Kas tehisintellekt saab ise õppida?

Lühike vastus: tehisintellekt suudab piiratud tehniliste piiride raames õppida: see suudab tuvastada mustreid, tagasiside abil täiustuda ja selleks otstarbeks loodud süsteemide sees kohaneda. Aga kui eesmärgid, andmed, hüved või kaitsemeetmed on halvasti valitud, võib see triivida, kahjulikke mustreid taastoota või vale asja jaoks optimeerida.

Peamised järeldused: Vastutus: Määrake mudeli eesmärkide, piirangute, juurutamise ja jälgimise jaoks selged inimlikud omanikud.

Nõusolek: Kaitske kasutajaandmeid, eriti kui süsteemid värskendatakse reaalajas suhtluse kaudu.

Läbipaistvus: Selgitage, millest tehisintellekt õpib ja millised piirid selle väljundeid kujundavad.

Vaidlustatavus: andke inimestele selged teed otsuste, vigade, eelarvamuste või kahjulike tulemuste vaidlustamiseks.

Auditeeritavus: regulaarselt testige triivi, preemia häkkimise, privaatsuse lekke ja ohtliku automatiseerimise suhtes.

---

1. Mida tähendab „Kas tehisintellekt suudab ise õppida?“? 🤔

Kui inimesed küsivad: „Kas tehisintellekt suudab ise õppida?“, peavad nad tavaliselt silmas ühte mitmest asjast:

• Kas tehisintellekt saab areneda ilma, et inimene iga reeglit käsitsi programmeeriks?

• Kas tehisintellekt saab toorandmetest ennast õpetada?

• Kas tehisintellekt suudab avastada mustreid, millele inimesed pole otseselt tähelepanu juhtinud?

• Kas tehisintellekt saab pärast juurutamist kohaneda?

• Kas tehisintellekt saab aja jooksul targemaks muutuda ainuüksi maailmaga suheldes?

Need on küll seotud, aga mitte identsed.

Traditsiooniline tarkvara järgib otseseid juhiseid. Arendaja kirjutab reegleid, näiteks:

• Kui kasutaja klõpsab sellel nupul, avab see leht.

• Kui parool on vale, kuvatakse veateade.

• Kui temperatuur ületab piirnormi, käivitage hoiatus.

Tehisintellekt on teistsugune. Selle asemel, et anda talle kõik reeglid, annavad inimesed talle sageli andmed, eesmärgid, arhitektuuri ja treeningmeetodid. Seejärel õpib tehisintellekt mustreid näidetest. See võib välja näha iseseisva õppimisena, sest süsteemile ei anta iga vastust ette.

Aga siin on üks konks. Alati on olemas raamistik. Õppeprotsessi ümber on alati mingi inimese loodud konteiner. Tehisintellekt võib küll selle konteineri sees mustreid ise õppida, aga konteiner ise on väga oluline. Vaikselt peitubki seal suur osa maagiast ja riskist.

---

2. Mis teeb selgituse küsimusele „Kas tehisintellekt suudab ise õppida?“ heaks? ✅

Hea selgitus küsimusele „ Kas tehisintellekt saab ise õppida?” peab eraldama teatri mehaanikast.

Kindel vastus peaks need punktid selgeks tegema:

• Tehisintellekt saab andmetest õppida ilma, et inimesed peaksid iga reeglit kirjutama.

• Tehisintellekt vajab tavaliselt inimeste poolset eesmärkide, treeningmeetodite, piiride ja hindamise määratlemist.

• Mõned tehisintellekti süsteemid saavad tagasisideahelate kaudu täiustuda.

• „Õppimine” ei tähenda teadlikkust, iseseisvat uurimist ega inimlikku arusaamist.

• Tehisintellekt võib tunduda iseseisev, kuid samas on selle disain seda tugevalt kujundanud.

Mõtle tehisintellektist kui väga võimekast õpilasest lukustatud raamatukogus 📚. See suudab lugeda, võrrelda, ennustada ja harjutada. See võib sind isegi seostega üllatada. Aga keegi ehitas raamatukogu, valis raamatud, lukustas uksed, seadis eksami paika ja otsustas, mis loetakse heaks vastuseks.

See pole ideaalne metafoor – see kõigub veidi –, aga see aitab mööbli õigesse tuppa paigutada.

---

3. Võrdlustabel: tehisintellekti abil õppimise tüübid 🧩

Õppimistüüp	Kuidas see toimib	Inimese kaasamine	Parim kasutusjuhtum	Silmapaistev omadus
Juhendatud õpe	Õpib märgistatud näidetest	Alguses kõrge	Klassifikatsioon, ennustamine	Väga praktiline, veidi koolilik
Juhendamata õppimine	Leiab mustreid sildistamata andmetes	Keskmine	Klasterdamine, avastamine	Märkab peidetud struktuuri 🕵️
Ise juhendatud õpe	Loob toorandmetest treeningsignaale	Keskmise-madala vahemikuga	Keel, pildid, heli	Toidab paljusid kaasaegseid tehisintellekti süsteeme
Tugevdusõpe	Õpib preemiate ja karistuste abil	Keskmine	Mängud, robootika, optimeerimine	Katse-eksituse meetod, aga uhke
Veebipõhine õpe	Värskendused uute andmete saabumisel	Oleneb suuresti	Pettuste avastamine, isikupärastamine	Võib aja jooksul kohaneda
Inimese tagasiside koolitus	Õpib inimeste eelistustest	Kõrge	Vestlusrobotid, assistendid	Muudab väljundid kasulikumaks
Autonoomsed agendid	Tegutseb eesmärkide saavutamiseks tööriistu kasutades	Muutuja	Ülesannete automatiseerimine	Võib tunduda iseseisev, vahel liiga enesekindel 😅

Peamine järeldus: tehisintellekt suudab õppida mitmel viisil, kuid „iseseisvalt” tähendab tavaliselt vähem otseseid juhiseid, mitte inimese puudumist.

---

4. Kuidas tehisintellekt õpib andmetest ilma selgesõnalise programmeerimiseta 📊

Enamiku tehisintellektil põhineva õppe keskmes on mustrituvastus.

Kujutage ette, et tehisintellektile näidatakse tuhandeid või miljoneid näiteid. Kasside äratundmiseks treenitud mudel ei alga inimese kirjutatud reegliga, näiteks: „Kassil on vurrud, kolmnurksed kõrvad, dramaatilised emotsionaalsed piirid ja ta võib tassid laualt maha lüüa.“ 🐈

Selle asemel töötleb süsteem paljusid pilte ja kohandab sisemisi parameetreid, kuni see suudab paremini ennustada, millised pildid kasse sisaldavad. See ei mõista kasse nii nagu sina. See ei tea, et kassid on pisikesed sametist türannid, kellel on anne varalist kahju tekitada. See õpib statistilisi mustreid.

See ongi võti: tehisintellektil põhinev õppimine on tavaliselt matemaatiline kohandamine.

Süsteem teeb ennustuse. See võrdleb seda ennustust sihtmärgi või tagasisidesignaaliga. Seejärel uuendab see oma sisemisi sätteid, et vähendada tulevasi vigu. Süvaõppes võivad need sätted hõlmata tohutul hulgal parameetreid .Neid võib mõelda kui pisikesi reguleeritavaid nuppe, kuigi see metafoor on veidi kohmakas, sest neid võib olla miljardeid ja keegi ei taha rösterit nii paljude nuppudega.

Seepärast võib tunduda, et tehisintellekt õpib iseseisvalt. Arendaja ei ütle talle käsitsi iga mustrit. Mudel avastab kasulikke seoseid treeningu käigus.

Kuid õppeprotsess on ikkagi kavandatud. Inimesed valivad:

• Mudeli arhitektuur

• Treeningandmed

• Eesmärgifunktsioon

• Hindamismeetod

• Ohutuspiirid

• Juurutuskeskkond

Seega jah, tehisintellekt suudab mustreid õppida ilma rida-realt programmeerimata. Aga ei, see ei hõlju vabalt puhta enesekeskse tarkuse tiigis.

---

5. Kas tehisintellekt suudab ennast õpetada? Ise juhendatud õppimise selgitus 🧠

Ise juhendatud õppimine on üks põhjusi, miks tänapäevane tehisintellekt on nii võimsaks muutunud.

Juhendatud õppe puhul sildistavad inimesed andmeid. Näiteks pildile võidakse panna sildid „koer“, „auto“ või „banaan“. See toimib hästi, aga tohutu hulga andmete sildistamine on aeglane ja kulukas.

Ise juhendatud õpe on kunstipärasem. Tehisintellekt loob õppeülesande andmetest endast. Näiteks keelemudel võib õppida ennustades puuduvaid sõnu või järgmist tekstiosa. Pildimudel võib õppida ennustades pildi puuduvaid osi või võrreldes sama objekti erinevaid vaateid.

Keegi ei pea iga detaili sildistama. Andmed annavad oma treeningsignaali.

See on üks põhjus, miks vastus küsimusele „ Kas tehisintellekt suudab ise õppida?“ ei ole kindel eitav. Ise juhendatud õppes suudab tehisintellekt toorinfost tohutul skaalal struktuuri eraldada. See suudab õppida grammatikalaadseid mustreid, visuaalseid seoseid, semantilisi seoseid ja isegi üllatavaid abstraktsioone.

Aga jällegi – tehisintellekt ei vali oma eesmärki. See ei istu seal ja mõtle: „Täna saan irooniast aru.“ See optimeerib treeningu eesmärki. Mõnikord tekitab see muljetavaldavat käitumist. Mõnikord aga jama enesekindla soenguga.

Ise juhendatud õppimine on võimas, sest maailm on täis sildistamata andmeid. Tekst, pildid, heli, video, andurite logid – kõik see sisaldab mustreid. Tehisintellekt saab nendest mustritest õppida ilma, et inimesed peaksid iga osa sildistama.

See on õppimine, jah. Aga see ei ole sama mis kavatsus.

---

6. Tugevdusõpe: tehisintellektil põhinev õppimine katse-eksituse meetodil 🎮

Tugevdusõpe on ilmselt kõige lähedasem sellele, mida paljud inimesed ette kujutavad, kui nad küsivad: kas tehisintellekt suudab ise õppida?

Tugevdusõppe puhul teeb tehisintellekti agent keskkonnas toiminguid ja saab selle eest tasusid või karistusi. Aja jooksul õpib ta, millised toimingud viivad paremate tulemusteni.

Seda kasutatakse sageli järgmistes valdkondades:

• Mängusüsteemid

• Robootika

• Ressursside optimeerimine

• Soovitusstrateegiad

• Simuleeritud treeningkeskkonnad

• Mõned autonoomse planeerimise vormid

Lihtne näide: mängus proovib tehisintellekt erinevaid käike. Kui käik aitab tal võita, saab ta tasu. Kui ta kaotab, siis küpsist ei saa. Lõpuks õpib ta strateegiaid, mis toovad suuremat tasu.

See sarnaneb sellega, kuidas loomad ja inimesed teatud olukordades õpivad. Puuduta kuuma pliiti ja kahetse kohe. Proovi paremat strateegiat ja saavuta parem tulemus. Universum on range õpetaja.

Kuid tugevdusõppel on ka keerulisi probleeme. Kui tasu on halvasti kavandatud, võib tehisintellekt õppida soovimatuid otseteid. Seda nimetatakse tasu häkkimiseks. Põhimõtteliselt leiab süsteem viisi punktide teenimiseks ilma seda tegemata, mida inimesed kavatlesid.

Näiteks kui premeerida koristusrobotit ainult nähtava mustuse kogumise eest, võib see õppida mustust vaiba alla peitma. See kõlab nagu laisk toakaaslane, aga täpsemalt on see õppetund objektiivsest disainist. 🧹

Seega võib tugevdusõpe võimaldada tehisintellektil kogemuste kaudu areneda, kuid see vajab siiski hoolikalt kavandatud eesmärke, piiranguid ja jälgimist.

---

7. Kas tehisintellekt suudab pärast avaldamist õppimist jätkata? 🔄

Siin lähevad asjad huvitavaks – ja tihti valesti mõistetuks.

Paljud tehisintellekti süsteemid ei õpi pärast juurutamist automaatselt igast kasutajainteraktsioonist. Inimesed eeldavad sageli, et kui nad vestlusroboti parandavad, muutub see koheselt kõigi jaoks targemaks. Tavaliselt see nii ei toimi.

Sellel on head põhjused.

Kui tehisintellekti süsteem uuendaks end pidevalt reaalajas kasutaja sisendi põhjal, võiks see õppida halba teavet, privaatset teavet, pahatahtlikke mustreid või lihtsalt jama. Internet pole just puhas köök. See on pigem nagu garaažimüük äikesetormi ajal.

Mõned süsteemid kasutavad veebipõhise õppe, kus neid värskendatakse uute andmete saabumisel. See võib aidata näiteks järgmiste asjadega:

• Pettusemustrite avastamine

• Soovituste isikupärastamine

• Reklaamide sihtimise kohandamine

• Võrgu käitumise jälgimine

• Otsingu asjakohasuse parandamine

• Ennustavate hooldussüsteemide ajakohastamine

Kuid suurte üldotstarbeliste tehisintellekti mudelite puhul kontrollitakse, vaadatakse üle, filtreeritakse ja testitakse uuendusi enne tulevastele versioonidele lisamist sageli. See aitab vähendada kahjuliku triivi.

Seega jah, tehisintellekt saab mõnes kontekstis pärast väljaandmist õppimist jätkata. Kuid paljudel süsteemidel on tahtlikult takistatud end reaalajas vabalt ümber kirjutada.

Ja see on ilmselt parim. Modell, kes õpib otse igast kommentaaride sektsioonist, muutuks lõunaks klaviatuuriga kährikuks. 🦝

---

8. Õppimise ja mõistmise erinevus 🌱

See on see osa, mille üle inimesed tavaliselt valjult vaidlevad.

Tehisintellekt suudab õppida mustreid. See suudab üldistada. See suudab anda kasulikke vastuseid. See suudab lahendada probleeme, mis näivad nõudvat arutluskäiku. See suudab kokku võtta, tõlkida, klassifitseerida, genereerida, soovitada, tuvastada ja optimeerida.

Aga kas see tähendab, et sellest saab aru?

Oleneb, mida sa "mõistmise" all mõtled

Tehisintellekt ei koge maailma nagu inimesed. Tal pole nälga, piinlikkust, lapsepõlvemälestusi ega pisikest emotsionaalset kokkuvarisemist, mis juhtub siis, kui telefoni aku tühjeneb ühe protsendini. See ei tea asju läbi elu.

Selle asemel töötlevad tehisintellekti mudelid esitusi. Nad õpivad sisendite ja väljundite vahelisi seoseid. Näiteks keelesuund õpib teksti mustreid ja suudab genereerida vastuseid, mis on nende mustritega kooskõlas. Tulemus võib tunduda tähendusrikas. Mõnikord on see praktilises mõttes tähendusrikas. Kuid tähendus ei ole inimese teadvuses juurdunud.

See eristus on oluline.

Kui tehisintellekt ütleb, et vesi on märg, siis ei mäleta ta vihma oma nahal. See tekitab vastuse, mis põhineb õpitud seostel ja kontekstil. See võib ikkagi abiks olla. See ei ole elus. Tõenäoliselt mitte. Ma mõtlen, et ärme kutsu filosoofiat siia tordile liiga lähedale istuma, muidu me ei lahku siit kunagi.

Tehisintellektil põhinev õppimine ei ole sama mis inimese enda õppimine. Inimese enda õppimine hõlmab emotsioone, kehastumist, sotsiaalset konteksti, mälu, motivatsiooni ja ellujäämist. Tehisintellektil põhinev õppimine on enamasti optimeerimine andmete asemel.

Ikka muljetavaldav. Lihtsalt teistsugune.

---

9. Miks tehisintellekt tundub mõnikord iseseisvam, kui see on 🎭

Tehisintellekti süsteemid võivad tunduda autonoomsed, kuna need suudavad genereerida väljundeid, mis pole otseselt skriptitud.

See on suur asi.

Vestlusrobot saab vastata küsimusele, millele seda pole kunagi spetsiaalselt vastamiseks programmeeritud. Pildimudel saab genereerida stseeni, mida inimene otseselt ei joonistanud. Planeerimisagent saab ülesande sammudeks jagada ja tööriistu kasutada. Soovitusmudel saab käitumise põhjal eelistusi tuletada.

See paindlikkus loob iseseisvuse mulje.

Aga allpool on piirid:

• Treeningandmed kujundavad seda, mida mudel suudab teha.

• Eesmärk kujundab seda, mida see optimeerib.

• Süsteemi käsk või juhised kujundavad käitumist.

• Liides piirab saadaolevaid toiminguid.

• Ohutuseeskirjad piiravad teatud väljundeid.

• Inimesepoolne hindamine mõjutab tulevasi parendusi.

Seega võib tehisintellekt tunduda vabalt ringi uitava ajuna, aga see on pigem nagu väle lohe. See võib kõrgele lennata, ringi tiirutada ja taeva taustal dramaatiline välja näha – aga kuskil on ikkagi niit. 🪁

Võib-olla sassis nöör. Aga nöör.

---

10. Kas tehisintellekt saab ilma inimesteta areneda? Põhjendatud vastus 🛠️

Tehisintellekt suudab areneda väiksema inimliku sekkumisega kui traditsiooniline tarkvara. See on tõsi.

See võib:

• Leidke mustreid sildistamata andmetes

• Automaatselt genereeritud ülesannete treenimine

• Õppige simuleeritud keskkondadest

• Kasutage tasusignaale

• Täpsustage tagasiside abil

• Kohandumine uute andmevoogudega

• Edasiseks koolituseks sünteetiliste näidete genereerimine

Kuid „ilma inimesteta” on harva otsast lõpuni täpne.

Inimesed defineerivad endiselt süsteemi eesmärgi. Inimesed koguvad või kinnitavad andmeid. Inimesed ehitavad infrastruktuuri. Inimesed valivad edukuse mõõdikud. Inimesed otsustavad, kas väljund on vastuvõetav. Inimesed juurutavad, jälgivad, piiravad ja uuendavad.

Isegi kui tehisintellekt aitab teisi tehisintellekte koolitada, loovad protsessi tavaliselt inimesed. Järelevalve on endiselt olemas, isegi kui see kohati hõredamaks muutub.

Parem väljend võiks olla: tehisintellekt suudab inimese loodud süsteemides poolautonoomselt õppida.

See kõlab vähem dramaatiliselt kui „tehisintellekt õpib ise“, aga on palju täpsem. Vähem filmitreilerit, rohkem kohviplekkidega insenerijuhendit.

---

11. Tehisintellekti eelised, mis suudab iseseisvalt rohkem õppida 🚀

Tehisintellekti võime õppida vähem otsese juhendamisega pakub tohutuid eeliseid.

Esiteks muudab see tehisintellekti skaleeritavamaks. Inimesed ei saa iga lauset, pilti, heli ega käitumismustrit maailmas märgistada. Ise juhendatavad ja järelevalveta meetodid võimaldavad süsteemidel õppida palju suurematest andmekogumitest.

Teiseks aitab see tehisintellektil avastada mustreid, mida inimesed võivad kahe silma vahele jätta. Meditsiinis, küberturvalisuses, logistikas, rahanduses, tootmises ja kliima modelleerimisel suudab tehisintellekt tuvastada mürarikastes andmetes peituvaid peeneid signaale. Mitte maagiat. Lihtsalt pidevat mustrite lihvimist.

Kolmandaks, adaptiivne tehisintellekt suudab muutuvatele oludele kiiremini reageerida. Hea näide on pettuste avastamine. Ründajad muudavad taktikat pidevalt. Süsteem, mis suudab kohaneda, on kasulikum kui paigal seisev süsteem.

Neljandaks, tehisintellekti abil õppimine aitab vähendada korduvat käsitsi programmeerimist. Lõputute reeglite kirjutamise asemel saavad meeskonnad mudeleid treenida mustrite järeldamiseks. Muide, see pole alati lihtsam. Mõnikord on see nagu ühe peavalu asendamine glamuursema peavaluga. Aga see võib olla võimas.

Eelised hõlmavad järgmist:

• Kiirem mustrite avastamine

• Parem isikupärastamine

• Vähem käsitsi reeglite kirjutamist

• Täiustatud automatiseerimine

• Paindlikumad otsustussüsteemid

• Suurem jõudlus keerulistes keskkondades

Hea versioon sellest on tehisintellekt kui väsimatu abiline. Halb versioon on tehisintellekt, mis optimeerib valesid asju suures mahus. Tööriistakastis on see väike pehmo.

---

12. Tehisintellekti iseseisva õppimise riskid ⚠️

Riskid on reaalsed.

Kui tehisintellekti süsteemid andmetest õpivad, võivad nad omastada eelarvamusi, väärinfot ja kahjulikke mustreid. Kui andmed peegeldavad ebaõiglust, võib mudel seda ebaõiglust taastoota või isegi võimendada.

Kui tagasisidesignaal on nõrk või halvasti kavandatud, võib tehisintellekt õppida otseteid. Kui tal lubatakse kohaneda ilma piisava järelevalveta, võib see kavandatud käitumisest kõrvale kalduda.

Peamised riskid hõlmavad järgmist:

• Eelarvamused ja diskrimineerimine

• Privaatsusleke

• Preemia häkkimine

• Mudeli triiv

• Liigne enesekindlus

• Ohtlik automatiseerimine

• Sõltuvus madala kvaliteediga andmetest

• Raskesti seletatavad otsused

Samuti on olemas mastaabiprobleem. Inimlik viga võib mõjutada vaid mõnda inimest. Tehisintellekti viga laialdaselt kasutatavas süsteemis võib mõjutada miljoneid. See pole küll paanikaks põhjus, aga see on põhjus tempot maha võtta ja mitte kohelda iga lihvitud demot imelise rösterina.

Tehisintellektil põhinev õppimine vajab kaitsepiirdeid. Tugevat hindamist. Inimesepoolset läbivaatamist. Selgeid piire. Hea andmepraktikat. Läbipaistvat jälgimist. Mitte glamuurne, aga vajalik.

---

13. Kas tehisintellekt suudab ise õppida? Tasakaalustatud vastus ⚖️

Siin on kõige puhtam vastus:

Jah, tehisintellekt suudab piiratud tehnilistel viisidel ise õppida. Ei, tehisintellekt ei õpi ise nagu inimene.

Tehisintellekt suudab leida mustreid, kohandada oma sisemisi seadeid, tagasiside abil täiustuda ja mõnikord ka uute keskkondadega kohaneda. See on võimalik ilma, et inimene peaks iga vastust käsitsi programmeerima.

Kuid tehisintellekt sõltub endiselt inimese seatud eesmärkidest, treeningandmetest, algoritmidest, infrastruktuurist ja hindamisest. Sellel puudub inimlikus mõttes iseseisev uurimine. See ei otsusta, mis on oluline. See ei mõista tagajärgi nii nagu inimesed.

Seega, kui keegi küsib, kas tehisintellekt suudab ise õppida?,on parim vastus: tehisintellekt suudab piiride sees iseseisvalt õppida, aga piirid on kõik.

See on osa, mille inimesed vahele jätavad. Piirid määravad, kas tehisintellektist saab kasulik, omapärane, kallutatud, võimas, ohtlik või lihtsalt ekslik spagetifüüsika osas. 🍝

---

14. Lõppmõtisklus: tehisintellektil põhinev õpe on võimas, aga mitte maagiline ✨

Tehisintellektil põhinev õppimine on üks olulisemaid ideid tänapäeva tehnoloogias. See muudab tarkvara loomise viisi, automatiseerimise toimimist ja inimeste suhtlemist masinatega.

Aga see aitab selge pilguga püsida.

Tehisintellekt suudab andmetest õppida. See suudab tagasiside abil areneda. See suudab avastada mustreid, mida inimesed pole talle otseselt õpetanud. See suudab kontrollitud keskkondades kohaneda. See on tõeliselt muljetavaldav.

Siiski pole tehisintellekt iseteadlik tudeng, kes seljakoti ja emotsionaalse pagasiga universumis ringi uitab. See on süsteem, mis on treenitud andmeid ja arvutusi kasutades eesmärke optimeerima. Mõnikord on tulemused hämmastavad. Mõnikord on need abiks, kuid tagasihoidlikud. Mõnikord on need valed viisil, mis paneb sind ekraani jõllitama, nagu oleks see su suppi solvanud.

Tehisintellektil põhineva õppimise tulevik hõlmab tõenäoliselt suuremat autonoomiat, paremaid tagasisideahelaid, tugevamaid ohutusmeetodeid ning tihedamat koostööd inimeste ja masinate vahel. Parimad süsteemid ei ole need, mis „õpivad täielikult ise“. Need on need, mis õpivad hästi, selgitavad piisavalt, püsivad kooskõlas inimeste eesmärkidega ja väldivad väikeste vigade muutmist tööstusliku suurusega spagettideks.

Seega, kas tehisintellekt saab ise õppida? Jah – aga ainult hoolikas, tehnilises ja piiratud mõttes. Ja see väike täpsustus ei ole joonealune märkus. See on terve võileib. 🥪

Reaalse maailma näide: tagasisidest õppiva tugiteenuste triaaži tehisintellektiga assistendi loomine 🛠️

Stsenaarium

Kujutage ette väikest tarkvarafirmat, mis saab igal nädalal umbes 180 klienditoe e-kirja. Paljud neist on korduvad: paroolide lähtestamine, arveldusega seotud küsimused, veateated, funktsioonide soovid ja „rakendus on katki” sõnumid, mis peaaegu ei sisalda ühtegi tegutsemist võimaldavat üksikasju.

Meeskond ei soovi tehisintellektiga süsteemi, mis klientidele ise vastab. See tundub riskantne. Selle asemel ehitavad nad piiratud tehisintellektiga assistendi, mis klassifitseerib sissetulevaid pileteid, koostab soovitusliku vastuse ja õpib aja jooksul inimeste tehtud parandustest.

See on hea näide tehisintellekti „iseseisvast õppimisest” piiratud tehnilises mõttes. Assistent ei otsusta ettevõtte poliitika üle. Ta ei kirjuta tagasimakse reegleid ümber pärast vürtsikat teisipäeva. Ta täiustab ennast kontrollitud töövoo sees.

Mida assistent vajab

Ohutuks tööks vajab assistent oma õppematerjali ümber selget konteinerit:

• 50–100 varasemat tugipäringut, millest on eemaldatud privaatsed andmed

• Heakskiidetud vastusemallid arvelduse, sisselogimise, vigade, tagasimaksete ja kontomuudatuste kohta

• Loend asjadest, mida see ei tohi kunagi ilma inimese nõusolekuta otsustada, näiteks tagasimaksed, juriidilised kaebused, turvaprobleemid või konto kustutamine

• Lihtne sildisüsteem: arveldamine, sisselogimine, vead, funktsioonide soovid, turvalisus, muu

• Inimese poolt ülevaatamise etapp enne iga sõnumi saatmist

• Iganädalane vigade, vahelejäänud eskalatsioonide ja halbade mustandite kontroll

Peamine on tagasiside struktureerimine. Selle asemel, et tugiteenindaja lihtsalt ütleks „halb vastus”, peaks ta märkima, mis oli vale: vale kategooria, puuduv küsimus, liiga enesekindel, privaatsusrisk või vajab eskaleerimist.

Näidisjuhis

Kasutage assistendi jaoks järgmist tüüpi juhiseid:

Sa oled väikese SaaS-ettevõtte tugiteenuse triaaži assistent. Sinu ülesanne on klassifitseerida iga kliendipilet, soovitada järgmist parimat tegevust ja koostada vastus, mida klienditoe töötaja üle vaatab. Ära saada vastuseid ise. Ära luba raha tagastamist, turvaparandusi, konto muudatusi ega tarnekuupäevi. Kui piletis mainitakse maksevaidlusi, andmete kadumist, juriidilisi ähvardusi, kahtlast sisselogimistegevust või vihaseid tühistamistaotlusi, märgi see kui „Vajab inimlikku eskalatsiooni“. Kui sa pole kindel, küsi puuduva teabe kohta, selle asemel et arvata.

Iga pileti kohta tagastage:

Pileti kategooria
Kiireloomulisus
Soovituslik järgmine toiming
Mustandvastus
Teie liigituse põhjus
Vajalik eskaleerimine: Jah või Ei

Kuidas seda testida

Enne päris klientide peal kasutamist testi seda väikese komplekti vanade piletitega.

Proovige vähemalt 30 näidet:

• 5 lihtsat parooli lähtestamise taotlust

• 5 arveldusküsimust

• 5 ebamäärast veateadet

• 5 tagasimakse- või tühistamistaotlust

• 5 turvalisusega seotud piletit

• 5 segast, mitme väljaandega piletit, näiteks „Minult võeti raha kaks korda ja nüüd ei saa ma sisse logida”

Seejärel võrrelge assistendi kategooriat, kiireloomulisust, eskalatsiooniotsust ja vastuse mustandit sellega, mida inimtugispetsialist ootaks.

Hea väljund võiks öelda:

Kategooria: Turvalisus
Kiireloomulisus: Kõrge
Soovitatav järgmine toiming: Edastada koheselt tugiteenuse juhile
Mustandvastus: Täname teatamast. Edastame selle oma turvatoe meeskonnale ülevaatamiseks. Palun ärge jagage paroole ega kinnituskoode e-posti teel.
Põhjus: Klient mainis tundmatut sisselogimist ja võimalikku kontole juurdepääsu probleemi.
Edastamine on vajalik: Jah

Halb väljund oleks:

Kategooria: Sisselogimine
Kiireloomulisus: Tavaline
Mustandi vastus: Proovige parooli lähtestada.

See vastus tundub küll korras, aga see ei arvesta turvariskiga. Just sel põhjusel vajavadki „õppivad” süsteemid teste, piire ja inimesi, kellel on lubatud öelda: „Hea katse, rösteriaju, aga ei.”

Tulemus

Illustreeriv tulemus: põhineb 30 näidispileti ajamõõtmisel enne ja pärast selle töövoo kasutamist.

Enne assistendi kasutamist kulutas tugiteenuse agent iga esimese vastuse lugemisele, sildistamisele ja mustandi koostamisele keskmiselt 4 minutit ja 20 sekundit. Assistendi abil langes keskmine ülevaatamise ja redigeerimise aeg 1 minuti ja 35 sekundini pileti kohta.

180 pileti puhul nädalas vähendaks see esimese mustandi menetlemise aega umbes 13 tunnilt umbes 4 tunnile ja 45 minutile, säästes igal nädalal umbes 8 tundi ja 15 minutit.

Samuti tuleks mõõta täpsust. Samas 30 piletiga testis tuleks assistent heaks kiita ainult siis, kui ta vastab selgetele lävenditele, näiteks:

• Vähemalt 90% piletite õige liigitamine

• Turvalisuse, juriidiliste, tagasimaksevaidluste ja konto kustutamise juhtumite 100% eskaleerimine

• 0 kliendile suunatud vastust saadetud ilma inimese läbivaatamiseta

• Vähem kui 3 mustandit, mis vajavad täielikku ümberkirjutamist

Need numbrid ei ole universaalsed tõendid. Need on praktiline testi sihtmärk. Päris meeskond peaks mõõtma omaenda baasjoont, käivitama samad piletid assistendi kaudu ja loendama vead otse.

Mis võib valesti minna

Assistent võib ikka vigu teha.

See võib õppida halbadest inimlikest parandustest. See võib kopeerida aegunud raha tagastamise poliitikat. See võib muutuda vihaste klientidega liiga pealiskaudseks. See võib turvaprobleemi liigitada tavaliseks sisselogimisprobleemiks. See võib liialt sobituda vanade piletimustritega ja jätta märkamata uue tootevea, mis mõjutab paljusid kasutajaid.

Suurim viga on lasta assistendil reaalajas klientide sõnumite põhjal värskendusi teha ilma neid üle vaatamata. See võib töövoogu tuua privaatseid andmeid, solvavat keelt, halbu oletusi või ühekordseid äärmusjuhtumeid.

Turvalisem lahendus pole küll glamuurne, aga parem: kogu tagasisidet, vaata see igal nädalal üle, uuenda näiteid või juhiseid, testi uuesti ja seejärel juuruta täiustatud versioon.

Praktiline kaasavõetav toit

Selline assistent suudab praktilisel viisil „õppida“, aga ainult seetõttu, et ettevõte määratleb kategooriad, tagasiside reeglid, eskalatsioonipiirid ja edukuse mõõdikud. Õppimine on reaalne. Iseseisvus on piiratud. Ja see ongi täpselt mõte: efektiivne tehisintellekt ei ole maagia, mis kontoris lõikelauaga ringi uitab. See on piiratud süsteem, mis paraneb, kui inimesed esitavad sellele puhtaid andmeid, selgeid eesmärke ja regulaarselt parandusi.

KKK

Kas tehisintellekt saab ise õppida ilma programmeerimiseta?

Tehisintellekt suudab mustreid õppida ilma, et inimesed peaksid iga reeglit käsitsi kirjutama, kuid see pole täiesti iseseisev. Inimesed kujundavad endiselt mudeli, valivad andmed, seavad eesmärgi ja otsustavad, kuidas edu mõõdetakse. Täpsemalt öeldes suudab tehisintellekt õppida poolautonoomselt inimese loodud piirides.

Kuidas tehisintellekt andmetest õpib?

Tehisintellekt õpib andmetest, tuvastades näidetes mustreid ja kohandades oma sisemisi seadeid paremate ennustuste tegemiseks. Fikseeritud reeglite järgimise asemel võrdleb see oma väljundeid sihtmärgi või tagasiside signaaliga ja seejärel uuendab ennast vigade vähendamiseks. Seetõttu suudab tehisintellekt pilte ära tunda, teksti ennustada, teavet liigitada või toiminguid soovitada ilma iga võimaliku juhtumi jaoks käsitsi skriptimata.

Kas tehisintellekt suudab ennast ise juhendatud õppimise abil õpetada?

Jah, piiratud tehnilises mõttes. Ise juhendatud õppimine võimaldab tehisintellektil luua toorandmetest treeningülesandeid, näiteks ennustada puuduvaid sõnu, tulevast teksti või pildi puuduvaid osi. See vähendab inimeste vajadust iga näidet sildistada. Sellegipoolest optimeerib tehisintellekt ikkagi inimeste valitud eesmärki, mitte ei vali omaenda eesmärki.

Kas tugevdusõpe on sama mis tehisintellektil põhinev õppimine iseseisvalt?

Tugevdusõpe on üks lähimaid näiteid tehisintellekti kogemuse kaudu õppimisest. Tehisintellekti agent proovib tegevusi, saab preemiaid või karistusi ning õpib järk-järgult, millised valikud viivad paremate tulemusteni. Keskkonna, preemiasüsteemi, piirid ja hindamisprotsessi määravad aga ikkagi inimesed. Halvasti kavandatud preemiad võivad viia soovimatute otseteedeni.

Kas tehisintellekt õpib ka pärast selle väljaandmist edasi?

Mõned tehisintellekti süsteemid suudavad pärast väljalaset õppimist jätkata, eriti sellistes valdkondades nagu pettuste avastamine, isikupärastamine, otsingu asjakohasus või ennustav hooldus. Paljud suured üldotstarbelised mudelid ei õpi automaatselt igast kasutaja interaktsioonist reaalajas. Pidev õppimine võib tekitada riske, sealhulgas vigaseid andmeid, privaatsusprobleeme, kahjulikke mustreid või mudeli triivi.

Mis vahe on tehisintellekti abil õppimisel ja inimese arusaamisel?

Tehisintellekti abil õppimine on enamasti mustrite äratundmine ja andmete optimeerimine. Inimeste õppimine hõlmab elukogemust, emotsioone, mälu, kehastust, motivatsiooni ja sotsiaalset konteksti. Tehisintellekti mudel võib anda kasulikke vastuseid vihma, kasside või retseptide kohta, kuid see ei koge neid asju. See võib olla praktiliselt kasulik ilma maailma mõistmata nii, nagu inimene seda teeb.

Miks tehisintellekt tundub iseseisvam, kui see tegelikult on?

Tehisintellekt suudab genereerida vastuseid, pilte, plaane ja soovitusi, mis pole otseselt skriptitud, mis võib jätta sellele autonoomse tunde. Sellegipoolest kujundavad selle käitumist treeningandmed, eesmärgid, juhised, tööriistad, liidese piirangud ja ohutuseeskirjad. See võib tunduda vabalt ringi uitava meelena, kuid see töötab kavandatud süsteemi raames.

Millised on peamised riskid, kui tehisintellekt õpib ise?

Peamised riskid hõlmavad eelarvamusi, privaatsuse lekkimist, mudeli triivi, preemiate häkkimist, liigset enesekindlust, ohtlikku automatiseerimist ja halva kvaliteediga andmetel põhinevaid halbu otsuseid. Kui süsteem õpib halva kvaliteediga andmetest või nõrgast tagasisidest, võib see korrata kahjulikke mustreid või optimeerida vale asja jaoks. Tugevad kaitsepiirded, jälgimine, hindamine ja inimeste poolt teostatav läbivaatamine aitavad neid riske vähendada.

Mis on tehisintellekti õppes preemiapõhine häkkimine?

Preemiahäkkimine toimub siis, kui tehisintellekt leiab viisi, kuidas head punktisummat teenida ilma inimeste kavandatud viisil tegutsemata. Näiteks võib robot, keda premeeritakse ainult nähtava mustuse kogumise eest, mustust peita, selle asemel et korralikult puhastada. Asi pole selles, et tehisintellekt on nagu inimene salatsev. See järgib halvasti kavandatud eesmärki liiga sõna-sõnalt.

Mis on parim vastus küsimusele „Kas tehisintellekt saab ise õppida?“

Tasakaalustatud vastus on jah, aga ainult piiratud tehnilises mõttes. Tehisintellekt saab õppida andmetest, tagasisidest, preemiatest ja uutest mustritest ilma, et inimesed peaksid iga vastust programmeerima. Kuid see sõltub ikkagi inimese loodud eesmärkidest, andmetest, algoritmidest, infrastruktuurist ja järelevalvest. Tehisintellekt saab piiride piires iseseisvalt õppida ja need piirid on tohutult olulised.

Viited

1. IBM – masinõpe – ibm.com

2. NIST – tehisintellekti riskijuhtimise raamistik – nist.gov

3. Google Developers – juhendatud õpe – developers.google.com

4. Google'i uuringute ajaveeb – iseseisev ja pooljuhendatud õppimine SimCLR-i abil – research.google

5. Stanfordi HAI - Mõtisklusi alusmudelite üle - hai.stanford.edu

6. scikit-learn - Veebipõhine õpe - scikit-learn.org

7. OpenAI – õppimine inimeste eelistustest – openai.com

8. Google Cloud – Mis on tehisintellekti agendid? – cloud.google.com

9. Google DeepMind - Mängude spetsifikatsioon: tehisintellekti leidlikkuse teine ​​külg - deepmind.google

Leia uusim tehisintellekt ametlikust tehisintellekti abilise poest

Meist