När en applikation försäkrar dig att den drivs av "artificiell intelligens" verkar det för ett ögonblick att du är i framtiden. Men vad betyder det egentligen? Vi kastar stora buzzwords - artificiell intelligens, maskininlärning, neurala nätverk - men vad menar de egentligen och hjälper de verkligen att förbättra appar?
På senare tid har Google och Microsoft lagt till neurala nätverksträning till sina översättningsapplikationer. Google påstår sig använda maskininlärning för att erbjuda spellistor. Todoist säger att den använder AI för att gissa när du ska avsluta en uppgift. Any.do hävdar att dess artificiella intelligens kan göra några uppgifter för dig. Och allt var bara förra veckan. Vissa av marknadsföringsgimmicks låter imponerande och förblir gimmicks, men ibland är det onekligen fördelaktigt med förändringar. "Artificiell intelligens", "maskininlärning" och "neurala nätverk" beskriver alla sätt datorer använder för att göra mer allvarliga uppgifter och lära sig i processen. Och även om du kanske har hört att applikationsutvecklare använder andra system, är de i praktiken väldigt olika.
Neurala nätverk analyserar komplexa data för att efterlikna den mänskliga hjärnan
Konstgjorda neurala nätverk (ANNs, eller helt enkelt "neurala nätverk") hänvisar till en specifik typ av inlärningsmodell som emulerar hur synapser fungerar i din hjärna. Traditionell datoranvändning använder en serie logiska operatörer för att utföra en uppgift. Neurala nätverk, å andra sidan, använder ett nätverk av noder (som fungerar som neuroner) och analoger av synapser (kanter) för att bearbeta data. Ingången skickas genom systemet och utgången genereras.
Resultaten jämförs sedan med kända data. Låt oss till exempel säga att du vill träna en dator för att känna igen en bild av en hund. Du strömmar miljontals bilder av hundar över webben för att se vilka bilder hon väljer att se ut som hundar. Personen bekräftar sedan vilka bilder som faktiskt är hundar. Systemet föredrar vägen i nervnätverket som ledde till rätt svar. Med tiden och efter miljontals iterationer kommer detta nätverk så småningom att förbättra resultatens noggrannhet.
För att se hur detta fungerar i aktion kan du prova Google Quick Draw-experimentet. I detta fall tränar Google webben för att känna igen klotter, snabba skisser. Hon jämför den ritning du ritar med de exempel som andra människor ritar. Nätverket lär sig att känna igen framtida doodles baserat på vad det har sett tidigare. Även om du ritar som ett femårigt barn (som jag), är nätet mycket snabbt på att känna igen enkla former - ubåtar, växter, ankor. Prova det, kul.
Neurala nätverk är inte ett universalmedel, men de är bra på att hantera komplexa data. Google och Microsoft använder neurala nätverk för att träna sina översättningsapplikationer eftersom det är svårt att översätta språk. Vi har sett dåliga maskinöversättningar mycket, men neurala nätverk tränas för att förbättra dessa översättningar, baserat på korrekta översättningar, över tid. Samma sak händer med tal-till-text översättning. Sedan introduktionen av det neurala nätverket som drivs av Google Voice har översättningsfel minskat med 49%. Dessa system är inte perfekta, men de fungerar på sig själva, och det här är huvudsaken.
Kampanjvideo:
Maskininlärning lär datorer att förbättra i praktiken
Maskininlärning är en bred term som täcker alla ögonblick när du försöker lära en maskin att förbättra på egen hand. Speciellt gäller detta för alla system där datorns prestanda för att slutföra en uppgift endast förbättras genom mer erfarenhet av uppgiften. Neurala nätverk är ett exempel på maskininlärning, men de är inte det enda sättet att träna en dator.
Till exempel kallas en av de alternativa maskininlärningsmetoderna förstärkningslärande. I den här metoden utför datorn en uppgift och utvärderar sedan resultatet. Om till exempel datorn vinner i schack tilldelar den det vinnande värdet till en serie drag som den använder under spelet. Efter att ha spelat miljoner spel kan systemet bestämma vilka steg som troligtvis leder till seger baserat på resultaten från tidigare spel.
Medan neurala nätverk är bra för saker som mönsterigenkänning i bilder, kan andra typer av maskininlärning vara mer användbar för olika uppgifter som att identifiera din favoritmusik. Google hävdar att dess musikapp kommer att hitta den musik du vill lyssna på. Det gör detta genom att analysera dina tidigare spellistor. Om du inte gillar resultatet kommer maskinen att betrakta som ett fel. Men om du väljer en av de föreslagna listorna, kommer hon att markera det som en framgång och analysera de vinnande rörelser som förde henne till ditt hjärta.
I sådana fall får du inte full nytta av maskininlärning om du inte använder den här funktionen ofta. När du öppnar Google Music-appen för första gången kommer rekommendationerna troligen att gå förbi kassan. Men ju mer du använder det, desto bättre blir förslagen. I teorin, åtminstone. Maskininlärning är inte heller ett universalmedel. Maskininlärning är mer vagt än neurala nätverk, men det innebär också att programvaran du använder kommer att lita på din feedback för att förbättra dess prestanda.
Konstgjord intelligens är allt med prefixet "smart"
Precis som neurala nätverk är en form av maskininlärning, är maskininlärning en form av konstgjord intelligens. Men kategorin "konstgjord intelligens" är fortfarande så dåligt definierad att denna fras inte har någon praktisk betydelse. Ja, det framkallar bilder av en tekniskt avancerad framtid, men i verkligheten har vi inte ens kommit nära det. OCR var en gång för hårt för en maskin, men nu kan en app på din telefon skanna dokument och förvandla dem till text. Att kalla det för en konstgjord intelligens är på något sätt olämpligt.
Anledningen till att grundläggande telefonifunktioner kan betraktas som artificiell intelligens är att det faktiskt finns två typer av AI. Svag eller snävt riktad AI beskriver alla system utformade för att utföra en smal lista med uppgifter. Till exempel utför Google Assistant eller Siri, som är ganska kraftfull AI, fortfarande en ganska smal lista med uppgifter. De får röstkommandon och returnerar svar, eller de startar applikationer. Artificiell intelligensforskning driver dessa funktioner, men de anses vara "svaga".
Däremot är kraftfull AI - även känd som allmän konstgjord intelligens, eller "full AI" - ett system som kan utföra alla mänskliga uppgifter. Och det finns inte. Därför är varje "smart" applikation fortfarande svag konstgjord intelligens.
Medan konsekvenserna kan vara vaga, är praktisk forskning inom konstgjord intelligens så givande att det antagligen redan har kommit in i ditt dagliga liv. Varje gång din telefon automatiskt kommer ihåg var du parkerade, känner igen ansikten på dina foton, får sökförslag eller grupperar automatiskt alla dina helgbilder, berör du konstgjord intelligens på ett eller annat sätt. I viss mån betyder "konstgjord intelligens" egentligen bara att appar kommer att vara något smartare än vi är vana vid. Etiketten "AI" betyder knappast något praktiskt ur praktisk synvinkel nu.
ILYA KHEL