ЯК НАВЧАЮТЬСЯ МАШИНИ І ЧОМУ ШТУЧНИЙ ІНТЕЛЕКТ НЕ РОЗУМНИЙ?


Машинне навчання не робить комп’ютери нічим подібним до людей, якими б “розумними” вони не ставали.

Напевно Ви вже чули добрі новини про штучний інтелект, який дозволяє нам виглядати краще на селфі, запобігає сліпоті і багато чого іншого. Технічні гіганти та уряди говорять, що ми живемо в золоту епоху штучного інтелекту.

Щоправда, у більшості випадків, коли Ви чуєте термін штучний інтелект, конкретна технологія називається машинним навчанням. Незважаючи на назву, вона в значній мірі покладається на знання людини, пише Wired.

Машинне навчання тепер може отримати набагато кращі результати, конкуруючи з точністю навіть хірургів. Замість того, щоб уточнювати, що має шукати програмне забезпечення, програмісти “навчають” ШІ за допомогою колекції прикладних зображень. Компанії, що працюють над машинним навчанням для охорони здоров’я, як Google, створюють величезні колекції медичних зображень, підібраних лікарями. Алгоритми машинного навчання на цих наборах візуальних даних поділяються, шукаючи статистичні зразки, щоб визначити, які особливості зображення дозволяють припустити, що воно заслуговує на конкретну мітку або діагноз.

Цей базовий рецепт також працює для інших типів даних, таких як текст та аудіо. Ось чому ми більше не бачимо багато спам-електронних листів, і тому, як Alexa Amazon може зрозуміти команди, що прокричали в кімнаті.

Все нове – це добре забуте старе

Машинне навчання звучить сучасно, але це одна з найдавніших ідей у ​​галузі інформатики. У 1959 році комп’ютер, що був завбільшки з кімнату під назвою Perceptron, встановив рубіж штучного інтелекту, коли він навчився розрізняти фігури, такі як трикутники та квадрати.

Він був побудований на підході до машинного навчання, який називається штучними нейронними мережами, що також роблять більшість проектів ШІ, що захоплюють заголовки сьогодні. Нейронні мережі в хмарі або навіть на наших телефонах відстають від віртуальних помічників і фільтрів фотографій.

Нейронні мережі старі та нові засновані на математиці, натхненній простими моделями функціонування нейронів у мозку. Alexa не був винайдений у 1959 році, оскільки невдовзі після дебюту Perceptron дослідники в основному відмовилися від нейронних мереж – не було зрозуміло, як їх можна розширити для вирішення більш складних завдань. Методика досягла прориву тільки через десятиліття.

Приблизно в 2012 році невелика група, яка все ще працює над підходом нейронної мережі до машинного навчання, показала новаторські нові результати щодо розпізнавання мови та образів. Машинне навчання стало раптом найважливішою справою в техніці. Цього року троє дослідників, які здійснили цю революцію, отримали премію Тюрінга, яка вважається “Нобелівською премією” в галузі обчислень і складає на сьогодні  мільйон доларів.

Машинне навчання не розумне

Відродження нейронних мереж зробило машинне навчання частиною повсякденного життя. Усі плани великих технологічних компаній на майбутнє залежать від цього.

Але всіх насправді хвилює, чи комп’ютери стають все більш здатними взаємодіяти і розуміти світ краще, ніж ми? Але не захоплюйтесь теорією змови, машинне навчання не робить комп’ютери подібними до людей.

Це правда, що боти, що працюють за допомогою машинного навчання, можуть грати в складні настільні ігри та відеоігри краще, ніж найкваліфікованіші люди. Однак вони вимагають ретельної побудови, а їх статистичний спосіб навчання робить їх таланти вузькими та негнучкими. Люди можуть думати про світ, використовуючи абстрактні поняття, і можуть реміксувати ці поняття, щоб адаптуватися до нових ситуацій. Машинне навчання не може…

Ця “жорсткість” обмежує те, що ШІ вдалося зробити для нас. Це одна з причин, чому немає повністю самокерованих автомобілів. Адже бувають ситуації коли ШІ стикається з несподіваними дорожніми проблемами. Максимально чіткі навички машинного навчання також можуть створити цікаві або неприємні сюрпризи.

Ігрові боти, що працюють за допомогою машинного навчання, знайшли способи зламати симуляції, на яких тестувались. Програмне забезпечення для обробки зображень та тексту іноді вчиться повторювати або посилювати суспільні стереотипи щодо раси та статі. Машини можуть вчитися, але все ж потребують ретельної інструкції від людини.

До речі, в офіційному магазині Google Play виявили шкідливий додаток зі шпигунським функціоналом. Програма-шпигун була замаскована під додаток Radio Balouch, який використовувався для прослуховування радіо в онлайн-режимі.

Нагадаємо, що після звістки про метод віддаленого зламу “розумного” брелока від електрокара Tesla Model S, виробник компанія Pektron випустила нову версію ключа з більш надійним шифруванням. Однак дослідники знову знайшли спосіб зламати його, клонувати брелок і викрасти автомобіль.

Також Google збільшила кількість часу, який необхідний новій програмі Android, щоб пройти процедуру затвердження Play Store.

Стало відомо, що Google впроваджує нову ініціативу Privacy Sandbox, у рамках якої розробляється новий набір відкритих стандартів. За їх допомогою Google прагне створити баланс між конфіденційністю користувачів і бажанням рекламних компаній відстежувати їх.

Окрім цього, Linux Foundation, Microsoft, Google, Alibaba, Arm, Baidu, IBM, Intel, Red Hat, Swisscom і Tencent підписали угоду про створення консорціуму щодо захисту конфіденційності даних.

Apple випустила оновлення мобільної операційної системи iOS, яка усуває уразливість, що дозволяла встановити джейлбрейк на iPhone з новою версією ОС.

Зверніть увагу, в програмному забезпеченні Lenovo Solution Centre (LSC), встановленому на мільйонах комп’ютерів Lenovo, виявлено можливість підвищення привілеїв, за допомогою якої зловмисник може виконати код і отримати права адміністратора або системні привілеї.

Користувачам Google Chrome рекомендується встановити свіже оновлення, що виправляє критичну уразливість в браузері.

Apple розповіла користувачам про нові зміни в голосовому помічнику Siri.