Automatinis užbaigimas išmaniuosiuose telefonuose yra patogus, tačiau kartais tai sukelia nenumatytų klaidų. Pažiūrėkime, kaip veikia AI automatinis užbaigimas ir jo apribojimai.
Jei kada nors naudojote išmanųjį telefoną, tikriausiai jus nusivylė automatinis užbaigimas. Automatinis užbaigimas yra dirbtinio intelekto (AI) atšaka, skirta palengvinti žmonių gyvenimą, tad kodėl mums tai vargina? Automatinio užbaigimo nepatogumai mums primena dirbtinio intelekto realybę. Pirmą kartą dirbtinį intelektą pasiūlė Johnas McCarthy 1956 m.
Tai reiškia kompiuterinių programų gebėjimą mokytis ir mąstyti kaip žmonės. Dirbtinis intelektas yra vertingiausias, kai jis pritaikomas kitose mokslo ir socialinėse srityse. „AlphaGo“, pernai sulaukusi viso pasaulio dėmesio, yra „Go“ pritaikyto dirbtinio intelekto pavyzdys. Be šių pažangiausių žaidimų, dirbtinis intelektas taip pat keičia tokias pramonės šakas kaip sveikatos priežiūra, finansai, transportas ir kt. Pavyzdžiui, sveikatos priežiūros srityje kuriamos dirbtinio intelekto sistemos, padedančios diagnozuoti ir planuoti pacientų gydymą, o finansų srityje naudojami algoritmai rinkos duomenims analizuoti ir investavimo strategijoms siūlyti.
Iš tikrųjų AI egzistuoja daugelyje skirtingų sričių ir turi skirtingą intelekto laipsnį. Todėl dirbtinį intelektą galima suskirstyti į du tipus: stiprų AI ir silpną AI. Stiprus AI yra DI, kuris iš tikrųjų gali mąstyti ir spręsti problemas. Silpnas dirbtinis intelektas yra tada, kai sistema neturi jautrumo, bet imituoja jausmą. DI, kuris natūraliai gali kalbėti su žmonėmis, gali būti laikomas stipriu DI, o AI, kuris gali analizuoti duomenis tik kaip silpną DI. Filme „Geležinis žmogus“ Tony Starko padėjėjas Jarvis yra stiprus DI, o DI, pvz., automatinis išmaniųjų telefonų užbaigimas, yra silpnas DI.
Taigi, kas daro AI unikalia technologija? Tai mašininis mokymasis arba „mašininis mokymasis“. Mašinų mokymasis yra „algoritmų ir metodų, leidžiančių kompiuteriams mokytis, kūrimo sritis“. 1959 m. Arthuras Samuelis pirmą kartą apibrėžė mašininį mokymąsi kaip „studijų sritį, kuri kuria algoritmus, leidžiančius mašinoms mokytis iš duomenų ir vykdyti elgseną, kuri nenurodyta kode“. Mašinų mokymasis sutelkiamas į prognozes, pagrįstas atributais, išmoktais iš mokymo duomenų.
Dabartinėje komercializuotame AI mašininis mokymasis visų pirma pasiekiamas naudojant metodą, vadinamą modelių suderinimu. Šablonų derinimas yra būdas išsiaiškinti, ką jau žinote apie problemą, ir tada išbandyti žinomą sprendimą. Jūsų išmaniojo telefono automatinio užbaigimo funkcija yra modelio derinimo pavyzdys. Jis sužino apie rašomus simbolius ir suderina juos su atitinkamu tekstu. Tačiau ši technologija turi savo apribojimų. Daugelis žmonių savo išmaniuosiuose telefonuose naudoja šablonų suderinimą, kad ištaisytų gramatikos klaidas, pvz., praleistų viršutinį stulpelį arba automatiškai užbaigtų netyčinius žodžius.
Kitas modelio atitikimo pavyzdys – „Facebook“ turinio rekomendacijos. Jei kada nors buvote „Facebook“, tikriausiai pastebėjote, kad peržiūrėję vaizdo įrašą naujienų kanale, po vaizdo įrašu rekomenduojami kiti vaizdo įrašai. Tačiau šis pavyzdys taip pat iliustruoja modelio derinimo apribojimus. Rekomenduodamas turinį, jis nuolat daro tą patį su vartotojais. Nežinote, kaip vartotojai reaguoja į jūsų rekomendacijas, ir negaunate daug atsiliepimų.
Čia atsiranda modelio atpažinimas, siekiant įveikti modelių derinimo apribojimus. Šablonų atpažinimas reiškia, kad programinė įranga aptinka naujus modelius stebėdama vartotojo elgesį. Nors šablonų derinimas taikomas visiems vartotojams iš karto, modelių atpažinimas nustato ir taiso šablonus kiekvienam vartotojui. Dabartinės programos apima automatinį pašto pašto atpažinimą ir automatinį pirštų atspaudų atpažinimą. Kai kurie išmanieji telefonai jau turi vartotojui skirtą automatinio užbaigimo funkciją. Ji renka informaciją apie įvedamus simbolius ir analizuoja, kas bus toliau. Skirtingai nuo tradicinio raštų derinimo, automatinis užbaigimas priklauso nuo vartotojo, todėl mums tai yra šiek tiek patogesnė.
Lygiai taip pat, kaip modelio atitikimas užleido vietą modelio atpažinimui, sistema nuolat tobulėja, tačiau reikia nemažai laiko, kad būtų galima įveikti spragą. Jis vis dar sunkiai supranta sudėtingas frazes, o kalbos atpažinimo atveju nesugeba atpažinti skirtingų kirčių ir tarimų. Šios problemos tik gerės, kai bus renkama daugiau duomenų. Šiuo metu dauguma mūsų realių situacijų yra silpnos AI, o stipraus AI tyrimai tebevyksta. Dirbtinis intelektas staiga išpopuliarėjo, tačiau jo pažanga gali būti lėtesnė, nei manome.
Ši technologinė pažanga yra daugiau nei tik technologinis laimėjimas; tai taip pat atneša socialinių ir etinių problemų. Tikėtina, kad dirbtinis intelektas sutrikdys darbo rinką, nes jis palaipsniui pakeis žmonių darbus, todėl turime apsvarstyti ir pasiruošti socialiniams šios technologinės pažangos padariniams. Svarbu pasiruošti ateičiai ir kaip AI pakeis mūsų gyvenimą.
