Gebouw AI is ingewikkeld, maar begrijpen hoeft niet zo te zijn. De meeste bestaande kunstmatige intelligenties zijn gewoon hele goede gokmachines (zoals onze hersenen). Je voedt een aantal gegevens (zoals de cijfers 1-10) en vraagt ​​hem om een ​​model te maken (x + 1, beginnend bij 0) en een voorspelling te doen. (Het volgende cijfer is elf.) Er is geen magie, anders dan wat mensen elke dag doen: we gebruiken wat we weten om dingen te raden die we niet kennen.

Wat AI onderscheidt van andere computerprogramma's is dat we het niet specifiek voor elk scenario hoeven te programmeren. We kunnen dingen leren (machinaal leren), en het kan zichzelf ook leren (diep leren). Hoewel er meerdere varianten van elk zijn, kunnen ze in grote lijnen als volgt worden gedefinieerd:

  • Artificial Intelligence (AI): een machine die menselijk gedrag kan imiteren
  • Machine Learning: een subset van AI waar mensen machines trainen om patronen in gegevens te herkennen en voorspellingen te doen
  • Deep Learning: een subset van machine learning waarin de machine zichzelf kan trainen

Kunstmatige intelligentie

De breedst mogelijke definitie van AI is simpelweg dat het een machine is die denkt als een mens. Het kan net zo eenvoudig zijn als het volgen van een logisch stroomdiagram, of het kan een bijna menselijke computer zijn die kan leren van een breed scala aan sensorische inputs en die kennis kan toepassen in nieuwe situaties. Dat laatste deel is de sleutel - de sterke AI die iedereen zich voorstelt, is een die allerlei geleerde datapunten kan verbinden om het de mogelijkheid te geven om in bijna elke situatie te werken.

Op dit moment zit AI nog steeds op een vrij smal pad - Alexa is een geweldige butler, maar ze kan een Turing-test niet doorstaan. We hebben momenteel een beperkte vorm van AI, maar het is goed om te onthouden dat de definitie zo breed is dat het uiteindelijk programma's zou kunnen omvatten waarmee DeepMind op een rekenmachine lijkt.

Machine Learning

Zonder machine learning zou de bestaande AI meestal beperkt zijn tot het doorlopen van lange lijsten met "als x waar is, doe y, anders, doe z." Deze innovatie geeft computers echter de kracht om dingen uit te vinden zonder expliciet geprogrammeerd te zijn. Als voorbeeld van één type machine learning, stel dat je wilt dat een programma katten in foto's kan identificeren:

  1. Geef je AI een reeks kenmerken van katten om naar te zoeken - individuele lijnen, grotere vormen, kleurpatronen, enz.
  2. Voer enkele foto's uit via de AI - sommige of alle kunnen als 'kat' worden aangeduid, zodat de machine de relevante kattenfuncties efficiënter kan selecteren.
  3. Nadat het programma genoeg katten heeft gezien, zou het moeten weten hoe het in een afbeelding te vinden is: "Als het beeld Feature X, Y en / of Z bevat, is het waarschijnlijk dat 95% een kat heeft."

Zo gecompliceerd als machineleren klinkt, kan het op het volgende worden neergezet: "Mensen vertellen computers waarnaar ze moeten zoeken en computers verfijnen die criteria totdat ze een model hebben." Het is vrij eenvoudig, uiterst nuttig en het filtert je spam, beveelt je volgende Netflix-shows aan en past je Facebook-feed aan. Probeer de lesmachine van Google voor een snelle hands-on demonstratie!

Diepgaand leren

Vanaf 2018 is dit de cutting edge van AI. Zie het als machine learning met diepe "neurale netwerken" die gegevens op ongeveer dezelfde manier verwerken als een menselijk brein. Het belangrijkste verschil met zijn voorganger is dat mensen geen programma voor diepgaand leren hoeven te leren hoe katten eruit zien. Geef het voldoende foto's van katten, en het komt er vanzelf achter:

  1. Voer veel kattenfoto's in.
  2. Het algoritme zal de foto's inspecteren om te zien welke functies ze gemeen hebben (hint: het zijn katten).
  3. Elke foto wordt gedeconstrueerd in meerdere detailniveaus, van grote, algemene vormen tot kleine, kleine lijnen. Als een vorm of lijn zich vaak herhaalt, zal het algoritme dit een belangrijk kenmerk noemen.
  4. Na het analyseren van voldoende foto's, weet het algoritme nu welke patronen het sterkste bewijs van katten leveren, en alle mensen moesten doen om de onbewerkte gegevens aan te leveren.

Samenvattend: diep leren is machine learning waarbij de machine zichzelf traint, maar het gaat veel verder dan alleen katten - neurale netwerken zijn nu in staat om alles in een foto nauwkeurig te beschrijven.

Diep leren vereist veel meer initiële gegevens en rekenkracht dan machine learning, maar het wordt nu al ingezet door bedrijven van Facebook tot Amazon. De meest beruchte manifestatie van machinaal leren is echter AlphaGo, een computer die games van Go tegen zichzelf speelde totdat het de beste bewegingen goed genoeg kon voorspellen om herhaaldelijk meerdere wereldkampioenen te verslaan.

Conclusie: AI = Apocalyptic Intelligence?

Hollywood is verantwoordelijk voor veel slechte wetenschap, maar als het op KI aankomt, liggen waarheid en fictie mogelijk niet ver uit elkaar. Het is niet ondenkbaar dat een robot een ruimtestation zou kunnen overnemen (2001: A Space Odyssey), je verliefd maken (Her) of zich precies als een mens gedragen (Blade Runner, Ex Machina).

Dat maakt het echter geen slechte gok. AI kan de menselijke vooruitgang sneller versnellen dan bijna alles daarvoor. En hoewel het cynisch lijkt, is de realiteit dat, als verantwoordelijke wetenschappers wegblijven van AI vanwege het potentieel om fout te gaan, het waarschijnlijk toch zal worden ontwikkeld door mensen met minder veiligheidsrisico's. We hebben computers van controleurs naar Go gebracht en de volgende paar stappen kunnen de mensheid naar een aantal interessante plaatsen brengen.