Εφαρμογές ΤΝ, μηχανική μάθηση, αλληλεπίδραση ανθρώπου-μηχανής

Σας ευχαριστώ πολύ. Ποιες είναι λοιπόν οι κυριότερες τεχνολογίες τεχνητής νοημοσύνης και οι  κυριότερες εφαρμογές τεχνητής νοημοσύνης μέχρι σήμερα; Λοιπόν, η τεχνητή νοημοσύνη  χρησιμοποιείται ήδη στην καθημερινή μας ζωή. Αν σκεφτείτε τις μηχανές αναζήτησης, τη Google ή  την όραση υπολογιστή που χρησιμοποιείται για την αναγνώριση αντικειμένων, ή τις μπάρες κωδικών  στο κινητό σας τηλέφωνο, ή την αναγνώριση ομιλίας, οτιδήποτε έχει να κάνει με σύνθετα  προβλήματα που απαιτούν κάποιο επίπεδο νοημοσύνης για να επιλυθούν. Και τι λέτε για την  αναγνώριση αντικειμένων και την αναγνώριση φωνής; Μπορεί να σχετίζεται με την αναγνώριση  προσώπου και ομιλίας; Ναι. Έτσι, οτιδήποτε έχει να κάνει με την αναγνώριση αντικειμένων σε εικόνες  ή σε ροές βίντεο αποτελεί πραγματικά μέρος αυτού του μεγάλου πεδίου που ονομάζεται όραση  υπολογιστών. Και μπορείτε να αναγνωρίσετε αντικείμενα, οπότε κατά κάποιον τρόπο ορίζετε τα  αντικείμενα που θέλετε να αναγνωρίσετε. Όπως θέλετε να αναγνωρίσετε καναπέδες ή διάφορα είδη  επίπλων ή Lego ή οτιδήποτε άλλο για να ορίσετε τις κατηγορίες που θέλετε να αναγνωρίσετε.  Συνήθως, έχετε ένα σύστημα που εκπαιδεύει ένα μοντέλο για να αναγνωρίζει αυτά τα είδη  αντικειμένων. Και για την αναγνώριση προσώπων, είναι το ίδιο, με τη διαφορά ότι αντί για φυσικά  αντικείμενα, εργάζεστε ως ανθρώπινα πρόσωπα. Και πάλι, χρειάζεστε ένα σύστημα που εκπαιδεύει  ένα μοντέλο που αναγνωρίζει διαφορετικά είδη προσώπων ανάλογα με το πρόσωπό τους. Και για την  αναγνώριση ομιλίας, είναι ουσιαστικά το ίδιο, με τη διαφορά βέβαια ότι δεν πρόκειται για οπτική  είσοδο, αλλά για ακουστική είσοδο. Αλλά η ιδέα είναι η ίδια, ότι αναγνωρίζετε κάποια μοτίβα στον  ήχο, στα ηχητικά δεδομένα που καθορίζουν διαφορετικά είδη ήχων και βάζοντας μαζί τους ήχους, θα  σχηματίσουν λέξεις, θα σχηματίσουν προτάσεις, και στη συνέχεια μπορείτε να αναγνωρίσετε τι  λέγεται και να το μεταγράψετε. Θα μπορούσατε να μας πείτε ποιες είναι οι αναδυόμενες τάσεις  σήμερα; Η τεχνητή νοημοσύνη είναι ήδη ένας μεγάλος τομέας και αναπτύσσεται με αρκετά  γρήγορους ρυθμούς. Αλλά μερικές από τις μεγαλύτερες τάσεις, φυσικά, είναι δεδομένη η ευρεία  διαθεσιμότητα μεγάλων ποσοτήτων δεδομένων εκπαίδευσης. Μία από τις σημαντικές τάσεις είναι  πραγματικά η κλιμάκωση της τεχνολογίας, ώστε να μπορεί να επεξεργάζεται πραγματικά μεγάλες  ποσότητες δεδομένων, όλα όσα μπορείτε να βρείτε στον Ιστό, βασικά. Και αυτό ισχύει τόσο για τη  γλωσσική τεχνολογία και το κείμενο όσο και για την όραση υπολογιστών, επειδή υπάρχουν  δισεκατομμύρια εικόνες στο διαδίκτυο. Έτσι, αυτή η κλιμάκωση της τεχνολογίας είναι μια σημαντική  τάση. Από την άλλη πλευρά, μια σημαντική τάση την οποία βρίσκω πολύ ενδιαφέρουσα είναι το  γεγονός ότι όλο και περισσότεροι ερευνητές εξετάζουν τα ηθικά ζητήματα πίσω από την τεχνολογία.  Εν μέρει επειδή, λοιπόν, για παράδειγμα, χρησιμοποιούμε ουσιαστικά ό,τι βρίσκεται στο διαδίκτυο  χωρίς να αναθέτουμε σε ανθρώπινα πρόσωπα στα οποία παρουσιάζονται εικόνες τη συγκατάθεσή  τους σχετικά με τη χρήση τους για αυτά τα μεγάλα μοντέλα, αλλά και επειδή συνειδητοποιούμε ότι η  τεχνητή νοημοσύνη έχει πραγματικά επιρροή στην

Και ποια είναι η διαφορά μεταξύ της μηχανικής μάθησης και της βαθιάς μάθησης; Η βαθιά μάθηση λοιπόν είναι ένα ιδιαίτερο είδος τεχνολογίας για τη μηχανική μάθηση. Δεν είναι η μόνη, αλλά έχει γίνει πολύ δημοφιλής για ορισμένα είδη προβλημάτων. Το ζητούμενο στη βαθιά μάθηση είναι να μάθουμε τα λεγόμενα δίκτυα νευρωνικών δικτύων με πολλά επίπεδα επεξεργασίας. Έτσι έχετε ένα αρκετά πολύπλοκο μαθηματικό μοντέλο το οποίο αποτελείται από μικρούς υπολογιστικούς κόμβους που λαμβάνουν πληροφορίες και στη συνέχεια προωθούνται σε άλλους νευρώνες ή άλλους υπολογιστικούς κόμβους που έχουν συγκεκριμένες μαθηματικές ιδιότητες. Και παρόλο που αυτοί οι μικροί κόμβοι είναι αρκετά απλοί μεμονωμένα, το γεγονός ότι τους συνδυάζετε μαζί και τους συνδέετε σε μεγάλα δίκτυα με εκατομμύρια τέτοιες σημειώσεις, λίγο σαν τον εγκέφαλό σας όπου οι νευρώνες συνδέονται μεταξύ τους, μπορεί να κάνει τα συστήματα να μαθαίνουν πώς να εκτελούν περίπλοκες εργασίες. Για παράδειγμα, τα βαθιά νευρωνικά δίκτυα. Και η βαθιά μάθηση έχει χρησιμοποιηθεί για τη μηχανική μετάφραση. Έτσι, η αυτοματοποιημένη μετάφραση, όπως στο Google Translate, γνωρίζουμε ότι είναι μια πολύπλοκη εργασία, η αυτόματη μετάφραση, πρέπει να κατανοήσετε το πλαίσιο της πρότασης. Πρέπει να κατανοήσετε τις γλωσσικές ιδιότητες τόσο της γλώσσας εισόδου όσο και της γλώσσας στόχου. Πρέπει να καταλάβετε πώς οι λέξεις συνδυάζονται μεταξύ τους, έτσι ώστε αν δύο λέξεις συνδυαστούν, να δημιουργηθεί μια κατασκευή που μεταφράζεται διαφορετικά. Έτσι, αυτά είναι πραγματικά πολύπλοκα καθήκοντα και γνωρίζουμε ότι με τη χρήση της παραδοσιακής μηχανικής μάθησης Latif ήταν αποθηκευμένα μέχρι το 2010 που δίνουν αποτελέσματα που ήταν εντάξει στις περισσότερες περιπτώσεις, αλλά με σοβαρά λάθη και προβλήματα κατανόησης των παραγόντων του πλαισίου, για παράδειγμα, ενώ αυτά τα δίκτυα βαθιάς μάθησης είχαν δείξει καλύτερα ότι θα μπορούσαν να βρουν μετάφραση υψηλής ποιότητας. Τούτου λεχθέντος, απέχει πολύ από το να είναι ένα ανοιχτό πρόβλημα και υπάρχουν ακόμη πολλά προβλήματα με τη μηχανική μετάφραση, αλλά έχει αποδειχθεί ότι ήταν καλύτερα στην κατανόηση του τρόπου μετάφρασης. Και ποια είναι η διαφορά μεταξύ της μηχανικής μάθησης, της βαθιάς μάθησης και του παραδοσιακού προγραμματισμού; Έτσι, η μηχανική μάθηση είναι στην πραγματικότητα ένας όρος-ομπρέλα για οτιδήποτε στην τεχνητή νοημοσύνη που εκπαιδεύεται από δεδομένα. Έτσι, είναι πραγματικά αρκετά μεγάλη. Περιλαμβάνει τη βαθιά μάθηση αλλά και με άλλες τεχνικές, μερικές από τις οποίες χρονολογούνται από τη δεκαετία του ’70. Ενώ η βαθιά μάθηση είναι πραγματικά ένα συγκεκριμένο είδος τεχνολογίας που βασίζεται στα νευρωνικά δίκτυα και λειτουργεί σε πολλές περιπτώσεις, αλλά υπάρχουν πολλές άλλες τεχνικές που λειτουργούν καλά και έχουν άλλες ιδιότητες που είναι ενδιαφέρουσες. Ίσως μπορώ να πω ότι μία από τις κύριες ελλείψεις των νευρωνικών δικτύων. Πρώτα απ’ όλα, λοιπόν, απαιτεί μεγάλο όγκο δεδομένων και για ορισμένα προβλήματα έχετε μεγάλο όγκο βάσης δεδομένων κάθε άλλο παρά για τα πάντα αν το μεταφράσετε. Για παράδειγμα, η μηχανική μετάφραση για μια γλώσσα για την οποία δεν έχετε πολλούς πόρους, θα είναι δύσκολο να χρησιμοποιήσετε τη βαθιά μάθηση. Ένα άλλο πρόβλημα είναι ότι πρόκειται για πλήρη μαύρα κουτιά. Αυτό σημαίνει ότι δεν καταλαβαίνετε τι έχει μάθει το σύστημα και μερικές φορές είναι εντάξει. Δεν χρειάζεται πάντα να καταλαβαίνετε τα πάντα. Αλλά αν, ας πούμε, φτιάχνετε ένα σύστημα για να αποφασίσετε αν θα πρέπει να δώσετε ένα δάνειο σε ένα άτομο. Και έχετε ένα σύστημα που μπορεί να βασίζεται στον μισθό του ατόμου και στο πού ζει και αν είναι παντρεμένος ή όχι, κ.λπ. κ.λπ. Διάφοροι δημογραφικοί παράγοντες. Και έχετε ένα σύστημα που μπορεί να δώσει μια καλή πρόβλεψη για το αν ένα άτομο δικαιούται όχι, όχι. Αλλά δεν είναι σε θέση να εξηγήσει το σκεπτικό πίσω από την απόφασή τους. Αυτό θα είναι έντονα προβληματικό, διότι χρειάζεστε ένα σύστημα που όχι μόνο να δίνει μια απάντηση, αλλά και να εξηγεί γιατί κατέληξε στη συγκεκριμένη απάντηση. Και έτσι αυτή είναι μια σημαντική έλλειψη των νευρωνικών δικτύων. Και αυτός είναι ο λόγος για τον οποίο μερικές φορές τα συστήματα μηχανικής μάθησης μπορεί να έχουν ελαφρώς χαμηλότερες επιδόσεις από κάποια άποψη, αλλά είναι σε θέση να εξηγήσουν τα βήματα, τα βήματα επεξεργασίας πίσω από την απόφασή τους μερικές φορές είναι πολύ καλύτερα. Επομένως, δεν υπάρχει ένας και μοναδικός τρόπος αξιολόγησης αυτών των μοντέλων. Υπάρχουν διαφορετικά είδη πλεονεκτημάτων και μειονεκτημάτων πίσω από διαφορετικά είδη τεχνολογιών. Ναι, Και ο παραδοσιακός προγραμματισμός είναι απλά αυτό που κάνετε όταν δεν μαθαίνετε το μοντέλο, όπου απλά προ-προγραμματίζετε όλους τους κανόνες εκ των προτέρων.

Τώρα θα προχωρήσουμε στην αλληλεπίδραση ανθρώπου μηχανής. Ποιοι είναι οι στόχοι της αλληλεπίδρασης ανθρώπου-μηχανής, κατά τη γνώμη σας; Ο στόχος λοιπόν της αλληλεπίδρασης ανθρώπου-μηχανής είναι απλώς η δημιουργία καλών διεπαφών μεταξύ ενός ανθρώπινου ατόμου που επιθυμεί να εκτελέσει μια συγκεκριμένη εργασία και μιας μηχανής που υποστηρίζει αυτή την εργασία. Και απλά μια γραφική διεπαφή χρήστη είναι ένα πολύ απλό παράδειγμα αυτού. Αλλά φυσικά, οτιδήποτε έχει να κάνει με την αλληλεπίδραση, με την τεχνολογία αποτελεί μέρος αυτού. Έτσι, για παράδειγμα, έχω ασχοληθεί με ομιλούντα ρομπότ, και αυτό είναι ένα άλλο είδος αλληλεπίδρασης που διαφέρει αρκετά από ένα παράθυρο στην οθόνη σας, αλλά είναι επίσης μια διεπαφή με την έννοια ότι στην περίπτωση αυτή χρησιμοποιείτε προφορική γλώσσα για να δώσετε οδηγίες και να λάβετε ανατροφοδότηση σχετικά με το τι συμβαίνει κατά την εκτέλεση της εργασίας. Και το ερώτημα είναι πάντα πώς μπορούμε να έχουμε μια επικοινωνία που είναι συνεχής, όπου το άτομο καταλαβαίνει τι συμβαίνει και μπορεί εύκολα να μεταδώσει αυτό που πρέπει να γίνει. Και πώς μπορούν να ελεγχθούν οι συσκευές; Εξαρτάται πραγματικά από την τεχνολογία. Θέλω να πω, για ένα “παράθυρο υπολογιστή” είναι μάλλον απλό, εφόσον καταλαβαίνετε τη διεπαφή ότι ένας μικρός σταυρός σημαίνει ότι κλείνετε το παράθυρο. Και για πιο εξελιγμένα εργαλεία, είναι φυσικά λίγο πιο δύσκολο, επειδή πρέπει να βρείτε κάτι που να είναι αρκετά διαισθητικό, αλλά και αρκετά ισχυρό ώστε να επιτρέπει το εύρος των δυνατοτήτων για τη συγκεκριμένη συσκευή που διαθέτετε. Για ένα ρομπότ, για παράδειγμα, είναι αρκετά μεγάλο, αλλά το σύνολο των πιθανών πραγμάτων που μπορεί να πει και να κάνει το ρομπότ στον κόσμο. Επομένως, χρειάζεστε κάποιου είδους και είναι ένα από τα βασικά δόγματα της αλληλεπίδρασης ανθρώπου-ρομπότ, χρειάζεστε κάποιου είδους διαφάνεια. Αυτό σημαίνει ότι το σύστημα θα πρέπει να παρέχει όσο το δυνατόν πιο σαφή μηνύματα σχετικά με το τι έχει κατανοήσει το σύστημα, τι δεν έχει κατανοήσει, πού βρίσκεται στην εκτέλεση της εργασίας, έτσι ώστε ο χρήστης να έχει όσο το δυνατόν περισσότερο τον έλεγχο, διότι χωρίς πληροφορίες δεν υπάρχει έλεγχος.