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

Краток одговор: Вештачката интелигенција може да учи во рамките на ограничени технички граници: може да идентификува шеми, да се подобрува преку повратни информации и да се адаптира во системи дизајнирани за таа цел. Но, кога целите, податоците, наградите или заштитните мерки се лошо избрани, таа може да отстапува, да репродуцира штетни шеми или да оптимизира за погрешна работа.

Клучни заклучоци: Одговорност: Доделете јасни човечки сопственици за целите на моделот, ограничувањата, распоредувањето и следењето.

Согласност: Заштитете ги корисничките податоци, особено кога системите се ажурираат од интеракции во живо.

Транспарентност: Објаснете од што учи вештачката интелигенција и кои граници ги обликуваат нејзините резултати.

Оспорливост: Дајте им на луѓето јасни патишта за оспорување на одлуките, грешките, пристрасноста или штетните исходи.

Редибилност: Редовно тестирајте за отстапување, хакирање на награди, протекување на приватноста и небезбедна автоматизација.

1. Што значи „Може ли вештачката интелигенција да учи сама?“? 🤔

Кога луѓето прашуваат „Дали вештачката интелигенција може да учи сама?“, тие обично мислат на едно од неколку работи:

• Може ли вештачката интелигенција да се подобри без човек рачно да ги програмира сите правила?

• Може ли вештачката интелигенција да се учи сама од сурови податоци?

• Може ли вештачката интелигенција да открие шеми што луѓето не ги посочиле експлицитно?

• Може ли вештачката интелигенција да се адаптира по распоредувањето?

• Може ли вештачката интелигенција да стане попаметна со текот на времето само преку интеракција со светот?

Овие се поврзани, но не се идентични.

Традиционалниот софтвер следи директни инструкции. Развивачот пишува правила како што се:

• Ако корисникот кликне на ова копче, таа страница се отвора.

• Ако лозинката е погрешна, прикаже грешка.

• Ако температурата надмине одредена граница, активирајте аларм.

Вештачката интелигенција е различна. Наместо да ѝ даваат секое правило, луѓето често ѝ даваат податоци, цели, архитектура и методи за обука. Потоа вештачката интелигенција учи шеми од примери. Тоа може да изгледа како независно учење, бидејќи на системот не му се дава секој одговор со лажица.

Но, постои една фатка. Секогаш постои рамка. Секогаш постои некаков вид контејнер дизајниран од човекот околу процесот на учење. Вештачката интелигенција може сама да учи шеми во тој контејнер, но самиот контејнер е многу важен. Тивко, таму лежи голем дел од магијата и голем дел од ризикот.

2. Што е добро објаснување за „Може ли вештачката интелигенција да учи сама?“ ✅

Добро објаснување за „ Дали вештачката интелигенција може да учи сама?“ треба да го одвои театарот од механиката.

Еден солиден одговор треба да ги разјасни овие точки:

• Вештачката интелигенција може да учи од податоци без луѓето да ги пишуваат сите правила.

• На вештачката интелигенција обично ѝ се потребни луѓе за да дефинира цели, методи на обука, ограничувања и евалуација.

• Некои системи со вештачка интелигенција можат да се подобрат преку повратни јамки.

• „Учење“ не значи свест, самонасочено истражување или разбирање слично на човекот.

• Вештачката интелигенција може да изгледа независна, а сепак да биде во голема мера обликувана од својот дизајн.

Замислете ја вештачката интелигенција како високоспособен студент во заклучена библиотека 📚. Може да чита, споредува, предвидува и вежба. Можеби дури и ќе ве изненади со врски. Но, некој ја изградил библиотеката, ги избрал книгите, ги заклучил вратите, го закажал испитот и одлучил што се смета за добар одговор.

Не е совршена метафора - малку се ниша - но го става мебелот во вистинската соба.

3. Табела за споредба: Видови учење со вештачка интелигенција 🧩

Главната поента: вештачката интелигенција може да учи на многу начини, но „сама по себе“ обично значи помалку директна инструкција, а не нула човечко влијание.

4. Како вештачката интелигенција учи од податоци без да биде експлицитно програмирана 📊

Во срцето на поголемиот дел од учењето со вештачка интелигенција е препознавањето на шеми.

Замислете да му покажете на вештачката интелигенција илјадници или милиони примери. Модел обучен да препознава мачки не започнува со правило напишано од човек како: „Мачката има мустаќи, триаголни уши, драматични емоционални граници и може да соборува чаши од маси.“ 🐈

Наместо тоа, системот обработува многу слики и ги прилагодува внатрешните параметри сè додека не стане подобар во предвидувањето кои слики содржат мачки. Тој не ги разбира мачките на начинот на кој ги разбирате вие. Не знае дека мачките се ситни кадифени тирани со талент за оштетување на имот. Тој учи статистички шеми.

Тоа е клучот: учењето со вештачка интелигенција е обично математичко прилагодување.

Системот прави предвидување. Го споредува тоа предвидување со цел или сигнал за повратна информација. Потоа ги ажурира своите внатрешни поставки за да ги намали идните грешки. Во длабокото учење, тие поставки може да вклучуваат огромен број параметри. Можете да ги замислите како мали прилагодливи копчиња, иако таа метафора е малку несмасна бидејќи може да има милијарди од нив, а никој не сака тостер со толку многу копчиња.

Затоа вештачката интелигенција може да изгледа како да учи самостојно. Развивачот не ѝ ги кажува рачно сите шеми. Моделот открива корисни врски за време на обуката.

Но, процесот на учење е сè уште дизајниран. Луѓето избираат:

• Архитектурата на моделот

• Податоци за обука

• Целната функција

• Методот на евалуација

• Безбедносните граници

• Околината за распоредување

Значи да, вештачката интелигенција може да учи шеми без да биде експлицитно програмирана линија по линија. Но не, таа не лебди слободно во езерце од чиста самоводена мудрост.

5. Може ли вештачката интелигенција сама да учи? Објаснување на самостојното учење 🧠

Самонадгледуваното учење е една од причините зошто модерната вештачка интелигенција стана толку моќна.

Во надгледуваното учење, луѓето означуваат податоци. На пример, сликата може да биде означена како „куче“, „кола“ или „банана“. Тоа функционира добро, но означувањето огромни количини на податоци е бавно и скапо.

Самонадгледуваното учење е поуметничко. Вештачката интелигенција создава задача за учење од самите податоци. На пример, јазичен модел може да учи со предвидување на недостасувачки зборови или следниот дел од текстот. Модел на слика може да учи со предвидување на недостасувачки делови од сликата или споредување на различни прикази на истиот објект.

Никој не мора да етикетира секој детаљ. Податоците даваат свој сигнал за обука.

Ова е една од причините зошто одговорот на прашањето „ Дали вештачката интелигенција може да учи сама?“ не е категорично „не“. Во самонадгледуваното учење, вештачката интелигенција може да извлече структура од сурови информации на огромен обем. Може да учи граматички обрасци, визуелни врски, семантички асоцијации, па дури и изненадувачки апстракции.

Но, повторно - вештачката интелигенција не ја избира својата цел. Не седи таму мислејќи: „Денес ќе ја разберам иронијата“. Таа оптимизира цел на обуката. Понекогаш тоа произведува импресивно однесување. Понекогаш произведува глупости со самоуверено шишање.

Самонадгледуваното учење е моќно бидејќи светот е полн со необележани податоци. Текст, слики, аудио, видео, сензорски логови - сè содржи шеми. Вештачката интелигенција може да учи од тие шеми без луѓето да го етикетираат секој дел.

Тоа е учење, да. Но, не е исто што и намера.

6. Засилено учење: Учење со вештачка интелигенција преку обиди и грешки 🎮

Засилувачкото учење е веројатно најблиску до она што многу луѓе го замислуваат кога се прашуваат: Може ли вештачката интелигенција да учи сама?

Во засиленото учење, агентот на вештачката интелигенција презема дејства во одредена средина и добива награди или казни. Со текот на времето, тој учи кои дејства водат до подобри резултати.

Ова често се користи во:

• Системи за играње игри

• Роботика

• Оптимизација на ресурси

• Стратегии за препораки

• Симулирани средини за обука

• Некои форми на автономно планирање

Едноставен пример: вештачката интелигенција во игра пробува различни потези. Ако еден потег ѝ помогне да победи, таа добива награда. Ако изгуби, нема колаче. На крајот, таа учи стратегии што даваат повисоки награди.

Ова наликува на тоа како животните и луѓето учат во некои ситуации. Допри жешка рерна, веднаш ќе се покаеш. Пробај подобра стратегија, ќе добиеш подобар резултат. Универзумот е строг учител.

Но, засиленото учење има и незгодни проблеми. Ако наградата е лошо дизајнирана, вештачката интелигенција може да научи несакани кратенки. Ова се нарекува хакирање на награди. Во основа, системот наоѓа начин да освои поени без да го прави она што луѓето го замислиле.

На пример, ако наградите робот за чистење само за собирање видлива нечистотија, тој може да научи да ја крие нечистотијата под тепих. Тоа звучи како мрзлив цимер, но поточно е лекција за објективен дизајн. 🧹

Значи, засиленото учење може да ѝ овозможи на вештачката интелигенција да се подобри преку искуство, но сепак ѝ се потребни внимателно дизајнирани цели, ограничувања и следење.

7. Може ли вештачката интелигенција да продолжи да учи откако ќе биде објавена? 🔄

Тука работите стануваат интересни - и честопати погрешно разбрани.

Многу системи со вештачка интелигенција не учат автоматски од секоја интеракција на корисникот по распоредувањето. Луѓето често претпоставуваат дека ако го корегираат четботот, тој веднаш станува попаметен за сите. Обично, тоа не функционира така.

Постојат добри причини за ова.

Ако системот со вештачка интелигенција континуирано се ажурира од внес на податоци од корисникот во живо, тој би можел да научи лоши информации, приватни информации, злонамерни шеми или едноставно глупости. Интернетот не е баш чиста кујна. Тој е повеќе како распродажба во гаража за време на грмотевици.

Некои системи користат форми на онлајн учење, каде што се ажурираат како што пристигнуваат нови податоци. Ова може да помогне со работи како што се:

• Откривање на модели на измама

• Персонализирање на препораките

• Прилагодување на таргетирањето на рекламите

• Мониторинг на однесувањето на мрежата

• Подобрување на релевантноста на пребарувањето

• Ажурирање на системите за предвидливо одржување

Но, за големите модели на вештачка интелигенција за општа намена, ажурирањата често се контролираат, прегледуваат, филтрираат и тестираат пред да се додадат во идните верзии. Ова помага да се намали ризикот од штетно отстапување.

Значи да, вештачката интелигенција може да продолжи да учи по објавувањето во некои контексти. Но, на многу системи им е намерно спречено слободно да се препишуваат во реално време.

И тоа е веројатно најдобро. Модел кој учи директно од секој дел за коментари би станал ракун со тастатура до ручек. 🦝

8. Разликата помеѓу учење и разбирање 🌱

Ова е делот за кој луѓето се расправаат, обично гласно.

Вештачката интелигенција може да учи шеми. Може да генерализира. Може да произведува корисни одговори. Може да решава проблеми што бараат размислување. Може да сумира, преведува, класифицира, генерира, препорачува, открива и оптимизира.

Но, дали тоа значи дека разбира?

Зависи што подразбираш под „разбирај“

Вештачката интелигенција не го доживува светот како луѓето. Нема глад, срам, спомени од детството или мал емоционален колапс што се случува кога батеријата на телефонот ќе достигне еден процент. Не знае ништо преку животот.

Наместо тоа, моделите на вештачка интелигенција обработуваат репрезентации. Тие учат врски помеѓу влезните и излезните податоци. Јазичниот модел, на пример, учи шеми во текстот и може да генерира одговори што се совпаѓаат со тие шеми. Резултатот може да се чувствува значаен. Понекогаш е значаен во практична смисла. Но, значењето не е втемелено во човечката свест.

Таа разлика е важна.

Кога вештачката интелигенција вели дека водата е влажна, таа не се сеќава на дождот на својата кожа. Таа произведува одговор врз основа на научени асоцијации и контекст. Сè уште може да биде корисна. Не е жива. Веројатно не. Мислам, да не ја покануваме филозофијата да седи премногу блиску до тортата овде, инаку никогаш нема да си заминеме.

Учењето во вештачката интелигенција не е исто како човечкото учење. Човечкото учење вклучува емоции, отелотворување, социјален контекст, меморија, мотивација и преживување. Учењето со вештачка интелигенција е претежно оптимизација на податоци.

Сепак импресивно. Само различно.

9. Зошто вештачката интелигенција понекогаш изгледа понезависно отколку што е 🎭

Системите со вештачка интелигенција можат да изгледаат автономни бидејќи можат да генерираат резултати кои не се директно скриптирани.

Тоа е голема работа.

Четботот може да одговори на прашање за кое никогаш не бил специфично програмиран. Моделот на слика може да генерира сцена што ниеден човек не ја нацртал директно. Агентот за планирање може да ја разложи задачата на чекори и да користи алатки. Моделот за препораки може да ги заклучи преференциите од однесувањето.

Оваа флексибилност создава впечаток на независност.

Но, под нив, постојат граници:

• Податоците за обука го обликуваат она што моделот може да го направи.

• Целта го обликува она што го оптимизира.

• Системските инструкции или инструкции го обликуваат однесувањето.

• Интерфејсот ги ограничува достапните дејства.

• Безбедносните правила ограничуваат одредени излезни резултати.

• Човечката евалуација влијае на идните подобрувања.

Значи, вештачката интелигенција може да се чувствува како мозок што слободно се движи, но повеќе е како пргав змеј. Може да лета високо, да се ниша наоколу и да изгледа драматично на небото - но сепак има некаква врска некаде. 🪁

Можеби заплеткана жица. Но, жица.

10. Може ли вештачката интелигенција да се подобри без луѓе? Основен одговор 🛠️

Вештачката интелигенција може да се подобри со помало човечко вклучување отколку традиционалниот софтвер. Тоа е вистина.

Може да:

• Пронајди шеми во необележани податоци

• Обука за автоматски генерирани задачи

• Учете од симулирани средини

• Користете сигнали за награда

• Дотерување преку повратни информации

• Прилагодете се на нови потоци на податоци

• Генерирајте синтетички примери за понатамошна обука

Но „без луѓе“ ретко е точно од крај до крај.

Луѓето сè уште ја дефинираат целта на системот. Луѓето собираат или одобруваат податоци. Луѓето градат инфраструктура. Луѓето ги избираат метриките за успех. Луѓето одлучуваат дали резултатот е прифатлив. Луѓето распоредуваат, следат, ограничуваат и ажурираат.

Дури и кога вештачката интелигенција помага во обуката на други вештачки интелигенции, луѓето обично го воспоставуваат процесот. Сè уште постои надзор, дури и ако на некои места станува послаб.

Подобра фраза би можела да биде: вештачката интелигенција може да учи полуавтономно во рамките на системи дизајнирани од човекот.

Тоа звучи помалку драматично од „Вештачката интелигенција учи сама“, но е многу поточно. Помалку трејлер за филм, повеќе инженерски прирачник со дамки од кафе.

11. Предности на вештачката интелигенција што може да учи повеќе самостојно 🚀

Способноста на вештачката интелигенција да учи со помалку директна инструкција има огромни предности.

Прво, ја прави вештачката интелигенција поскалабилна. Луѓето не можат да ја етикетираат секоја реченица, слика, звук или модел на однесување во светот. Самонадгледуваните и ненадгледуваните методи им овозможуваат на системите да учат од многу поголеми базени на податоци.

Второ, ѝ помага на вештачката интелигенција да открие шеми што луѓето би можеле да ги пропуштат. Во медицината, сајбер безбедноста, логистиката, финансиите, производството и моделирањето на климата, вештачката интелигенција може да детектира суптилни сигнали скриени во бучни податоци. Не магија. Само неуморно „машинско“ мелење на шеми.

Трето, адаптивната вештачка интелигенција може побрзо да реагира на променливите услови. Добар пример е откривањето на измами. Напаѓачите постојано ги менуваат тактиките. Систем што може да се адаптира е покорисен од оној што е замрзнат на место.

Четврто, учењето со вештачка интелигенција може да го намали повторувачкото рачно програмирање. Наместо да пишуваат бесконечни правила, тимовите можат да обучуваат модели да извлекуваат шеми. Патем, ова не е секогаш полесно. Понекогаш е како да замените една главоболка со погламурозна главоболка. Но, може да биде моќно.

Придобивките вклучуваат:

• Побрзо откривање на шаблони

• Подобра персонализација

• Долно рачно пишување правила

• Подобрена автоматизација

• Пофлексибилни системи за одлучување

• Посилни перформанси во сложени средини

Добрата верзија на ова е вештачката интелигенција како неуморен асистент. Лошата верзија е вештачката интелигенција да оптимизира погрешна работа на големо. Тука е и малиот гремлин во кутијата со алатки.

12. Ризици од самостојно учење со вештачка интелигенција ⚠️

Ризиците се реални.

Кога системите со вештачка интелигенција учат од податоци, тие можат да апсорбираат пристрасност, дезинформации и штетни шеми. Ако податоците одразуваат неправедност, моделот може да ја репродуцира или дури и да ја засили таа неправедност.

Ако сигналот за повратна информација е слаб или лошо дизајниран, вештачката интелигенција може да научи кратенки. Ако ѝ се дозволи да се адаптира без доволен надзор, може да се оддалечи од планираното однесување.

Главните ризици вклучуваат:

• Пристрасност и дискриминација

• Протекување на приватноста

• Наградно хакирање

• Моделно поместување

• Преголема самодоверба

• Небезбедна автоматизација

• Зависност од податоци со низок квалитет

• Тешко објаснети одлуки

Исто така, постои и проблем со обемот. Човечка грешка може да погоди неколку луѓе. Грешка со вештачката интелигенција во рамките на широко користен систем може да погоди милиони. Тоа не е причина за паника, но е причина да се забави темпото и да не се третира секоја дотерана демонстрација како чудотворен тостер.

Учењето на вештачката интелигенција има потреба од заштитни огради. Силна евалуација. Човечки преглед. Јасни граници. Добри практики за податоци. Транспарентно следење. Не е гламурозно, но е неопходно.

13. Значи, дали вештачката интелигенција може да учи сама? Урамнотежениот одговор ⚖️

Еве го најчистиот одговор:

Да, вештачката интелигенција може да учи сама на ограничени, технички начини. Не, вештачката интелигенција не учи сама како човечкото суштество.

Вештачката интелигенција може да пронајде шеми, да ги прилагоди своите внатрешни поставки, да се подобрува преку повратни информации, а понекогаш и да се прилагодува на нови средини. Може да го направи ова без лице рачно да го програмира секој одговор.

Но, вештачката интелигенција сè уште зависи од цели дизајнирани од човекот, податоци за обука, алгоритми, инфраструктура и евалуација. Таа нема самонасочено истражување во човечка смисла. Не одлучува што е важно. Не ги разбира последиците на начинот на кој луѓето ги разбираат.

Значи, кога некој ќе праша дали вештачката интелигенција може да учи сама?,најдобриот одговор е: вештачката интелигенција може да учи независно во рамките на границите, но границите се сè.

Тоа е делот што луѓето го прескокнуваат. Границите одредуваат дали вештачката интелигенција ќе стане корисна, чудна, пристрасна, моќна, опасна или едноставно самоуверено греши во врска со физиката на шпагети. 🍝

14. Заклучна рефлексија: Учењето со вештачка интелигенција е моќно, но не и магично ✨

Учењето со вештачка интелигенција е една од најважните идеи во модерната технологија. Таа го менува начинот на кој се гради софтверот, како функционира автоматизацијата и како луѓето комуницираат со машините.

Но, помага да се остане бистар.

Вештачката интелигенција може да учи од податоци. Може да се подобрува од повратни информации. Може да открива шеми што луѓето не ја научиле експлицитно. Може да се адаптира во контролирани услови. Тоа е навистина импресивно.

Сепак, вештачката интелигенција не е самосвесен студент кој талка низ универзумот со ранец и емоционален багаж. Тоа е систем обучен да ги оптимизира целите користејќи податоци и пресметка. Понекогаш резултатите се зачудувачки. Понекогаш се корисни, но скромни. Понекогаш грешат на начин што ве тера да гледате во екранот како да ви ја навредил супата.

Иднината на учењето преку вештачка интелигенција веројатно ќе вклучува поголема автономија, подобри повратни јамки, посилни методи на безбедност и поголема соработка помеѓу луѓето и машините. Најдобрите системи нема да бидат оние што „учат целосно сами“. Тие ќе бидат оние што учат добро, објаснуваат доволно, остануваат усогласени со човечките цели и избегнуваат да ги претворат малите грешки во индустриски големи шпагети.

Значи, дали вештачката интелигенција може да учи сама? Да - но само во внимателна, техничка, ограничена смисла. И таа мала квалификација не е фуснота. Тоа е целиот сендвич. 🥪

Пример од реалниот свет: Создавање асистент за тријажа со вештачка интелигенција кој учи од повратни информации 🛠️

Сценарио

Замислете мала софтверска компанија која добива околу 180 е-пораки за поддршка на корисници секоја недела. Многу од нив се повторувачки: ресетирање на лозинка, прашања за фактурирање, пријави за грешки, барања за функции и пораки „апликацијата е расипана“ кои речиси и да немаат никакви детали за дејствување.

Тимот не сака систем со вештачка интелигенција кој сам ќе им одговара на клиентите. Тоа е ризично. Наместо тоа, тие градат ограничен асистент со вештачка интелигенција кој ги класифицира дојдовните билети, составува предложен одговор и учи од човечки корекции со текот на времето.

Ова е добар пример за тоа како вештачката интелигенција „учи сама“ во ограничена, техничка смисла. Асистентот не одлучува за политиката на компанијата. Не ги преработува правилата за враќање на парите по еден зачинет вторник. Се подобрува во рамките на контролиран работен тек.

Што му е потребно на асистентот

За безбедно работење, на асистентот му е потребен јасен сад околу неговото учење:

• 50-100 минати тикети за поддршка, со отстранети приватни податоци

• Одобрени шаблони за одговори за фактурирање, најавување, грешки, враќање на средства и промени на сметката

• Список на работи што никогаш не смее да ги одлучи без човечко одобрение, како што се враќање на средства, правни жалби, безбедносни проблеми или бришење на сметка

• Едноставен систем за означување: Фактурирање, Најава, Грешка, Барање за функции, Безбедност, Друго

• Чекор за човечка проверка пред да се испрати која било порака

• Неделна проверка на грешки, прескокнати ескалации и лоши нацрти

Клучот е во тоа што повратните информации треба да бидат структурирани. Наместо агентот за поддршка само да каже „лош одговор“, тие треба да означат што било погрешно: погрешна категорија, прашање што недостасува, премногу самодоверба, ризик за приватноста или потреба од ескалација.

Пример за упатство

Користете го овој тип на инструкции за асистентот:

Вие сте асистент за тријажа на поддршка за мала SaaS компанија. Вашата работа е да го класифицирате секој тикет за клиенти, да предложите следно најдобро дејство и да изготвите одговор за да го разгледа агент за човечка поддршка. Не испраќајте одговори сами. Не ветувајте поврат на средства, безбедносни поправки, промени на сметката или датуми на испорака. Ако тикетот споменува спорови при плаќање, губење на податоци, правни закани, сомнителна активност за најавување или лути барања за откажување, означете го како „Потребна е човечка ескалација“. Кога сте несигурни, прашајте за информации што недостасуваат наместо да нагаѓате.

За секој билет, вратете:

Категорија на билет
Ниво на итност
Предложена следна акција
Нацрт одговор
Причина за вашата класификација
Потребна ескалација: Да или Не

Како да го тестирате

Пред да го користите на вистински клиенти, тестирајте го со мал сет стари билети.

Обидете се со најмалку 30 примери:

• 5 едноставни барања за ресетирање на лозинката

• 5 прашања за фактурирање

• 5 нејасни извештаи за грешки

• 5 барања за враќање на пари или откажување

• 5 билети поврзани со безбедноста

• 5 мешани билети со повеќе изданија, како на пример „Ми беше наплатено двапати и сега не можам да се најавам“

Потоа споредете ја категоријата на асистентот, итноста, одлуката за ескалација и нацрт-одговорот со она што би го очекувал еден човек за поддршка.

Еден добар резултат би можел да каже:

Категорија: Безбедносна
итност Ниво: Високо
Предложена следна акција: Веднаш ескалирајте до потенцијален клиент за поддршка
Нацрт-одговор: Ви благодариме што го пријавивте ова. Ќе го доставиме ова до нашиот тим за безбедносна поддршка за преглед. Ве молиме не споделувајте лозинки или кодови за верификација преку е-пошта.
Причина: Клиентот спомена непознато најавување и можен проблем со пристапот до сметката.
Потребна е ескалација: Да

Лош резултат би бил:

Категорија:
Ниво на итност за најавување: Нормално
Одговор на нацрт: Обидете се да ја ресетирате лозинката.

Тој одговор изгледа уредно, но го промашува безбедносниот ризик. Токму затоа системите за „учење“ имаат потреба од тестови, граници и луѓе на кои им е дозволено да кажат: „Добар обид, мозок од тостер, но не“

Резултат

Илустративен резултат: врз основа на темпирање на 30 примероци на билети пред и по користењето на овој работен тек.

Пред да го користи асистентот, агентот за поддршка просечно поминувал 4 минути и 20 секунди читајќи, означувајќи и пишувајќи нацрт-верзии за секој прв одговор. Со асистентот, просечното време за преглед и уредување се намалило на 1 минута и 35 секунди по тикет.

За 180 билети неделно, тоа би го намалило времето за обработка на првата драфт од околу 13 часа на околу 4 часа и 45 минути, заштедувајќи приближно 8 часа и 15 минути секоја недела.

Треба да се мери и точноста. Во истиот тест со 30 билети, асистентот треба да биде одобрен само ако исполнува јасни прагови, на пример:

• Најмалку 90% точна категоризација на билети

• 100% ескалација на безбедносни, правни, спорови за враќање на средства и случаи на бришење сметка

• 0 одговори насочени кон клиентите испратени без човечка рецензија

• Помалку од 3 нацрти што треба целосно да се преработат

Тие бројки не се универзален доказ. Тие се практична тест цел. Вистински тим треба да ја измери својата основна линија, да ги извршува истите билети преку асистентот и директно да ги брои грешките.

Што може да тргне наопаку

Асистентот сè уште може да прави грешки.

Можеби ќе учи од лоши човечки корекции. Можеби ќе копира застарена политика за враќање на пари. Можеби ќе стане премногу опуштено со лутите клиенти. Можеби ќе класифицира безбедносен проблем како нормален проблем со најавување. Можеби ќе се прилагоди на старите шеми на билети и ќе пропушти нов баг во производот што влијае на многу корисници.

Најголемата грешка е да му се дозволи на асистентот да ажурира од пораките на клиентите во живо без преглед. Тоа може да внесе приватни податоци, навредлив јазик, лоши претпоставки или еднократни случаи во работниот процес.

Побезбедната поставеност е негламурозна, но подобра: собирајте повратни информации, прегледувајте ги неделно, ажурирајте ги примерите или упатствата, тестирајте повторно, а потоа распоредете ја подобрената верзија.

Практичен оброк за носење

Овој вид асистент може да „учи“ на практичен начин, но само затоа што компанијата ги дефинира категориите, правилата за повратни информации, ограничувањата за ескалација и метриките за успех. Учењето е реално. Независноста е ограничена. И токму тоа е поентата: ефективната вештачка интелигенција не е магија што талка низ канцеларијата со табла за пишување. Тоа е ограничен систем што се подобрува кога луѓето му даваат чисти податоци, јасни цели и редовна корекција.

Најчесто поставувани прашања

Може ли вештачката интелигенција да учи сама без да биде програмирана?

Вештачката интелигенција може да учи шеми без луѓето да ги пишуваат сите правила рачно, но не е целосно независна. Луѓето сè уште го дизајнираат моделот, ги избираат податоците, ја поставуваат целта и одлучуваат како ќе се мери успехот. Попрецизен начин да се каже е дека вештачката интелигенција може да учи полуавтономно во рамките на границите дизајнирани од човекот.

Како вештачката интелигенција учи од податоците?

Вештачката интелигенција учи од податоците преку идентификување на шеми во примери и прилагодување на своите внатрешни поставки за да прави подобри предвидувања. Наместо да следи фиксни правила, таа ги споредува своите резултати со цел или сигнал за повратна информација, а потоа се ажурира за да ги намали грешките. Затоа вештачката интелигенција може да препознава слики, да предвидува текст, да класифицира информации или да препорачува дејства без рачно да биде скриптирана за секој можен случај.

Може ли вештачката интелигенција да се учи сама со помош на самостојно надгледувано учење?

Да, во ограничена техничка смисла. Самонадгледуваното учење ѝ овозможува на вештачката интелигенција да креира задачи за обука од сурови податоци, како што се предвидување на недостасувачки зборови, иден текст или отсутни делови од слика. Ова ја намалува потребата луѓето да го означуваат секој пример. Сепак, вештачката интелигенција сè уште оптимизира цел избрана од луѓето, а не ја избира својата намена.

Дали учењето со засилување е исто како учењето со вештачка интелигенција само по себе?

Засилувачкото учење е еден од најблиските примери за учење со вештачка интелигенција преку искуство. Агентот со вештачка интелигенција пробува дејства, добива награди или казни и постепено учи кои избори водат до подобри резултати. Сепак, луѓето сè уште ја дефинираат околината, системот за наградување, ограничувањата и процесот на евалуација. Лошо дизајнираните награди можат да доведат до несакани кратенки.

Дали вештачката интелигенција продолжува да учи откако ќе биде објавена?

Некои системи со вештачка интелигенција можат да продолжат да учат по објавувањето, особено во области како што се откривање на измами, персонализација, релевантност на пребарувањето или предвидливо одржување. Многу големи модели за општа намена не учат автоматски од секоја интеракција на корисникот во реално време. Континуираното учење може да создаде ризици, вклучувајќи лоши податоци, проблеми со приватноста, штетни шеми или отстапување на моделите.

Која е разликата помеѓу учењето со вештачка интелигенција и човековото разбирање?

Учењето со вештачка интелигенција е претежно препознавање на обрасци и оптимизација на податоци. Човечкото учење вклучува животно искуство, емоции, меморија, отелотворување, мотивација и социјален контекст. Моделот со вештачка интелигенција може да произведе корисни одговори за дожд, мачки или рецепти, но не ги доживува тие работи. Може да биде практично корисен без да го разбира светот како што го разбира човекот.

Зошто вештачката интелигенција изгледа понезависна отколку што е?

Вештачката интелигенција може да генерира одговори, слики, планови и препораки кои не се директно напишани, што може да ја направи да се чувствува автономна. Сепак, нејзиното однесување е обликувано од податоци за обука, цели, инструкции, алатки, ограничувања на интерфејсот и безбедносни правила. Можеби изгледа како ум што слободно се движи, но работи во рамките на дизајниран систем.

Кои се главните ризици кога вештачката интелигенција учи сама?

Главните ризици вклучуваат пристрасност, протекување на приватноста, отстапување од моделот, хакирање на награди, прекумерна самодоверба, небезбедна автоматизација и лоши одлуки врз основа на податоци со низок квалитет. Ако системот учи од податоци со низок квалитет или слаби повратни информации, може да ги повтори штетните шеми или да се оптимизира за погрешно нешто. Силните заштитни огради, следењето, евалуацијата и човечкиот преглед помагаат да се намалат тие ризици.

Што е хакирање на награди во учењето со вештачка интелигенција?

Хакирањето награди се случува кога вештачката интелигенција наоѓа начин да постигне добри резултати без да го прави она што луѓето го замислиле. На пример, робот за чистење награден само за собирање видлива нечистотија може да ја скрие нечистотијата наместо правилно да чисти. Проблемот не е во тоа што вештачката интелигенција е таинствена како личност. Таа премногу буквално следи лошо дизајнирана цел.

Кој е најдобриот одговор на прашањето „Дали вештачката интелигенција може да учи сама?“

Урамнотежениот одговор е да, но само во ограничена техничка смисла. Вештачката интелигенција може да учи од податоци, повратни информации, награди и нови шеми без луѓето да го програмираат секој одговор. Но, таа сè уште зависи од целите, податоците, алгоритмите, инфраструктурата и надзорот дизајнирани од човекот. Вештачката интелигенција може да учи независно во рамките на границите, а тие граници се од огромно значење.

Референци

1. IBM - Машинско учење - ibm.com

2. NIST - Рамка за управување со ризици од вештачка интелигенција - nist.gov

3. Google Developers - Надгледувано учење - developers.google.com

4. Блог за истражување на Google - Унапредување на самонадгледуваното и полунадгледуваното учење со SimCLR - research.google

5. Стенфорд HAI - Размислувања за моделите на фондации - hai.stanford.edu

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

7. OpenAI - Учење од човечките преференции - openai.com

8. Google Cloud - Што се агенти за вештачка интелигенција? - cloud.google.com

9. Google DeepMind - Спецификациски игри: другата страна на генијалноста со вештачка интелигенција - deepmind.google

Пронајдете ја најновата вештачка интелигенција во официјалната продавница за асистенти за вештачка интелигенција

За нас