Ce este AI, de fapt?

O introducere culturală și practică pentru designeri

Acesta este primul capitol din Seria de fundații a elementelor AI privind proiectarea AI-First (AI1D). Fiecare capitol își propune să definească părțile componente ale AI1D pentru a crea un limbaj comun cu care să explorezi această nouă eră a designului. Puteți citi prezentarea la serie aici și vă puteți înscrie pentru a fi la curent pentru următorul capitol aici.

Ca proiectant, de ce trebuie să fii capabil să înțelegi inteligența artificială? Este vorba despre un termen care a fost atât de mult în cercurile de media și tehnologie în ultima vreme, un fel de catchall care ar putea descrie orice, de la asistenți personali virtuali, roboți, personaje sci-fi sau cel mai recent algoritm de învățare profundă. Poate că lucrați în AI și aveți o înțelegere mai nuanțată a acestor domenii distincte sau poate simțiți că munca dvs. va fi afectată într-un fel de AI în următorii ani, dar nu sunteți prea sigur cum.

Având în vedere acest lucru, bine ați venit la primul capitol din seria noastră de fundații de proiectare AI, în care ne propunem să limităm limbajul inteligenței artificiale și să discutăm numeroasele sale definiții. În acest sens, sperăm să ne bazăm pe o idee despre ce este astăzi inteligența artificială, din care putem construi pentru a răspunde: Ce este AI-First Design?

Acest capitol este dedicat examinării peisajului actual AI și navigării pe diferitele definiții pe care le-a văzut AI de când termenul a fost creat pentru prima dată. Vom trece în revistă istoria AI, vom examina vârfurile și valorile minime în popularitate și vom evidenția etapele majore de la recenta creștere a succeselor AI. În cele din urmă, vom examina numeroasele definiții ale AI și unele dintre provocările cu care ne confruntăm pentru a găsi una cu care toată lumea poate fi de acord. Înscrieți-vă: este pe partea mai lungă, așa că faceți-vă confortabil, treceți la o secțiune care vă poate interesa mai mult sau citiți mai jos această versiune super scurtă.

TL; DR

În loc să înceapă examinarea AI în anii '50, cronologia noastră începe mult mai devreme, în Iliada lui Homer, când deja căutam să îmbrăcăm statui și zei cu calități similare oamenilor. De atunci s-au întâmplat multe! Astăzi, am atins un nivel constant în ceea ce privește rata de avans, finanțarea și entuziasmul AI, deși există încă un decalaj larg între așteptările științifice și realitățile ce pot fi realizate de mașini. AI rămâne foarte departe de a atinge inteligența generală asemănătoare omului, dar devine din ce în ce mai bună la îndeplinirea sarcinilor restrânse. Iată principalele componente ale modului în care definim AI astăzi și de ce contează pentru tine în calitate de proiectant:

  1. Se bazează în mare măsură pe date.
    Progrese recente în AI nu ar fi fost posibile fără cantitățile uriașe de date colectate de toate dispozitivele noastre conectate și capacitatea de a le stoca.
  2. Este îngust și foarte concentrat.
    AI este foarte bun în a găsi modele de date și a îndeplini sarcini specifice pe care le-am definit, dar nu se generalizează foarte bine în afara parametrilor prestabiliți.
  3. Nu ține cont de rezultatul calculelor sale.
    Spre deosebire de mizeria inerentă a luării deciziilor umane, capacitatea unui AI de a lua decizii nu este influențată de motivele ultime sau de cât de mult a dormit aseară, ci este concentrată exclusiv pe sarcina de la îndemână. Cu toate că nu știe bine din rău, cu toate acestea, toate prejudecățile care există în date sunt perpetuate.
  4. Abilitățile AI sunt învățate, nu programate.
    AI se poate îmbunătăți iterativ de la sine - fără a fi programat la fiecare pas, poate învăța din experiențele sale și poate îmbunătăți la luarea predicțiilor și deciziilor viitoare, rezultând în abilități din ce în ce mai sofisticate.
  5. Este un termen în evoluție.
    AI-ul este definit diferit de diferite comunități și definiția sa va continua să se schimbe odată cu avansările viitoare în tehnologie.

Știind acest lucru, credem că AI va avea un impact extraordinar asupra domeniului designului așa cum îl cunoaștem. Deoarece începe să influențeze proiectarea tuturor afacerilor, produselor, serviciilor și experiențelor (utilizatorilor), este esențial să avem o înțelegere fundamentală a ceea ce lucrăm și să decidem cum dorim să valorificăm potențialul.

Mai ești curios? Există mai multe pentru asta!

Ups-uri și coborâri ale AI în timp

Precursori: dorința de a falsifica zeii

Deși, de obicei, imaginăm ceva futurist atunci când ne gândim la AI, noțiunea a fost în jur de secole. În jurul anului 750 î.Hr., în Iliada lui Homer, de exemplu, Hephaestus criptat a creat automate pentru a-l ajuta să se apropie:

Acestea sunt de aur, și în aparență ca femeile tinere vii. Există inteligență în inimile lor și există vorbire în ele și forță, iar de la zeii nemuritori au învățat cum să facă lucrurile.

În cartea sa "Machines Who Think", Pamela McCorduck descrie o serie de alte creaturi pe care Hephaestus le-a creat pentru diverse sarcini, cel puțin una dintre ele fiind cu siguranță familiară, dacă este un lucru amenințător: Pandora și cutia ei infamă.

Mecanizarea gândirii

Dincolo de aceste exemple în ficțiune, au existat progrese importante în raționament și logică în antichitate, care au dus la limbajul nostru codificat actual ca bază pentru toată calcularea. Inteligența artificială, în esența sa, presupune că gândirea poate fi mecanizată și reprodusă. Aristotel a fost unul dintre primii pionieri care a organizat gândurile în argumente logice în dezvoltarea silogismului, care ia adesea o formă cu trei linii, cum ar fi:

Toți bărbații sunt muritori.
Socrate este un bărbat.
Prin urmare, Socrate este muritor.

Matematicianul persan Muhammad ibn Musa al-Khwarizmi, cunoscut și prin numele său latinizat Algoritmi (de la care am derivat cuvântul algoritm), este, de asemenea, o figură cheie în multe dintre conceptele pe care le asumăm în AI de azi. Cuvântul algebră, de exemplu, este derivat din „al-jabr”, una dintre cele două operații pe care le-a folosit pentru a rezolva ecuațiile patratice. Mai multe progrese de-a lungul secolului al XVII-lea de către matematicieni și filosofi precum Gottfried Wilhelm Leibniz, Thomas Hobbes, René Descartes au construit pe aceste temelii, urmărind să facă gândirea la fel de sistematică ca algebra sau geometria.

În timp ce au existat multe alte progrese matematice în secolele următoare care au contribuit la inteligența artificială din zilele noastre, matematicianul englez Ada Lovelace din secolul al XIX-lea se remarcă pentru abordările sale creative și pentru lucrările de ultimă generație în domeniul calculului. A fost primul care a sugerat că computerul mecanic de uz general al lui Charles Babbage, motorul analitic, ar putea avea capabilități peste calcul și apoi a continuat să creeze primul algoritm, câștigându-i titlul de primul programator informatic din lume.

Nașterea inteligenței artificiale

Deși am observat progrese în calcul pe parcursul secolului XX, inteligența artificială a decolat cu adevărat în anii 1950, cu o conferință la Dartmouth College din 1956 afirmând că toată învățarea și inteligența ar putea fi descrise suficient de precis pentru a fi simulate de o mașină. Aici s-a inventat prima dată termenul „inteligență artificială”, referindu-se la „simularea inteligenței umane de către mașini”. În reflecția asupra atelierului de la Dartmouth, 50 de ani mai târziu, unul dintre organizatori John McCarthy a meditat: „Aș fi crezut că atelierul ar fi fost cunoscut pentru rezultatele pe care le-a produs. De fapt, a devenit cunoscut într-o măsură semnificativă pur și simplu pentru că a popularizat termenul „inteligență artificială”.

Cealaltă etapă importantă de AI din anii 50 cu care este posibil să fiți familiarizați este faimosul „Test de Turing”. Popularizat de performanța lui Benedict Cumberbatch în The Imitation Game, informaticianul britanic Alan Turing a sugerat că, dacă o mașină poate efectua o conversație care nu se distinge de la o conversație cu un om, atunci o „mașină de gândire” era plauzibilă. Cu alte cuvinte, un computer nu ar fi inteligent decât dacă ar putea păcăli un om să creadă că este uman.

Ceea ce a urmat de la mijlocul anilor cincizeci, la începutul anilor 70, a fost denumit „anii de aur” ai AI, cu progrese uriașe în calcul și creșteri atât de entuziasm, cât și de finanțare guvernamentală. Mai exact, Marvin Minsky a continuat impulsul pornind de la atelierul Dartmouth când a co-fondat laboratorul AI al Institutului Tehnologic din Massachusetts în 1959 și a continuat să conducă câmpul în anii 60 și 70. Gaming a început, de asemenea, să se dezvăluie ca un mijloc ideal de dezvoltare și testare a informațiilor informatice, IBM dezvoltând un program care ar putea juca checker în 1951. În anii 60, algoritmul „cel mai apropiat vecin” a fost creat în încercarea de a rezolva „vânzătorul călător. problemă ”:„ Având în vedere o listă de orașe și distanțele dintre fiecare pereche de orașe, care este cea mai scurtă rută posibilă care vizitează fiecare oraș exact o dată și se întoarce la orașul de origine? ”Algoritmul rezultat a constituit începuturile recunoașterii modelului de bază.

În 1969, însă, Marvin Minsky și Seymour Papert au publicat Perceptrons, o carte care discuta despre unele dintre limitările tehnologiei de rețea neuronală existentă și a fost poate un adept al „iernii AI” în anii următori.

AI iernii în anii 70 și 80

Cu o alergare atât de reușită din anii 50 până în anii 70, alimentată nu numai de progresele științifice, ci și de așteptările crescute ale publicului alimentate de ficțiunea științifică, precum Odiseea spațială a lui Stanley Kubrick din 2001 sau Odiseea lui Isaac Asimov, Robot, un curs de coliziune cu limitări ale AI era inevitabil.

În esență, atunci când computerele nu au putut să răspundă tuturor așteptărilor nerealiste ridicate, finanțarea și entuziasmul s-au uscat, ceea ce a dus la demontarea laboratoarelor AI din întreaga lume. Deși a existat un scurt vânt secund din 1980 până în 1987, cu o investiție mare din Japonia, acest boom a fost de scurtă durată și rezervat de o altă iarnă de AI din 1987 până în 1993.

Roger Schank și Marvin Minsky, cercetători lideri ai AI care au supraviețuit în prima iarnă a anilor ’70, au avertizat comunitatea de afaceri că „entuziasmul pentru AI a scăpat de sub control în anii ’80 și că dezamăgirea va urma cu siguranță.” Aceste vârfuri și văi din Entuziasmul AI continuă și astăzi. Deși au fost câteva utilizări nepopulare ale AI în ultimii ani, precum utilizarea AI de către armata americană pentru a identifica tancuri prietenoase sau inamice, sau mai recent, chat-ul Tay al Microsoft, care a prezentat rapid pe Twitter comportamente rasiste și antisemite pe Twitter anul trecut, în general. vorbind, ați putea spune că astăzi suntem într-o perioadă constantă în ceea ce privește avansurile AI, finanțare și entuziasm.

AI Landscape Today - De ce este atât de fierbinte?

Un instrument popular pentru măsurarea hype-ului tehnic este ciclul Hype Gartner, care în acest an prezintă învățare profundă și învățare automată la vârf. Deși este considerat adesea mai mult un indicator al acoperirii mass-media decât cercetarea științifică, există unele progrese legitim interesante care au dus la popularitatea actuală a AI. Deci, este totul, de fapt, hype? Nu chiar. Să examinăm câteva repere majore ale AI din ultimii șase ani, care au contribuit la obsesia noastră actuală.

Repere AI recente

  • 2011: este introdus Siri-ul Apple, folosind un limbaj oarecum natural pentru a răspunde la întrebări, pentru a face recomandări și pentru a efectua acțiuni simple sau, în caz contrar, caută lucrurile pe internet pentru tine.
  • 2012: Rețelele neuronale convoluționale (CNN-uri pe scurt) distrug competiția la clasificarea ImageNet - de exemplu „Jocurile Olimpice anuale ale viziunii pe calculator” - creând o furie în comunitate și dezlănțuind o reînviere uriașă a interesului pentru învățarea profundă.
  • Google antrenează o rețea neuronală pentru a recunoaște cu succes pisicile din videoclipurile YouTube folosind un algoritm de învățare profundă, în ciuda faptului că nu a primit informații despre caracteristicile drăguțe ale pisicii.
  • 2013: NEIL, numitul amuzant Never Ending Image Learner, este lansat la Carnegie Mellon University pentru a compara și analiza constant relațiile dintre diferite imagini, urmărind să învețe abilitatea umană, atât de dorită, dar evazivă, de bun simț.
  • 2015: Facebook începe să difuzeze DeepFace, un sistem de recunoaștere a feței de învățare profundă, care a fost instruit pe patru milioane de imagini încărcate de utilizatorii Facebook. Poate identifica fețele cu o precizie de 97,35%, o îmbunătățire de peste 27% față de sistemele anterioare.
  • 2015: Deep Q Networks de DeepMind învață să joace jocuri Atari, marcând venirea vârstei învățării profunde de consolidare.
  • 2015–17: AlphaGo de la Google DeepMind îi învinge pe campionii Go Fan Hui, Lee Sedol și Ke Jie, jucătorul clasat la nivel mondial №1 la acea vreme.
  • 2015: Google DeepDream îi face pe toți să se întrebe dacă mașinile pot realiza artă, generând imagini trippy folosind o rețea neuronală convoluțională, software conceput pentru a detecta fețele și alte modele din imagini cu scopul de a clasifica automat imaginile.
  • 2015-prezent: Artistul Ross Goodwin explorează noi forme de realitate povestită folosind învățarea automată cu ajutorul poeziei sale de poză automată „automată” și a programat AI intitulată „Benjamin” pentru a scrie un scenariu pentru un film cu David Hasselhoff.
  • 2015-prezent: o serie de asistenți personali AI sunt introduși în casă, iar Siri Apple se combină acum cu Cortana Microsoft, Amazon și Alexa Now pentru Google pentru atenția dumneavoastră.
  • 2017: Libratus, proiectat de profesorul Carnegie Mellon Tuomas Sandholm și elevul său grad Noam Brown au câștigat împotriva a patru jucători de top la versiunea complexă a pokerului - Texas Hold’em.
  • 2017: Deepmind Google și creatorii jocului video multiplayer Space-War, StarCraft II au lansat instrumentele pentru a permite cercetătorilor AI să creeze roboți capabili să concureze împotriva oamenilor. Bots încă nu au câștigat și nu se așteaptă de ceva vreme, dar când o vor face, va fi o realizare mult mai mare decât câștigarea la Go.

Avansuri în învățare automată și învățare profundă

Unde locuiesc practicienii AI

Toate aceste repere nu ar fi fost posibile fără progrese majore în cele mai interesante domenii ale inteligenței artificiale din ultimul deceniu: învățarea automată și învățarea profundă. Deși acești termeni par similari, nu sunt aceiași. Să lămurim

Începând de la sfârșitul anilor 90 și începutul anilor 2000, capacitățile crescute de stocare și procesare a computerului au însemnat că sistemele AI ar putea deține în sfârșit suficiente date și să valorifice suficientă putere pentru a aborda procese mai complexe. În același timp, explozia în utilizarea internetului și conectivitatea a creat o cantitate din ce în ce mai mare de date, cum ar fi imagini, text, hărți sau informații despre tranzacții care pot fi folosite pentru a antrena mașini.

În locul fostului sistem programatic de reguli „dacă-atunci” și proceduri logice simbolice complicate, care necesită mii de linii de cod pentru a ghida luarea deciziilor de bază, cum ar fi în Inteligența artificială bună de modă sau GOFAI, învățarea automată funcționează înapoi. Folosind seturi de date uriașe, algoritmii învață iterativ, căutând modele care să înțeleagă intrările viitoare. Învățarea în mașină a fost bine rezumată de pionierul învățării automate, Arthur Samuel, care, în 1959, a descris-o drept „domeniul de studiu care oferă calculatoarelor capacitatea de a învăța fără a fi programat explicit”. Învățarea mașină este utilizată pentru a aborda o gamă largă de probleme de astăzi, cum ar fi identificarea celulelor canceroase, prezicerea ce film ar putea dori să urmăriți, să înțelegeți tot felul de limbi vorbite sau să determinați valoarea de piață a casei dvs.

Care sunt celulele canceroase din această imagine? Este posibil ca o AI să poată afla mai repede decât un medic. Imagine: Gabriel Caponetti în Știința Populară.

Progresele recente în învățarea mașinilor s-au datorat în mare măsură creșterii învățării profunde - un domeniu al învățării automate. Învățarea profundă împrumută de la structura creierului, legând o mulțime de structuri simple precum „neuron” împreună pentru a face lucruri interesante într-o rețea neuronală. Prin stivuirea multor straturi ale acestor neuroni artificiali (de aici „adânci”), rețeaua în ansamblu poate învăța să facă sarcini complexe. Interesant este că neuronii din aceste straturi ajung adesea să îndeplinească roluri specifice, cum ar fi recunoașterea marginilor sau conturul unui obiect specific. Forța unică a învățării profunde este că aceste sub-sarcini - adesea cunoscute sub denumirea de „caracteristici” - sunt învățate direct din date, în loc să fie specificate de programatori. Aceasta permite învățarea profundă pentru a rezolva problemele în care soluțiile nu sunt evidente pentru oameni.

Să luăm un exemplu din viața reală: recunoașterea celulelor canceroase. O abordare clasică de AI se bazează pe un expert uman care încearcă să distileze propriul proces decizional și apoi să-l codifice în algoritm. De exemplu, am putea semnala celulele care sunt mai mari decât o anumită dimensiune, sau au un contur neplăcut sau o formă particulară. Cu învățare profundă, cu toate acestea, putem alimenta direct imagini cu celule etichetate pentru a indica dacă sunt canceroase sau nu, iar rețeaua noastră neurală va învăța să aleagă cele mai utile caracteristici ale imaginii pentru această sarcină specială. Acesta este un exemplu clasic de „învățare supravegheată”: oferim câteva intrări și unele rezultate dorite, iar algoritmul învață să se hoteze de la una la alta.

De asemenea, putem elimina complet etichetele și putem solicita algoritmului să grupeze celulele care au ceva în comun. Acest proces este cunoscut sub numele de clustering și este un tip de învățare nesupravegheată. Aici nu oferim supraveghere sub formă de etichete, folosim pur și simplu învățare profundă pentru a găsi structura în date. În exemplul nostru, poate celulele noastre sunt o mulțime de tipuri diferite - celule ale pielii, celule hepatice și celule musculare - și ar fi util să se aglomereze înainte de a încerca să descoperi care celule din fiecare grup sunt canceroase. Alte aplicații comune pentru clustering includ identificarea diferitelor fețe din fotografiile dvs., înțelegerea diferitelor tipuri de clienți și colectarea de știri despre același subiect.

Nu credeți hype-ul: AI mituri față de realități

Așadar, cu toate aceste progrese rapide în AI în ultimii ani, ați crede că am fi cu toții încurajați, nu? Ei bine, nu toată lumea. Ca și în primii ani de aur ai AI în anii 50 și 60, există încă un decalaj larg între așteptările noastre de AI bazate pe reprezentările din știința-ficțiune și mass-media, și ceea ce AI este de fapt capabil astăzi. (Să nu mai vorbim de teama răspândită de perturbări, probleme de confidențialitate sau pierderea locurilor de muncă asociate cu aceste predicții.)

Un alt mod de a încadra această discuție este diferența dintre inteligența artificială „îngustă” și cea „generală”. O mare parte din cele mai mari succese ale AI până acum au fost în inteligența artificială „îngustă”, adică realizarea unei sarcini specifice în parametri stricți, cum ar fi Siri introducerea unui mesaj text dictat sau recunoașterea unei pisici într-o imagine. Nu există nicio noțiune de auto-conștientizare sau abilități generale de rezolvare a problemelor în IA îngustă. În schimb, mare parte din ceea ce a surprins imaginația publicului de-a lungul deceniilor a fost această fantezie a „inteligenței artificiale generale”, sub forma unui asistent asemănător omului, asemănător cu Hal 9000, R2D2 sau Samantha în Her, unde AI are egalitate, dacă nu inteligență mai mare decât oamenii.

Pentru a fi foarte clar, ne aflăm departe de orice seamănă cu AI-ul general. Yoshua Bengio, unul dintre fondatorii Element AI, este explicit atunci când vorbește despre acest subiect - el nu crede că este rezonabil să faci o predicție bazată pe timp despre momentul în care s-ar putea întâmpla acest lucru. Într-o discuție recentă, el a prezentat câteva motive specifice pentru care nu ne aflăm încă, primul fiind faptul că toate succesele industriale AI până în prezent s-au bazat doar pe învățarea supravegheată. Sistemele noastre de învățare sunt încă destul de simple, prin faptul că se bazează pe indicii superficiale în date care nu se descurcă bine în afara contextelor de formare.

Ganterele neurale generate de Google, completate cu membre fantomă. Imagine: Google.

De exemplu, când Google a antrenat o rețea neuronală pentru a genera imagini cu gantere bazate pe mii de imagini, a ajuns aproape corect. Sigur, avem două greutăți conectate de o bară, dar ce fac acele brațe fantomă acolo? Deși rețeaua neuronală a putut identifica cu succes proprietățile vizuale comune ale ganterelor, întrucât imaginile sursă au prezentat întotdeauna oameni care dețin gantere, de asemenea, a presupus că ganterele au brațe.

În ciuda unor astfel de limitări semnificative, pentru a auzi spargi de la Elon Musk cu Mark Zuckerberg în vara trecută, ai crede că un al treilea război mondial alimentat de AI a fost la colț. CEO-ul nostru Jean-François Gagné ne readuce la elementele de bază despre starea actuală a AI într-o postare recentă pe blog:

„AI este foarte îngustă și fragilă. Nu funcționează bine în afara domeniului de aplicare stabilit. Poate gestiona doar funcții obiective simple; Deci, noi, oamenii, folosim inteligența noastră umană pentru a o aplica eficient în punctul în care un loc de muncă poate fi automatizat. "

AI multe definiții

Acum că suntem în pas la evoluția istorică și la progresele recente în AI, să trecem la numeroasele definiții cu care am ajuns să o descriem de-a lungul anilor. Deși unii au susținut că termenul a fost atât de mult folosit în ultima vreme, încât a devenit lipsit de sens, nu suntem foarte dispuși să renunțăm la el.

Cum se folosește astăzi termenul „AI”

Pentru a defini AI, începem prin examinarea informațiilor. Pe de o parte, puteți lua o noțiune simplistă de intelect, pe baza unui scor IQ, de exemplu. Cu toții știm că, de fapt, inteligența este mult mai stratificată și mai complexă. Dicționarul Oxford îl definește ca: „capacitatea de a dobândi și aplica cunoștințe și abilități”, în timp ce abordarea Dicționarului Cambridge este puțin diferită: „capacitatea de a învăța, înțelege și de a face judecăți sau de a avea opinii bazate pe rațiune”. Alții au dezvoltat modalități mai nuanțate de măsurare a inteligenței de-a lungul anilor, cum ar fi teoria lui Howard Gardner despre inteligențele multiple, care prezintă modalități precum muzical-ritmic și armonic, vizual-spațial, verbal-lingvistic, logic-matematic, corporal-kinestezic și existențial. , printre altii. Adaptarea noastră este mai aproape de această ultimă definiție, permițând achiziția, procesarea și aplicarea informațiilor într-o gamă largă de contexte.

Ideea noastră de inteligență este, de asemenea, foarte antropomorfă: se bazează pe modul în care noi, ca oameni, ne gândim și rezolvăm problemele. AI este înțeles pe larg în același mod, prin faptul că un sistem inteligent artificial ajunge la concluzii într-un mod care seamănă cu demersul unui om. Bazându-se pe această idee, David C. Parkes și Michael P. Wellman prezintă noțiunea AI ca „homo economicus, agentul mitic perfect rațional al economiei neoclasice”. Dar, în timp ce este tentant să credem că am putea concepe o entitate perfect rațională, datele utilizate pentru a instrui AI sunt adesea defecte, din cauza prejudecății umane sau de altă natură, ceea ce face „raționalitatea perfectă” aproape imposibil de evaluat.

Un Raport al Casei Albe din 2016 privind AI reprezintă sume ale provocărilor legate de o definiție coezivă: „Nu există o definiție unică a AI care este acceptată în mod universal de către practicieni. Unii definesc IA ca fiind un sistem computerizat care prezintă un comportament care este considerat în mod obișnuit că necesită inteligență. Alții definesc IA ca un sistem capabil să rezolve rațional probleme complexe sau să ia măsuri adecvate pentru a-și atinge obiectivele în orice circumstanțe reale pe care le întâlnește. ”Este interesant de reținut că nu folosesc aici termenul„ comportament uman ”, ci pur și simplu "comportament".

Filozoful suedez Nick Bostrom se concentrează pe noțiunea de învățare și adaptare în AI în cartea sa Superinteligență: căi, pericole, strategii: „O capacitate de a învăța ar fi o caracteristică integrală a designului de bază al unui sistem destinat să obțină inteligență generală ... Același lucru susține capacitatea de a trata incertitudinea și informațiile probabilistice. ”Alții, cum ar fi profesorul de inginerie în calculatoare Ethem Alpaydın într-o Introducere în învățarea mașinilor, afirmă că„ un sistem inteligent ar trebui să se poată adapta mediului său; ar trebui să învețe să nu-și repete greșelile, ci să-și repete succesele. "

Definițiile noastre

Pe lângă examinarea modului în care alții definesc IA astăzi, o parte din cercetarea noastră a implicat, de asemenea, trimiterea unui sondaj la nivelul întregii companii, solicitând colegilor noștri să definească inteligența artificială, într-o propoziție (sau două sau trei). În rezultatele sondajului, au apărut trei categorii de răspunsuri principale:

  1. AI este capacitatea unui computer de a lua decizii sau de a prezice, pe baza datelor de care dispune.
  2. AI este abilitatea unui computer de a reproduce funcții cerebrale de ordin superior, cum ar fi percepția, cunoașterea, controlul, planificarea sau strategia.
  3. AI este un program creat prin date și calcul, adică nu este codat.

În scopul nostru de astăzi, sunt suficiente aceste definiții? Care sunt unele dintre capcane în încercarea de a defini un concept atât de larg și în continuă evoluție?

De ce este atât de dificil?

Fenomenul „catchall” este una dintre provocările majore atunci când vorbim despre AI. Utilizările frecvente ale termenului au dus la o gamă largă de aplicații și la confuzii inerente, așa cum a explicat Genevieve Bell, doctor la Stanford în Antropologie și Director, Interacțiune și Experiență Cercetare la Intel:

„Pentru mine, inteligența artificială este un termen captivant și este un ciclu de popularitate înlăturat. S-a întors în acest moment. Este un termen umbrelă în care puteți vorbi despre calcul cognitiv, învățare automată și învățare profundă și algoritmi. Este o problemă, deoarece înseamnă totul și nimic în același timp. Este o categorie culturală la fel de tehnică. ”

Termenul este adesea folosit în circumstanțe greșite (sau mai degrabă circumstanțe imprecise), deoarece este atât de larg, așa cum este prezentat în acest document de discuție al Institutului Global McKinsey 2017, AI: următoarea frontieră digitală:

„… Este greu de precizat, deoarece oamenii amestecă și se potrivesc cu tehnologii diferite pentru a crea soluții pentru probleme individuale. Uneori acestea sunt tratate ca tehnologii independente, alteori ca subgrupuri ale altor tehnologii și alteori ca aplicații ... Unele cadre grupează tehnologiile AI în funcționalitate de bază ..., altele le grupează prin aplicații de afaceri ... "

O altă provocare majoră în definirea AI este faptul că știința și aplicațiile sale sunt în continuă evoluție. După cum explică Pamela McCorduck în cartea sa „Machines Who Think”, de multe ori un sistem inteligent care rezolvă o nouă problemă este actualizat ca „doar calcul” sau „nu inteligență reală”. Filozoful Bostrom rezumă bine: „O mulțime de AI-uri de ultimă oră s-au filtrat în aplicații generale, adesea fără a fi numite AI pentru că, odată ce ceva devine suficient de util și de comun, nu mai este etichetat AI.” De exemplu, programul IBM care a jucat checkers în 1951 s-ar putea să fi fost considerată AI de ultimă oră, dar ar fi descrisă astăzi ca fiind calculul de bază. Sau mai recent, unii ar susține că pesimist că nu există nimic „inteligent” cu privire la vreun „AI îngust”, cum ar fi AlphaGo care-l bate pe Lee Sedol.

Ținând cont de toate aceste provocări, există o modalitate de a reduce zgomotul cultural și mediatic, care ne îngroșează judecata și să ne concentrăm pe probleme tangibile? Când folosim cuvântul „AI”, ne referim, de obicei, la o tehnologie specifică, cum ar fi procesarea limbajelor naturale, învățarea mașinii sau viziunea mașinii. Așa că a fi cât se poate de specific este un loc bun pentru a începe. Cu toate acestea, în alte circumstanțe, folosirea termenului „AI” nu este înlocuită, cum ar fi în situațiile în care nu știm cu adevărat ce tehnologie este folosită. Este o capcană în care nu suntem imuni să cădem, împreună cu toți practicienii AI și jurnaliști care alimentează această discuție în curs.

Privind înainte

Încercând să articulăm în mod clar ceea ce „este” AI, am descoperit că înseamnă câteva lucruri diferite pentru oameni diferiți. Este o idee care ne-a captat imaginația de foarte mult timp. Chiar dacă îl restrângem la informatică, este totuși foarte larg. Având în vedere acest lucru, credem că este important să ne concentrăm asupra modului în care AI ne schimbă deja viața, descoperirile de astăzi care stârnesc acest tip. Kevin Kelly a rezumat frumos acest lucru într-o discuție recentă TED:

„Nu există experți AI acum. Se duc foarte mulți bani la ea, se cheltuiesc miliarde de dolari pentru ea; este o afacere uriașă, dar nu există experți, în comparație cu ceea ce vom cunoaște acum 20 de ani. Deci suntem doar la începutul începutului, suntem în prima oră din toate acestea ... Cel mai popular produs AI din 20 de ani de acum, pe care îl folosește toată lumea, nu a fost încă inventat. Asta înseamnă că nu ați întârziat. ”

Cu alte cuvinte, este normal ca noțiunile noastre de AI să includă puncte de vedere multiple și uneori idei contradictorii, deoarece acestea evoluează și se întâmplă acum. Acest lucru nu este menit să fie citit ca un cop-out, ci mai degrabă un apel pentru a-și îmbrățișa binedesența și neîncrederea în timp ce lucrăm la îmbunătățirea acestuia.

Toate acestea să spunem, nu vom stabili definiția. Cu toate acestea, dorim ca designerii care se confruntă cu tehnologia care intră în producție astăzi să aibă o înțelegere de bază a AI și a capacităților sale. Dacă „AI este tot ceea ce nu s-a făcut încă”, așa cum spune teorema lui Tesler, atunci tocmai aici trebuie să ne uităm - nu la ceea ce s-a făcut deja, ci la ceea ce este posibil sau foarte curând să fie.

Credem că la baza sa, AI este o imensă oportunitate de învățare și, dacă este dezvoltată cu atenție, poate propulsa oamenii spre progrese ample. Pe măsură ce plugurile trase de cai au revoluționat dramatic agricultura în anii 1100 și motoarele cu aburi au propulsat fabricația și transportul într-o nouă eră în secolul al XVIII-lea, vedem AI care stă la baza următorului secol al inovației digitale. Așa cum a afirmat recent profesorul de fizică MIT, Max Tegmark, acum nu este momentul să ne gândim la viitor ca la un eveniment predestinat către care ne îndoim în mod inevitabil, ci, mai degrabă, ar trebui să ne întrebăm „Ce fel de viitor dorim să proiectăm cu AI? ”

Dacă v-a plăcut acest lucru, uitați-vă la capitolul următor din seria noastră de fundații de proiectare AI - Ce este designul, într-adevăr?

Autori și colaboratori

Rebecca West este redactor al revistei AI1D la Element AI și un scriitor cu accent pe proiecte la intersecția de design, tehnologie și creativitate.

Ilustrații de Dona Solo, un designer vizual la Element AI.

Cu contribuții de la Designerul Experiență Masha Krol, Cercetătorul de Cercetări Aplicate Archy de Berker și stagiul nostru de cercetare de vară 2017, Louis-Félix La Roche-Morin.