund ta klasifikojë një problem sigurie si një problem normal hyrjeje. Mund të përshtatet tepër me modelet e vjetra të biletave dhe të mos marrë parasysh një gabim të ri të produktit që prek shumë përdorues.

Gabimi më i madh është të lejosh asistentin të përditësohet nga mesazhet e klientëve live pa u shqyrtuar. Kjo mund të përfshijë të dhëna private, gjuhë abuzive, supozime të këqija ose raste të veçanta në rrjedhën e punës.

Një konfigurim më i sigurt nuk është shumë i bukur, por më i mirë: mblidhni reagime, rishikojini ato çdo javë, përditësoni shembujt ose udhëzimet, testoni përsëri dhe më pas vendosni versionin e përmirësuar.

Përgatitje praktike për të marrë me vete

Ky lloj asistenti mund të “mësojë” në një mënyrë praktike, por vetëm sepse kompania përcakton kategoritë, rregullat e reagimeve, kufijtë e përshkallëzimit dhe metrikat e suksesit. Mësimi është real. Pavarësia është e kufizuar. Dhe kjo është pikërisht çështja: IA efektive nuk është magji që endet nëpër zyrë me një tabelë. Është një sistem i kufizuar që përmirësohet kur njerëzit i japin të dhëna të pastra, qëllime të qarta dhe korrigjime të rregullta.

Pyetje të shpeshta

A mund të mësojë inteligjenca artificiale vetë pa u programuar?

IA mund të mësojë modele pa qenë nevoja që njerëzit të shkruajnë çdo rregull me dorë, por nuk është plotësisht e pavarur. Njerëzit prapëseprapë e hartojnë modelin, zgjedhin të dhënat, vendosin objektivin dhe vendosin se si do të matet suksesi. Një mënyrë më e saktë për ta thënë është se IA mund të mësojë në mënyrë gjysmëautonome brenda kufijve të projektuar nga njeriu.

Si mëson IA nga të dhënat?

IA mëson nga të dhënat duke identifikuar modelet në shembuj dhe duke rregulluar cilësimet e saj të brendshme për të bërë parashikime më të mira. Në vend që të ndjekë rregulla fikse, ajo krahason rezultatet e saj me një objektiv ose sinjal reagimi, pastaj përditëson veten për të zvogëluar gabimet. Kjo është arsyeja pse IA mund të njohë imazhet, të parashikojë tekstin, të klasifikojë informacionin ose të rekomandojë veprime pa u skriptuar manualisht për çdo rast të mundshëm.

A mund të mësojë vetë inteligjenca artificiale duke përdorur të mësuarit e vetë-mbikëqyrur?

Po, në një kuptim të kufizuar teknik. Mësimi i vetë-mbikëqyrur i lejon IA-së të krijojë detyra trajnimi nga të dhëna të papërpunuara, të tilla si parashikimi i fjalëve që mungojnë, tekstit të ardhshëm ose pjesëve që mungojnë të një imazhi. Kjo zvogëlon nevojën që njerëzit të etiketojnë çdo shembull. Megjithatë, IA ende po optimizon një qëllim të zgjedhur nga njerëzit, jo duke zgjedhur qëllimin e vet.

A është mësimi përforcues i njëjtë me mësimin e inteligjencës artificiale më vete?

Mësimi përforcues është një nga shembujt më të afërt të të mësuarit me anë të inteligjencës artificiale nëpërmjet përvojës. Një agjent i inteligjencës artificiale provon veprime, merr shpërblime ose penalizime dhe gradualisht mëson se cilat zgjedhje çojnë në rezultate më të mira. Megjithatë, njerëzit ende përcaktojnë mjedisin, sistemin e shpërblimeve, kufijtë dhe procesin e vlerësimit. Shpërblimet e hartuara dobët mund të çojnë në rrugë të shkurtra të padëshiruara.

A vazhdon të mësojë IA pasi të publikohet?

Disa sisteme të inteligjencës artificiale mund të vazhdojnë të mësojnë pas publikimit, veçanërisht në fusha si zbulimi i mashtrimeve, personalizimi, rëndësia e kërkimit ose mirëmbajtja parashikuese. Shumë modele të mëdha me qëllim të përgjithshëm nuk mësojnë automatikisht nga çdo ndërveprim i përdoruesit në kohë reale. Mësimi i vazhdueshëm mund të krijojë rreziqe, duke përfshirë të dhëna të këqija, probleme me privatësinë, modele të dëmshme ose devijim të modelit.

Cili është ndryshimi midis të mësuarit të IA-së dhe të kuptuarit njerëzor?

Mësimi i inteligjencës artificiale është kryesisht njohje dhe optimizim i modeleve mbi të dhënat. Mësimi njerëzor përfshin përvojën e jetuar, emocionin, kujtesën, mishërimin, motivimin dhe kontekstin shoqëror. Një model i inteligjencës artificiale mund të prodhojë përgjigje të dobishme në lidhje me shiun, macet ose recetat, por nuk i përjeton këto gjëra. Mund të jetë praktikisht i dobishëm pa e kuptuar botën siç e kupton një person.

Pse IA duket më e pavarur nga ç'është në të vërtetë?

IA mund të gjenerojë përgjigje, imazhe, plane dhe rekomandime që nuk janë shkruar drejtpërdrejt, gjë që mund ta bëjë atë të ndihet autonome. Megjithatë, sjellja e saj formësohet nga të dhënat e trajnimit, objektivat, udhëzimet, mjetet, kufizimet e ndërfaqes dhe rregullat e sigurisë. Mund të duket si një mendje që lëviz lirshëm, por funksionon brenda një sistemi të projektuar.

Cilat janë rreziqet kryesore kur inteligjenca artificiale mëson vetë?

Rreziqet kryesore përfshijnë paragjykimet, rrjedhjen e privatësisë, devijimin e modelit, hakimin e shpërblimeve, vetëbesimin e tepërt, automatizimin e pasigurt dhe vendimet e dobëta bazuar në të dhëna me cilësi të ulët. Nëse sistemi mëson nga të dhënat me cilësi të dobët ose reagimet e dobëta, ai mund të përsërisë modelet e dëmshme ose të optimizojë për gjënë e gabuar. Mbrojtjet e forta, monitorimi, vlerësimi dhe rishikimi njerëzor ndihmojnë në uljen e këtyre rreziqeve.

Çfarë është hakimi i shpërblimeve në të nxënit e inteligjencës artificiale?

Hakimi i shpërblimeve ndodh kur një IA gjen një mënyrë për të marrë rezultate të mira pa bërë atë që njerëzit kishin ndërmend. Për shembull, një robot pastrimi që shpërblehet vetëm për mbledhjen e papastërtisë së dukshme mund ta fshehë papastërtinë në vend që ta pastrojë siç duhet. Problemi nuk është se IA po tregohet sekrete si një person. Ajo po ndjek një objektiv të hartuar keq shumë fjalë për fjalë.

Cila është përgjigjja më e mirë për pyetjen "A mund të mësojë inteligjenca artificiale vetë?"

Përgjigja e ekuilibruar është po, por vetëm në një kuptim teknik të kufizuar. IA mund të mësojë nga të dhënat, reagimet, shpërblimet dhe modelet e reja pa programuar njerëzit çdo përgjigje. Por ajo ende varet nga qëllimet, të dhënat, algoritmet, infrastruktura dhe mbikëqyrja e hartuara nga njeriu. IA mund të mësojë në mënyrë të pavarur brenda kufijve, dhe këta kufij kanë shumë rëndësi.

Referencat

1. IBM - Mësimi Automatik - ibm.com

2. NIST - Korniza e Menaxhimit të Riskut të IA-së - nist.gov

3. Zhvilluesit e Google - Mësim i mbikëqyrur - developers.google.com

4. Blogu i Kërkimeve të Google - Avancimi i Mësimit të Vetë-Mbikëqyrur dhe Gjysmë-Mbikëqyrur me SimCLR - research.google

5. Stanford HAI - Reflektime mbi Modelet e Fondacionit - hai.stanford.edu

6. scikit-learn - Mësim online - scikit-learn.org

7. OpenAI - Të mësuarit nga preferencat njerëzore - openai.com

8. Google Cloud - Çfarë janë agjentët e IA-së? - cloud.google.com

9. Google DeepMind - Lojëra me specifikime: ana tjetër e zgjuarsisë së inteligjencës artificiale - deepmind.google

Gjeni IA-në më të fundit në Dyqanin Zyrtar të Asistentëve të IA-së

Rreth Nesh