Ultimamente abbiamo sentito parlare sempre di più dell'intelligenza artificiale. È utilizzato quasi ovunque: dall'alta tecnologia e dai complessi calcoli matematici alla medicina, all'industria automobilistica e persino agli smartphone. Le tecnologie che stanno alla base del lavoro dell'IA nella visione moderna, le usiamo tutti i giorni ea volte potremmo anche non pensarci. Ma cos'è l'intelligenza artificiale? Come funziona? Ed è pericoloso?
Cos'è l'intelligenza artificiale
Per prima cosa, definiamo la terminologia. Se immagini l'intelligenza artificiale come qualcosa in grado di pensare in modo indipendente, prendere decisioni e in generale mostrare segni di coscienza, allora ci affrettiamo a deluderti. Quasi tutti i sistemi esistenti oggi non si avvicinano nemmeno a questa definizione di AI. E quei sistemi che mostrano segni di tale attività, infatti, operano ancora nell'ambito di algoritmi predeterminati.
A volte questi algoritmi sono molto, molto avanzati, ma rimangono il "framework" all'interno del quale opera l'AI. Le macchine non hanno "libertà" e ancor di più segni di coscienza. Sono solo programmi molto potenti. Ma sono "i migliori in quello che fanno". Inoltre, i sistemi di intelligenza artificiale continuano a migliorare. E non sono affatto banali. Anche mettendo da parte il fatto che l'IA moderna è tutt'altro che perfetta, ha molto in comune con noi.
Come funziona l'intelligenza artificiale
Innanzitutto l'AI può svolgere i suoi compiti (di cui poco dopo) e acquisire nuove competenze grazie al deep machine learning. Spesso sentiamo e usiamo anche questo termine. Ma cosa vuol dire? A differenza dei metodi “classici”, quando tutte le informazioni necessarie vengono caricate in anticipo nel sistema, gli algoritmi di machine learning costringono il sistema a svilupparsi in modo indipendente, studiando le informazioni disponibili. Che del resto l'auto in alcuni casi può anche cercare da sola.
Video promozionale:
Ad esempio, per creare un programma per rilevare le frodi, un algoritmo di apprendimento automatico funziona con un elenco di transazioni bancarie e il loro risultato finale (legale o illegale). Un modello di apprendimento automatico esamina esempi e sviluppa una relazione statistica tra transazioni legittime e fraudolente. Dopodiché, quando fornisci all'algoritmo i dettagli di una nuova transazione bancaria, la classifica in base ai modelli appresi dagli esempi in precedenza.
In genere, più dati fornisci, più preciso diventa l'algoritmo di apprendimento automatico durante l'esecuzione delle sue attività. L'apprendimento automatico è particolarmente utile per risolvere problemi in cui le regole non sono predefinite e non possono essere interpretate in formato binario. Tornando al nostro esempio con le operazioni bancarie: infatti, in uscita abbiamo un sistema di numerazione binaria: 0 - operazione legale, 1 - illegale. Ma per arrivare a una tale conclusione, il sistema deve analizzare un intero gruppo di parametri e se li inserisci manualmente, ci vorrà più di un anno. E comunque prevedere tutte le opzioni non funzionerà. E un sistema basato sull'apprendimento automatico profondo sarà in grado di riconoscere qualcosa, anche se non ha mai incontrato un caso del genere prima.
Apprendimento profondo e reti neurali
Sebbene i classici algoritmi di apprendimento automatico risolvano molti problemi in cui sono presenti molte informazioni sotto forma di database, non gestiscono bene, per così dire, dati "visivi e uditivi" come immagini, video, file audio e così via.
Sebbene i classici algoritmi di apprendimento automatico risolvano molti problemi in cui sono presenti molte informazioni sotto forma di database, non gestiscono bene, per così dire, dati "visivi e uditivi" come immagini, video, file audio e così via.
Ad esempio, la creazione di un modello predittivo per il cancro al seno utilizzando approcci classici di apprendimento automatico richiederà dozzine di esperti medici, programmatori e matematici, afferma il ricercatore di intelligenza artificiale Jeremy Howard. Gli scienziati dovrebbero creare molti algoritmi più piccoli per l'apprendimento automatico per far fronte al flusso di informazioni. Un sottosistema separato per lo studio dei raggi X, uno separato per la risonanza magnetica, un altro per l'interpretazione degli esami del sangue e così via. Per ogni tipo di analisi, avremmo bisogno di un proprio sistema. Quindi sarebbero tutti combinati in un unico grande sistema … Questo è un processo molto difficile e ad alta intensità di risorse.
Gli algoritmi di apprendimento profondo risolvono lo stesso problema utilizzando le reti neurali profonde, un tipo di architettura software ispirata al cervello umano (sebbene le reti neurali siano diverse dai neuroni biologici, funzionano più o meno allo stesso modo). Le reti neurali dei computer sono connessioni di "neuroni elettronici" in grado di elaborare e classificare le informazioni. Sono disposti come se fossero "strati" e ogni "strato" è responsabile di qualcosa di proprio, formando alla fine un'immagine generale. Ad esempio, quando si addestra una rete neurale su immagini di vari oggetti, trova il modo per estrarre oggetti da queste immagini. Ogni strato della rete neurale rileva determinate caratteristiche: la forma degli oggetti, i colori, l'aspetto degli oggetti e così via.
Gli strati superficiali delle reti neurali mostrano caratteristiche comuni. Gli strati più profondi stanno già rivelando gli oggetti reali. La figura mostra un diagramma di una semplice rete neurale. I neuroni di input (informazioni in arrivo) sono mostrati in verde, blu - neuroni nascosti (analisi dei dati), giallo - neurone di output (soluzione).
Le reti neurali sono un cervello umano artificiale?
Nonostante la struttura simile della macchina e delle reti neurali umane, non possiedono le caratteristiche del nostro sistema nervoso centrale. Le reti neurali dei computer sono essenzialmente tutti gli stessi programmi ausiliari. Accade così che il nostro cervello sia il sistema informatico più organizzato. Probabilmente hai sentito l'espressione "il nostro cervello è un computer"? Gli scienziati hanno semplicemente "replicato" digitalmente alcuni aspetti della sua struttura. Ciò consentiva solo di velocizzare i calcoli, ma non di dotare le macchine di coscienza.
Le reti neurali esistono dagli anni '50 (almeno sotto forma di concetti). Ma fino a poco tempo fa, non hanno ricevuto molto sviluppo, perché la loro creazione richiedeva enormi quantità di dati e potenza di calcolo. Negli ultimi anni tutto questo è diventato disponibile, quindi le reti neurali sono venute alla ribalta, avendo ricevuto il loro sviluppo. È importante capire che non c'era abbastanza tecnologia per il loro aspetto a tutti gli effetti. Come non bastano adesso per portare la tecnologia a un nuovo livello.
A cosa servono il deep learning e le reti neurali?
Ci sono diverse aree in cui queste due tecnologie hanno contribuito a fare notevoli progressi. Inoltre, ne usiamo alcuni ogni giorno nella nostra vita e non pensiamo nemmeno a cosa c'è dietro.
- La visione artificiale è la capacità del software di comprendere il contenuto di immagini e video. Questa è un'area in cui il deep learning ha fatto molti progressi. Ad esempio, gli algoritmi di elaborazione delle immagini di deep learning possono rilevare vari tipi di cancro, malattie polmonari, malattie cardiache e così via. E per farlo in modo più veloce ed efficiente rispetto ai medici. Ma il deep learning è anche radicato in molte delle applicazioni che utilizzi ogni giorno. Apple Face ID e Google Foto utilizzano il deep learning per il riconoscimento facciale e il miglioramento delle immagini. Facebook utilizza il deep learning per taggare automaticamente le persone nelle foto caricate e così via. La visione artificiale aiuta anche le aziende a identificare e bloccare automaticamente contenuti discutibili come violenza e nudità. E infinel'apprendimento profondo gioca un ruolo molto importante nel rendere le auto a guida autonoma in modo che possano capire l'ambiente circostante.
- Riconoscimento vocale e vocale. Quando pronunci un comando all'Assistente Google, gli algoritmi di apprendimento profondo traducono la tua voce in comandi di testo. Diverse applicazioni online utilizzano il deep learning per trascrivere file audio e video. Anche quando si esegue lo shazam di una canzone, entrano in gioco le reti neurali e gli algoritmi di apprendimento automatico profondo.
- Ricerca su Internet: anche se stai cercando qualcosa in un motore di ricerca, affinché la tua richiesta venga elaborata in modo più chiaro e i risultati della ricerca siano il più precisi possibile, le aziende hanno iniziato a collegare algoritmi di rete neurale ai loro motori di ricerca. Pertanto, le prestazioni del motore di ricerca di Google sono aumentate più volte dopo che il sistema è passato al deep machine learning e alle reti neurali.
I limiti del deep learning e delle reti neurali
Nonostante tutti i loro vantaggi, l'apprendimento profondo e le reti neurali presentano anche alcuni svantaggi.
- Dipendenza dai dati: in generale, gli algoritmi di deep learning richiedono enormi quantità di dati di addestramento per eseguire con precisione le loro attività. Sfortunatamente, per risolvere molti problemi, non ci sono abbastanza dati di formazione di alta qualità per creare modelli di lavoro.
- Imprevedibilità: le reti neurali si evolvono in qualche modo strano. A volte tutto va come previsto. E a volte (anche se la rete neurale fa un buon lavoro), anche i creatori fanno fatica a capire come funzionano gli algoritmi. La mancanza di prevedibilità rende estremamente difficile eliminare e correggere gli errori negli algoritmi delle reti neurali.
- Bias algoritmico: gli algoritmi di apprendimento profondo sono altrettanto validi dei dati su cui vengono addestrati. Il problema è che i dati di addestramento spesso contengono errori o difetti nascosti o evidenti e gli algoritmi li ereditano. Ad esempio, un algoritmo di riconoscimento facciale addestrato principalmente su fotografie di persone bianche funzionerà in modo meno accurato su persone con un colore della pelle diverso.
- Mancanza di generalizzazione: gli algoritmi di deep learning sono utili per eseguire attività mirate, ma generalizzano male la loro conoscenza. A differenza degli umani, un modello di apprendimento profondo addestrato per giocare a StarCraft non sarebbe in grado di giocare a un altro gioco simile: ad esempio WarCraft. Inoltre, l'apprendimento profondo fa un cattivo lavoro nel gestire i dati che si discostano dai suoi esempi di formazione.
Il futuro del deep learning, delle reti neurali e dell'IA
È chiaro che il lavoro sull'apprendimento profondo e sulle reti neurali è lungi dall'essere completo. Sono stati compiuti vari sforzi per migliorare gli algoritmi di apprendimento profondo. Il Deep Learning è una tecnica all'avanguardia nell'intelligenza artificiale. È diventato sempre più popolare negli ultimi anni a causa dell'abbondanza di dati e dell'aumento della potenza di elaborazione. Questa è la tecnologia alla base di molte delle applicazioni che utilizziamo ogni giorno.
Ma la coscienza nascerà mai sulla base di questa tecnologia? Vera vita artificiale? Alcuni scienziati ritengono che nel momento in cui il numero di connessioni tra i componenti delle reti neurali artificiali si avvicina allo stesso indicatore che esiste nel cervello umano tra i nostri neuroni, può accadere qualcosa del genere. Tuttavia, questa affermazione è altamente discutibile. Affinché possa emergere una vera intelligenza artificiale, dobbiamo ripensare il modo in cui costruiamo sistemi di intelligenza artificiale. Tutto ciò che è ora è solo programmi applicati per una gamma strettamente limitata di attività. Per quanto ci piacerebbe credere che il futuro sia già arrivato …
Cosa ne pensi? Gli umani creeranno l'IA?
