Πώς μαθαίνει πραγματικά η τεχνητή νοημοσύνη (Χωρίς φιοριτούρες)
Το βιβλίο συνταγών της μητέρας σου
Θα σου μιλήσω για τη μητέρα μου. Φτιάχνει την καλύτερη μηλόπιτα που έχω δοκιμάσει ποτέ. Απολύτως τέλεια. Κάθε φορά, χωρίς εξαίρεση.
Να τι έχει ενδιαφέρον: δεν χρησιμοποίησε ποτέ συνταγή. Ούτε μία φορά. Φτιάχνει αυτή την πίτα εδώ και 40 χρόνια. Απλώς ξέρει τι δουλεύει.
Πώς έμαθε;
Ξεκίνησε με τη συνταγή της μητέρας της. Πρώτη πίτα; Αξιοπρεπής. Δεύτερη πίτα; Πρόσθεσε λίγη περισσότερη κανέλα, γιατί η πρώτη ήταν άνοστη. Τρίτη πίτα; Λιγότερη ζάχαρη, γιατί η δεύτερη ήταν πολύ γλυκιά. Τέταρτη πίτα; Περισσότερο βούτυρο στη ζύμη, γιατί ήταν πολύ στεγνή.
Χρόνο με τον χρόνο, πίτα με την πίτα, έκανε προσαρμογές. Παρατηρούσε μοτίβα. «Όταν τα μήλα είναι πολύ ξινά, πρόσθεσε περισσότερη ζάχαρη. Όταν είναι γλυκά, πρόσθεσε λιγότερη. Αν έχει υγρασία, χρησιμοποίησε λιγότερο νερό στη ζύμη. Αν έχει ξηρασία, χρησιμοποίησε περισσότερο.»
Έμαθε από την εμπειρία. Από την ανατροφοδότηση. Από το να φτιάχνει εκατοντάδες πίτες και να παρατηρεί τι δούλευε και τι όχι.
Έτσι ακριβώς λειτουργεί η μηχανική μάθηση. Μόνο που αντί για πίτες, οι υπολογιστές κάνουν προβλέψεις. Και αντί για 40 χρόνια, το κάνουν σε λίγες ώρες.
Θα σου δείξω πώς.
Τι σημαίνει πραγματικά «μάθηση» (για τις μηχανές)
Όταν οι άνθρωποι λένε ότι ένας υπολογιστής «έμαθε» κάτι, δεν εννοούν ότι το κατάλαβε. Εννοούν ότι έγινε καλύτερος σε μια εργασία μέσω της εξάσκησης.
Η μητέρα μου δεν καταλάβαινε τη χημεία του πώς το βούτυρο κάνει τη ζύμη τραγανή. Απλώς ήξερε ότι το κάνει. Βρήκε ένα μοτίβο: περισσότερο βούτυρο σημαίνει πιο τραγανή ζύμη. Αυτό είναι μάθηση.
Οι υπολογιστές κάνουν το ίδιο πράγμα, αλλά με δεδομένα αντί για πίτες.
Θα σου δώσω ένα πραγματικό παράδειγμα που αντιμετωπίζεις καθημερινά: το φίλτρο ανεπιθύμητης αλληλογραφίας του email σου.
Ο παλιός τρόπος (πριν από τη μάθηση)
Χειροκίνητοι κανόνες που χαλούσαν συνέχεια
Κάποιος έπρεπε να γράφει κανόνες: «Αν το email λέει "Νιγηριανός πρίγκιπας", είναι ανεπιθύμητο. Αν λέει "Κερδίσατε το λαχείο", είναι ανεπιθύμητο. Αν έχει περισσότερα από 10 θαυμαστικά, είναι ανεπιθύμητο.»
Πρόβλημα; Οι αποστολείς ανεπιθύμητης αλληλογραφίας προσαρμόστηκαν. Άρχισαν να γράφουν «Ν1γηριανός πρ1γκιπας» ή «Λ0χείο». Οι κανόνες χαλούσαν. Κάποιος έπρεπε να γράφει χειροκίνητα νέους κανόνες. Ξανά και ξανά. Για πάντα.
Ο νέος τρόπος (με μάθηση)
Ο υπολογιστής βρίσκει μόνος του τα μοτίβα
Δείχνεις στον υπολογιστή 10.000 emails. «Αυτά τα 5.000 είναι ανεπιθύμητα. Αυτά τα 5.000 είναι κανονικά.» Ο υπολογιστής τα κοιτάζει και βρίσκει μοτίβα που δεν του είπες ποτέ να ψάξει:
- → Τα ανεπιθύμητα emails τείνουν να περιέχουν συγκεκριμένες λέξεις μαζί
- → Προέρχονται από συγκεκριμένους τύπους διευθύνσεων email
- → Έχουν ασυνήθιστα μοτίβα στίξης
- → Οι σύνδεσμοι μέσα τους φαίνονται ύποπτοι με συγκεκριμένους τρόπους
Τώρα, όταν οι αποστολείς ανεπιθύμητων αλλάζουν τακτική, απλώς δείχνεις στον υπολογιστή νέα παραδείγματα ανεπιθύμητων. Βρίσκει νέα μοτίβα. Δεν χρειάζεται να γράφεις νέους κανόνες χειροκίνητα.
Αυτό είναι μηχανική μάθηση: οι υπολογιστές γίνονται καλύτεροι σε εργασίες βρίσκοντας μοτίβα σε παραδείγματα, όχι ακολουθώντας κανόνες που έγραψε κάποιος.
Οι Τρεις Τρόποι με τους Οποίους Εξασκούνται οι Μηχανές
Όπως ακριβώς οι άνθρωποι μαθαίνουν με διαφορετικούς τρόπους, έτσι και οι μηχανές έχουν διαφορετικές μεθόδους μάθησης για διαφορετικές καταστάσεις. Άσε με να σου πω για τους τρεις βασικούς με παραδείγματα που θα καταλάβεις πραγματικά.
Μάθηση με Δάσκαλο (Επιβλεπόμενη Μάθηση)
Θυμάσαι που έμαθες προπαίδεια στο σχολείο; Ο δάσκαλός σου σου έδινε προβλήματα ΚΑΙ τις απαντήσεις. «Πόσο κάνει 7 επί 8;» «56.» Εξασκήθηκες μέχρι να μπορείς να απαντάς χωρίς να κοιτάς.
Αυτή είναι η επιβλεπόμενη μάθηση. Ο υπολογιστής παίρνει ερωτήσεις και απαντήσεις μαζί.
Παράδειγμα: Πώς μαθαίνουμε σε έναν υπολογιστή να αναγνωρίζει φωτογραφίες
Του δείχνεις 1.000 φωτογραφίες. Για κάθε μία, του λες τι περιέχει:
- 📷 Αυτή η φωτογραφία: Γάτα
- 📷 Αυτή η φωτογραφία: Σκύλος
- 📷 Αυτή η φωτογραφία: Αυτοκίνητο
Ο υπολογιστής αρχίζει να μαντεύει στην τύχη. Στην αρχή κάνει τρομερά λάθη. Μετά παρατηρεί μοτίβα: «Οι φωτογραφίες με μυτερά αυτιά και μουστάκια είναι συνήθως γάτες. Οι φωτογραφίες με πεσμένα αυτιά και βρεγμένες μύτες είναι συνήθως σκύλοι. Οι φωτογραφίες με ρόδες και παράθυρα είναι συνήθως αυτοκίνητα.»
Εξασκείται σε αυτές τις 1.000 φωτογραφίες μέχρι να τα καταφέρνει πολύ καλά. Μετά τον δοκιμάζεις σε νέες φωτογραφίες που δεν έχει ξαναδεί. Αν έμαθε καλά τα μοτίβα, τις αναγνωρίζει σωστά.
Έτσι αναγνωρίζει πρόσωπα το κινητό σου, έτσι χρησιμοποιούν οι γιατροί την τεχνητή νοημοσύνη για να εντοπίζουν ασθένειες σε ακτινογραφίες, και έτσι καταλαβαίνουν οι φωνητικοί βοηθοί τι λες.
Μάθηση χωρίς δάσκαλο (Μη επιβλεπόμενη μάθηση)
Φαντάσου τώρα ότι ταξινομείς τη συλλογή κουμπιών της μακαρίτισσας θείας σου. Είχε εκατοντάδες κουμπιά, όλα ανακατεμένα. Δεν έχεις οδηγό. Απλώς αρχίζεις να τα χωρίζεις σε στοίβες που έχουν νόημα για σένα.
Βρίσκεις μόνος σου τα μοτίβα
- → Μεγάλα κουμπιά εδώ. Μικρά κουμπιά εκεί.
- → Μεταλλικά σε αυτή τη στοίβα. Πλαστικά σε εκείνη τη στοίβα.
Βρίσκεις μοτίβα χωρίς να σου λέει κανείς τι να ψάξεις.
Αυτή είναι η μη επιβλεπόμενη μάθηση. Ο υπολογιστής ψάχνει για μοτίβα χωρίς να του λένε ποια πρέπει να είναι η απάντηση.
Παράδειγμα: Εύρεση ομάδων πελατών
Ένα κατάστημα έχει δεδομένα για 10.000 πελάτες: τι αγοράζουν, πότε ψωνίζουν, πόσα ξοδεύουν. Κανείς δεν λέει στον υπολογιστή ποιες ομάδες υπάρχουν. Απλώς κοιτάζει και βρίσκει μοτίβα:
Ομάδα 1: Νέοι που ψωνίζουν αργά το βράδυ, αγοράζουν μικρά ποσά, έρχονται συχνά
Ομάδα 2: Οικογένειες που ψωνίζουν τα σαββατοκύριακα, αγοράζουν χύμα, έρχονται κάθε εβδομάδα
Ομάδα 3: Συνταξιούχοι που ψωνίζουν το μεσημέρι τις καθημερινές, αγοράζουν συγκεκριμένα είδη, πολύ τακτικοί
Κανείς δεν του είπε ότι αυτές οι ομάδες υπάρχουν. Τις βρήκε παρατηρώντας ποιοι πελάτες συμπεριφέρονται παρόμοια.
Έτσι ομαδοποιεί το Netflix τις σειρές που μπορεί να σου αρέσουν, έτσι η ανίχνευση απάτης βρίσκει ασυνήθιστες συναλλαγές και έτσι οι επιστήμονες ανακαλύπτουν μοτίβα στο DNA.
Μάθηση μέσω δοκιμής (Ενισχυτική μάθηση)
Θυμάσαι πώς μαθαίνεις σε ένα σκύλο να κάθεται; Δεν του εξηγείς τι σημαίνει κάθομαι. Απλώς λες «κάτσε» και όταν καθίσει, του δίνεις μια λιχουδιά. Όταν δεν κάθεται, δεν παίρνει λιχουδιά. Ο σκύλος το καταλαβαίνει: κάθομαι σημαίνει λιχουδιά. Δεν κάθομαι σημαίνει τίποτα.
Αυτή είναι η ενισχυτική μάθηση. Δοκιμάζεις πράγματα. Βλέπεις τι δουλεύει. Κάνεις περισσότερο ό,τι δουλεύει.
Παράδειγμα: Μαθαίνοντας σε έναν υπολογιστή να παίζει σκάκι
Ο υπολογιστής δεν ξέρει τους κανόνες στην αρχή. Απλώς δοκιμάζει κινήσεις. Τυχαία. Οι περισσότερες είναι απαίσιες.
Αλλά να το θέμα: όταν κερδίζει μια παρτίδα, του λες «μπράβο». Όταν χάνει, του λες «αυτό δεν δούλεψε». Αρχίζει να παρατηρεί:
- ✓ Το να μετακινεί τη βασίλισσα εδώ συχνά οδηγεί σε νίκη
- ✗ Το να αφήνει τον βασιλιά εκτεθειμένο συνήθως οδηγεί σε ήττα
- ✓ Ο έλεγχος του κέντρου της σκακιέρας είναι χρήσιμος
Αφού παίξει εκατομμύρια παρτίδες με τον εαυτό του, γίνεται πραγματικά, πραγματικά καλός. Όχι επειδή του έμαθε κάποιος στρατηγική. Επειδή δοκίμασε τα πάντα και έμαθε τι δουλεύει.
Έτσι έμαθε η τεχνητή νοημοσύνη να κερδίζει τους παγκόσμιους πρωταθλητές στο σκάκι και στο Go, έτσι μαθαίνουν τα ρομπότ να περπατούν και έτσι μαθαίνουν τα αυτοκίνητα χωρίς οδηγό να οδηγούν.
Τα Τρία Στυλ Μάθησης
Πώς Γίνεται Στην Πραγματικότητα η Εξάσκηση (Η Μυστική Διαδικασία)
Εντάξει, ο υπολογιστής εξασκείται κοιτάζοντας παραδείγματα. Αλλά τι συμβαίνει πραγματικά μέσα του; Άσε με να στο εξηγήσω σαν να κοιτάς πάνω από τον ώμο του υπολογιστή.
Βήμα 1: Ξεκίνα με Εντελώς Τυχαίες Εικασίες
Σαν να μαντεύεις το βάρος μιας κολοκύθας
Φαντάσου ότι προσπαθείς να μαντέψεις το βάρος μιας κολοκύθας μόνο κοιτάζοντάς την. Δεν το έχεις ξανακάνει, οπότε απλώς πετάς έναν τυχαίο αριθμό. «Εεε... 15 κιλά;»
Αυτό ακριβώς κάνει ο υπολογιστής. Ξεκινά με τυχαίες εικασίες. Εντελώς τυχαίες. Είναι σαν να ζητάς από ένα νεογέννητο μωρό να αναγνωρίσει χρώματα. Οι εικασίες είναι άθλιες. Δεν πειράζει. Αυτό είναι το σημείο εκκίνησης.
Βήμα 2: Τσέκαρε Πόσο Άσχημα Έπεσες Έξω
Μετρώντας το σφάλμα
Τώρα βάζεις την κολοκύθα σε μια ζυγαριά. Στην πραγματικότητα ζυγίζει 23 κιλά. Έπεσες έξω κατά 8 κιλά. Αυτό είναι το σφάλμα σου.
Ο υπολογιστής κάνει το ίδιο πράγμα. Κάνει μια εικασία, ελέγχει τη σωστή απάντηση, υπολογίζει πόσο άσχημα έπεσε έξω. «Είπα ότι αυτή η φωτογραφία ήταν σκύλος. Στην πραγματικότητα είναι γάτα. Έπεσα πολύ έξω.»
Βήμα 3: Προσάρμοσε την Επόμενη Εικασία Σου
Μαθαίνοντας από τα λάθη
Η επόμενη κολοκύθα μοιάζει με την πρώτη. Δεν μαντεύεις ξανά 15 κιλά. Έμαθες ότι οι κολοκύθες σαν αυτή είναι πιο βαριές από όσο νόμιζες. Οπότε μαντεύεις 22 κιλά. Πιο κοντά!
Ο υπολογιστής κάνει ακριβώς αυτό. Προσαρμόζει τη μέθοδο εικασίας του με βάση τα λάθη του. «Συνέχιζα να λέω "σκύλος" όταν έβλεπα πεσμένα αυτιά, αλλά έπεφτα έξω. Ας δώσω περισσότερη προσοχή και σε άλλα χαρακτηριστικά.»
Βήμα 4: Επανάλαβε Χιλιάδες Φορές
Η εξάσκηση τελειοποιεί
Αν μάντευες το βάρος 1.000 κολοκυθών και έλεγχες τη ζυγαριά κάθε φορά, θα γινόσουν αρκετά καλός σε αυτό. Θα παρατηρούσες μοτίβα: «Οι μεγάλες, στρογγυλές κολοκύθες με χοντρά κοτσάνια είναι συνήθως βαριές. Οι ψηλές, οι λεπτές είναι συνήθως πιο ελαφριές».
Ο υπολογιστής το κάνει αυτό χιλιάδες ή εκατομμύρια φορές. Κάθε φορά, γίνεται λίγο καλύτερος. Τελικά, γίνεται πραγματικά καλός σε όποια εργασία εξασκείται.
Αυτή είναι όλη η διαδικασία. Κάνε μια εικασία. Δες πόσο άδικο έπεσες. Προσάρμοσε. Επανάλαβε μέχρι να γίνεις αρκετά καλός. Απλή ιδέα. Αλλά κάνε το εκατομμύρια φορές πολύ γρήγορα και θα έχεις εντυπωσιακά αποτελέσματα.
Γιατί Λειτουργεί Τόσο Καλά (Και Γιατί Δεν Είναι Μαγεία)
Να τι είναι εκπληκτικό: αυτή η απίστευτα απλή διαδικασία λειτουργεί για μια απίστευτη ποικιλία εργασιών.
Η ίδια βασική ιδέα (εξάσκηση με ανατροφοδότηση) μπορεί:
- ✓ Να μάθει να αναγνωρίζει το πρόσωπό σου για να ξεκλειδώνεις το τηλέφωνό σου
- ✓ Να μάθει να μεταφράζει μεταξύ γλωσσών
- ✓ Να μάθει να εντοπίζει όγκους σε ιατρικές εξετάσεις
- ✓ Να μάθει να προβλέπει αν θα βρέξει αύριο
- ✓ Να μάθει να προτείνει ταινίες που πιθανόν να σου αρέσουν
Γιατί λειτουργεί για όλα αυτά τα διαφορετικά πράγματα;
Επειδή όλα είναι στην ουσία τους προβλήματα αναγνώρισης προτύπων. Το πρόσωπό σου έχει μοτίβα. Οι γλώσσες έχουν μοτίβα. Οι όγκοι έχουν μοτίβα. Ο καιρός έχει μοτίβα. Οι προτιμήσεις σου σε ταινίες έχουν μοτίβα.
Ο υπολογιστής βρίσκει αυτά τα μοτίβα εξασκούμενος με παραδείγματα. Δεν «κατανοεί» πρόσωπα ή γλώσσες ή ιατρική. Απλώς βρίσκει: όταν βλέπω αυτό το μοτίβο, η απάντηση είναι συνήθως εκείνη.
Αυτό είναι εντυπωσιακό. Αλλά δεν είναι μαγεία. Είναι αντιστοίχιση προτύπων, εξασκημένη σε κλίμακα που οι άνθρωποι δεν μπορούν να φτάσουν.
Τι Μαθαίνει Πραγματικά ο Υπολογιστής (Η Αλήθεια Μπορεί να Σε Εκπλήξει)
Να κάτι που οι περισσότεροι άνθρωποι καταλαβαίνουν λάθος: ο υπολογιστής δεν μαθαίνει κατανόηση. Μαθαίνει συντομεύσεις.
Άσε με να σου δείξω τι εννοώ με μια αληθινή ιστορία.
Το AI καρκίνου του δέρματος που εξαπάτησε
Οι επιστήμονες εκπαίδευσαν ένα AI να αναγνωρίζει τον καρκίνο του δέρματος από φωτογραφίες. Έγινε πολύ καλό. Καλύτερο από μερικούς γιατρούς. Εντυπωσιακό, έτσι;
Τότε παρατήρησαν κάτι περίεργο. Το AI κοίταζε τους χάρακες. Πολλές από τις φωτογραφίες με καρκίνο είχαν χάρακες (για να φαίνεται η κλίμακα). Πολλές από τις φωτογραφίες χωρίς καρκίνο δεν είχαν.
Το AI έμαθε: "Αν δω χάρακα, μάλλον είναι καρκίνος." Αυτό είναι τεχνικά ένα μοτίβο που λειτούργησε στα δεδομένα εκπαίδευσης. Αλλά δεν είναι κατανόηση του καρκίνου. Είναι συντόμευση.
Αυτό συμβαίνει συνέχεια:
Παραδείγματα προκαταλήψεων και συντομεύσεων που μαθαίνει το AI
- ⚠️ Ένα AI προσλήψεων έμαθε ότι τα βιογραφικά με το όνομα "Jared" είχαν περισσότερες πιθανότητες πρόσληψης (επειδή τα δεδομένα εκπαίδευσης περιείχαν προκατειλημμένες ανθρώπινες αποφάσεις)
- ⚠️ Ένα σύστημα αναγνώρισης προσώπου λειτουργούσε καλύτερα σε λευκούς άνδρες (επειδή αυτοί ήταν υπερεκπροσωπημένοι στις φωτογραφίες εκπαίδευσης)
- ⚠️ Ένα σύστημα έγκρισης δανείων έκανε διακρίσεις εις βάρος ορισμένων γειτονιών (επειδή έμαθε από ιστορικά προκατειλημμένα δεδομένα δανεισμού)
Ο υπολογιστής βρίσκει μοτίβα στα δεδομένα που του δίνεις. Αν τα δεδομένα έχουν προκαταλήψεις, μαθαίνει τις προκαταλήψεις. Αν τα δεδομένα έχουν συντομεύσεις, μαθαίνει τις συντομεύσεις. Δεν ξέρει καλύτερα. Απλώς βρίσκει τι λειτουργεί στα παραδείγματα που είδε. Γι' αυτό η μηχανική μάθηση χρειάζεται προσεκτική προσοχή. Είναι ισχυρή, αλλά δεν είναι σοφή.
Οι δύο τρόποι εξάσκησης (παραδοσιακός και διαφορετικός)
Θυμάσαι που είπα ότι οι υπολογιστές μαθαίνουν προσαρμόζοντας τις εικασίες τους με βάση τα λάθη; Υπάρχουν δύο βασικοί τρόποι για να γίνει αυτή η προσαρμογή.
Ο παραδοσιακός τρόπος: Μικροσκοπικές ρυθμίσεις στους αριθμούς
Πώς λειτουργεί το μεγαλύτερο μέρος της τεχνητής νοημοσύνης σήμερα
Ο υπολογιστής έχει εκατομμύρια μικρά κουμπιά ρύθμισης (τα λεγόμενα βάρη). Κάθε κουμπί είναι ρυθμισμένο σε έναν συγκεκριμένο αριθμό.
Όταν ο υπολογιστής κάνει ένα λάθος, υπολογίζει ποια κουμπιά πρέπει να γυρίσει και προς ποια κατεύθυνση. Τα γυρίζει ελάχιστα. Μετά κάνει άλλη μια εικασία, κάνει άλλο ένα λάθος, γυρίζει ξανά τα κουμπιά. Ξανά και ξανά. Αφού το κάνει αυτό εκατομμύρια φορές, όλα αυτά τα κουμπιά έχουν ρυθμιστεί σε αριθμούς που παράγουν καλές εικασίες.
Το καλό
Λειτουργεί πολύ καλά. Μπορεί να βρει απίστευτα πολύπλοκα μοτίβα. Είναι δοκιμασμένο και αξιόπιστο.
Το κακό
Χρησιμοποιεί τεράστια υπολογιστική ισχύ. Η εκπαίδευση αυτών των συστημάτων κοστίζει εκατομμύρια δολάρια σε ηλεκτρικό ρεύμα. Και όταν τελειώσει, έχεις εκατομμύρια ρυθμίσεις κουμπιών, αλλά δεν μπορείς να εξηγήσεις πραγματικά γιατί είναι ρυθμισμένα σε αυτούς τους συγκεκριμένους αριθμούς. Είναι ένα μαύρο κουτί.
Ένας διαφορετικός τρόπος: Βρίσκοντας κανόνες αντί για αριθμούς
Πώς λειτουργούν ορισμένα νεότερα συστήματα
Ορισμένα συστήματα (όπως αυτά που φτιάχνουν εταιρείες σαν την Dweve) λειτουργούν διαφορετικά. Αντί να ρυθμίζουν εκατομμύρια αριθμητικές παραμέτρους, αναζητούν λογικούς κανόνες.
Αντί να μαθαίνουν «το βάρος 47 θα έπρεπε να είναι 0,8234», μαθαίνουν «αν το email περιέχει επείγουσες λέξεις ΚΑΙ προέρχεται από άγνωστο αποστολέα ΚΑΙ έχει περίεργους συνδέσμους, τότε πιθανότατα είναι ανεπιθύμητο».
Μοιάζει περισσότερο με το πώς μαθαίνουν οι άνθρωποι
Δεν έχεις αριθμούς στο μυαλό σου. Έχεις εμπειρικούς κανόνες: «Αν το ψωμί μυρίζει ξινό, μάλλον είναι χαλασμένο. Αν ο ουρανός είναι σκοτεινός και βαρύς, μπορεί να βρέξει.»
Τα θετικά
Μπορείς πραγματικά να εξηγήσεις τις αποφάσεις. «Το email χαρακτηρίστηκε ανεπιθύμητο επειδή ταίριαξε με αυτά τα τρία μοτίβα.» Είναι επίσης πολύ πιο αποδοτικό. Χρησιμοποιεί πολύ λιγότερη ενέργεια.
Τα αρνητικά
Δεν λειτουργούν όλα τα προβλήματα καλά με κανόνες. Ορισμένα πράγματα πραγματικά χρειάζονται εκείνα τα εκατομμύρια μικροσκοπικών αριθμητικών ρυθμίσεων.
Κανένας τρόπος δεν είναι πάντα καλύτερος. Είναι εργαλεία. Χρησιμοποιείς το σωστό για τη δουλειά.
Πώς Μοιάζει Στην Πραγματικότητα η Διαδικασία Μάθησης
Πού Λειτουργεί Πραγματικά Αυτό στη Ζωή Σου
Άσε με να σου δείξω πού ήδη χρησιμοποιείς τη μηχανική μάθηση κάθε μέρα, πιθανότατα χωρίς να το συνειδητοποιείς.
⏰ Το Πρωινό Σου Ξυπνητήρι
Το ξυπνητήρι του τηλεφώνου σου πιθανότατα έχει μια λειτουργία που αυξάνει σταδιακά την ένταση. Αυτό είναι απλό. Αλλά κάποια τηλέφωνα μαθαίνουν επίσης πότε τείνεις να ξυπνάς φυσικά και προτείνουν καλύτερες ώρες αφύπνισης. Η μηχανική μάθηση παρατήρησε: «Πάντα αναβάλλεις το ξυπνητήρι των 6:00, αλλά ξυπνάς φυσικά στις 6:30. Άσε με να προτείνω τις 6:30 αντί για αυτό.»
🚗 Η Μετακίνησή Σου
Οι εφαρμογές χαρτών προβλέπουν την κίνηση. Πώς; Έμαθαν από εκατομμύρια διαδρομές: «Τα πρωινά της Τρίτης, αυτός ο αυτοκινητόδρομος έχει μποτιλιάρισμα γύρω στις 7:45. Όταν βρέχει, αυτή η διαδρομή καθυστερεί κατά 15 λεπτά.» Μοτίβα που βρέθηκαν από δεδομένα.
📧 Το Email Σου
Κάθε ανεπιθύμητο email που δεν φτάνει στα εισερχόμενά σου; Μηχανική μάθηση. Κάθε email που ταξινομείται αυτόματα σε φακέλους; Μηχανική μάθηση. Η εφαρμογή email σου έμαθε από εκατομμύρια παραδείγματα πώς μοιάζει το spam και τι είναι σημαντικό για εσένα συγκεκριμένα.
🎬 Η Ψυχαγωγία Σου
Το Netflix προτείνει σειρές. Το Spotify δημιουργεί λίστες αναπαραγωγής για εσένα. Το YouTube προτείνει βίντεο. Όλα μηχανική μάθηση. Έμαθαν: «Άτομα που είδαν αυτές τις τρεις σειρές συνήθως τους αρέσει και αυτή η τέταρτη σειρά. Άτομα που ακούν αυτόν τον καλλιτέχνη συνήθως τους αρέσουν και αυτοί οι άλλοι καλλιτέχνες.»
🛒 Τα Ψώνια Σου
«Πελάτες που αγόρασαν αυτό αγόρασαν επίσης...» Μηχανική μάθηση. «Μπορεί να σου αρέσει επίσης...» Μηχανική μάθηση. Ακόμα και οι τιμές που βλέπεις μπορεί να προσαρμόζονται από τη μηχανική μάθηση με βάση τα μοτίβα ζήτησης.
🔒 Η Ασφάλειά Σου
Η εταιρεία της πιστωτικής σου κάρτας μπλοκάρει μια ύποπτη συναλλαγή; Η μηχανική μάθηση εντόπισε ένα μοτίβο: «Αυτή η χρέωση δεν ταιριάζει με τη συνήθη συμπεριφορά αγορών αυτού του ατόμου. Μπορεί να είναι απάτη.»
Όλα αυτά τα συστήματα έμαθαν από παραδείγματα. Βρήκαν μοτίβα. Βελτιώθηκαν με την εξάσκηση. Αυτή είναι η μηχανική μάθηση, που αγγίζει τη ζωή σου δεκάδες φορές την ημέρα.
Τα Τίμια Όρια (Τι Δεν Μπορεί να Κάνει)
Η μηχανική μάθηση είναι ισχυρή, αλλά δεν είναι μαγεία. Θα είμαι απόλυτα ειλικρινής για το τι δεν μπορεί να κάνει.
Δεν Μπορεί να Μάθει Χωρίς Παραδείγματα
Χρειάζεσαι δεδομένα. Πολλά. Θέλεις να μάθεις σε έναν υπολογιστή να αναγνωρίζει μια σπάνια ασθένεια; Χρειάζεσαι χιλιάδες παραδείγματα αυτής της ασθένειας. Δεν τα έχεις; Δεν μπορείς να εκπαιδεύσεις το σύστημα. Τόσο απλό.
Δεν Μπορεί να Κατανοήσει το Πλαίσιο Όπως οι Άνθρωποι
Ένας άνθρωπος βλέπει μια πινακίδα «ΣΤΟΠ» καλυμμένη με χιόνι και ξέρει ότι εξακολουθεί να είναι πινακίδα στοπ. Ένας υπολογιστής μπορεί να μην την αναγνωρίσει, επειδή όλα τα παραδείγματα εκπαίδευσής του έδειχναν καθαρές, ευδιάκριτες πινακίδες στοπ. Έμαθε το μοτίβο των τέλειων πινακίδων στοπ, όχι την έννοια του «στοπ».
Δεν Μπορεί να Εξηγήσει τη Συλλογιστική του (Συνήθως)
Ρώτα έναν γιατρό γιατί πιστεύει ότι έχεις γρίπη: «Έχεις πυρετό, πόνους στο σώμα και είναι περίοδος γρίπης». Σαφής συλλογιστική.
Ρώτα τα περισσότερα συστήματα τεχνητής νοημοσύνης γιατί πήραν μια απόφαση: «Επειδή αυτά τα 47 εκατομμύρια νούμερα έχουν οριστεί σε αυτές τις συγκεκριμένες τιμές». Καθόλου βοηθητικό.
Θα Μάθει τις Προκαταλήψεις Σου
Αν το εκπαιδεύσεις με προκατειλημμένα δεδομένα, μαθαίνει την προκατάληψη. Αν τα ιστορικά δεδομένα προσλήψεων δείχνουν προκατάληψη εναντίον ορισμένων ομάδων, η τεχνητή νοημοσύνη μαθαίνει να είναι επίσης προκατειλημμένη. Δεν ξέρει καλύτερα. Απλώς μαθαίνει ό,τι υπάρχει στα δεδομένα.
Δεν Μπορεί να Προσαρμοστεί σε Εντελώς Νέες Καταστάσεις
Οι άνθρωποι είναι εξαιρετικοί σε αυτό. Δεν έχεις δει ποτέ μωβ καμηλοπάρδαλη, αλλά αν έβλεπες μία, θα την αναγνώριζες ως καμηλοπάρδαλη που τυχαίνει να είναι μωβ.
Ένας υπολογιστής εκπαιδευμένος με κανονικές καμηλοπαρδάλεις μπορεί να μπερδευτεί εντελώς με μια μωβ. Δεν ήταν στα δεδομένα εκπαίδευσης. Το σύστημα δεν ξέρει πώς να γενικεύσει με αυτόν τον τρόπο.
Αυτά δεν είναι δευτερεύοντα ζητήματα. Είναι θεμελιώδη για τον τρόπο που λειτουργεί η μηχανική μάθηση. Η κατανόηση αυτών των περιορισμών είναι εξίσου σημαντική με την κατανόηση των δυνατοτήτων.
Τι Πρέπει να Θυμάστε
Αν σας φαίνεται πολύ, να τι έχει πραγματικά σημασία:
- 1 Η μηχανική μάθηση είναι εξάσκηση με ανατροφοδότηση. Ο υπολογιστής κάνει εικασίες, ελέγχει αν είναι σωστές, προσαρμόζεται και επαναλαμβάνει. Ακριβώς όπως θα μάθαινες οτιδήποτε μέσω της εξάσκησης.
- 2 Υπάρχουν τρεις βασικοί τύποι. Η επιβλεπόμενη (με έτοιμες απαντήσεις), η μη επιβλεπόμενη (εύρεση μοτίβων μόνη της) και η ενισχυτική (μάθηση μέσω δοκιμής). Κάθε μία εξυπηρετεί διαφορετικά προβλήματα.
- 3 Βρίσκει μοτίβα, όχι κατανόηση. Ο υπολογιστής δεν το «καταλαβαίνει». Απλώς παρατηρεί: όταν βλέπω αυτό το μοτίβο, η απάντηση είναι συνήθως αυτή. Ισχυρό, αλλά όχι το ίδιο με την ανθρώπινη κατανόηση.
- 4 Το χρησιμοποιείς συνεχώς. Το email σου, οι χάρτες σου, η ψυχαγωγία σου, τα ψώνια σου. Η μηχανική μάθηση αγγίζει τη ζωή σου δεκάδες φορές καθημερινά.
- 5 Έχει πραγματικά όρια. Χρειάζεται πολλά δεδομένα. Μαθαίνει προκαταλήψεις. Δεν μπορεί να εξηγηθεί εύκολα. Δεν γενικεύει όπως οι άνθρωποι. Η κατανόηση των ορίων είναι εξίσου σημαντική με την κατανόηση των δυνατοτήτων.
- 6 Υπάρχουν διαφορετικές προσεγγίσεις. Η περισσότερη τεχνητή νοημοσύνη ρυθμίζει εκατομμύρια αριθμητικές παραμέτρους. Κάποια συστήματα μαθαίνουν λογικούς κανόνες. Διαφορετικά εργαλεία για διαφορετικές δουλειές.
Η Ουσία
Η μηχανική μάθηση δεν είναι κάτι μυστηριώδες. Είναι απλώς ένας υπολογιστής που γίνεται καλύτερος σε κάτι μέσω της εξάσκησης.
Δείξε του παραδείγματα. Άφησέ το να κάνει εικασίες. Πες του πότε κάνει λάθος. Παρατήρησέ το να προσαρμόζεται και να βελτιώνεται. Επανάλαβε χιλιάδες φορές. Τελικά, γίνεται πραγματικά καλό στην εργασία.
Δεν μαθαίνει με τον τρόπο που έμαθες εσύ να κάνεις ποδήλατο, να διαβάζεις ή να κάνεις φίλους. Δεν αναπτύσσει κατανόηση, σοφία ή κοινή λογική.
Βρίσκει στατιστικά μοτίβα στα δεδομένα μέσω επαναλαμβανόμενης εξάσκησης και προσαρμογής. Αυτό είναι όλο. Αλλά όταν γίνεται σε κλίμακα που οι άνθρωποι δεν μπορούν να φτάσουν, με εκατομμύρια παραδείγματα, παράγει πραγματικά χρήσιμα αποτελέσματα.
Το φίλτρο ανεπιθύμητης αλληλογραφίας σου λειτουργεί. Ο φωνητικός βοηθός σε καταλαβαίνει. Οι χάρτες σου σε κατευθύνουν γύρω από την κίνηση. Όλα επειδή οι υπολογιστές εξασκήθηκαν σε εκατομμύρια παραδείγματα μέχρι να βρουν μοτίβα που λειτουργούν.
Η λέξη «μάθηση» το κάνει να ακούγεται μαγικό. Η πραγματικότητα είναι μαθηματική. Αλλά αυτά τα μαθηματικά, όταν εφαρμόζονται σε κλίμακα, αλλάζουν τον τρόπο που ζεις τη ζωή σου κάθε μέρα.
Τώρα ξέρεις πώς λειτουργεί. Το μυστήριο εξαφανίστηκε. Η μηχανική μάθηση είναι ανακάλυψη μοτίβων μέσω της εξάσκησης. Απλή έννοια. Ισχυρή εκτέλεση. Και τη χρησιμοποιείς αυτή τη στιγμή, διαβάζοντας αυτές τις λέξεις σε μια συσκευή γεμάτη συστήματα που έμαθαν να κάνουν τη ζωή σου πιο εύκολη.
Ορισμένες εταιρείες, όπως η Dweve, διερευνούν διαφορετικούς τρόπους «εξάσκησης» πέρα από την απλή ρύθμιση των κουμπιών των αριθμών. Μαθαίνοντας λογικούς κανόνες αντί για αριθμητικά βάρη. Βρίσκοντας περιορισμούς αντί για παραμέτρους εκπαίδευσης. Διαφορετικές προσεγγίσεις για διαφορετικά προβλήματα. Επειδή η μηχανική μάθηση δεν χρειάζεται να είναι ένα μέγεθος για όλους.