Autofullføring på smarttelefoner er praktisk, men noen ganger fører det til utilsiktede feil. La oss ta en titt på hvordan AI-autofullføring fungerer og dens begrensninger.
Hvis du noen gang har brukt en smarttelefon, har du sannsynligvis blitt frustrert over autofullføring. Autofullføring er en gren av kunstig intelligens (AI) som er designet for å gjøre folks liv enklere, så hvorfor synes vi det er frustrerende? Uleiligheten til autofullføring minner oss om virkeligheten med kunstig intelligens. Kunstig intelligens ble først foreslått av John McCarthy i 1956.
Det refererer til dataprogrammers evne til å lære og resonnere som mennesker. Kunstig intelligens er mest verdifull når den brukes på andre vitenskapelige og sosiale felt. AlphaGo, som fikk verdensomspennende oppmerksomhet i fjor, er et eksempel på kunstig intelligens brukt på Go. Utover disse banebrytende spillene, transformerer AI også bransjer som helsevesen, finans, transport og mer. For eksempel i helsevesenet utvikles AI-systemer for å hjelpe med å diagnostisere og planlegge behandling for pasienter, og innen finans brukes algoritmer til å analysere markedsdata og foreslå investeringsstrategier.
I virkeligheten finnes AI på mange forskjellige felt og har varierende grad av intelligens. Derfor kan AI kategoriseres i to typer: sterk AI og svak AI. Sterk AI er AI som faktisk kan tenke og løse problemer. Svak kunstig intelligens er når systemet ikke har sansning, men det etterligner sansen. Du kan tenke på AI som kan snakke med mennesker naturlig som sterk AI, og AI som bare kan analysere data som svak AI. I filmen «Iron Man» er Tony Starks assistent Jarvis en sterk AI, mens AI som autofullføring på smarttelefoner er en svak AI.
Så hva er det som gjør AI til en unik teknologi? Det er maskinlæring, eller 'maskinlæring'. Maskinlæring er "feltet for å utvikle algoritmer og teknikker som gjør det mulig for datamaskiner å lære." I 1959 definerte Arthur Samuel først maskinlæring som "studiefeltet som utvikler algoritmer som gjør det mulig for maskiner å lære av data og utføre atferd som ikke er spesifisert i kode." Maskinlæring fokuserer på å lage spådommer basert på attributter lært fra treningsdata.
I dagens kommersialiserte AI oppnås maskinlæring først og fremst gjennom en metode som kalles mønstertilpasning. Mønstertilpasning er en måte å finne ut hva du allerede vet om et problem og deretter prøve en kjent løsning. Smarttelefonens autofullføringsfunksjon er et eksempel på mønstertilpasning. Den lærer om tegnene som skrives inn og matcher dem med den tilsvarende teksten. Imidlertid har denne teknologien sine begrensninger. Mange bruker mønstertilpasning på smarttelefonene sine for å korrigere grammatikkfeil, for eksempel å utelate en øvre strofe eller autofullfør utilsiktede ord.
Et annet eksempel på mønstermatching er Facebooks innholdsanbefalinger. Hvis du noen gang har vært på Facebook, har du sikkert lagt merke til at etter å ha sett en video i nyhetsstrømmen din, anbefales andre videoer under videoen. Imidlertid illustrerer dette eksemplet også begrensningene ved mønstertilpasning. Når den anbefaler innhold, fortsetter den å gjøre det samme til brukerne. Du vet ikke hvordan brukerne reagerer på anbefalingene dine, og du får ikke mye tilbakemelding.
Det er her mønstergjenkjenning kommer inn for å overvinne begrensningene ved mønstertilpasning. Mønstergjenkjenning betyr at programvare oppdager nye mønstre ved å overvåke brukeratferd. Mens mønstertilpasning brukes på alle brukere samtidig, identifiserer og korrigerer mønstergjenkjenning mønstre på bruker-for-bruker-basis. Nåværende applikasjoner inkluderer automatisk postgjenkjenning og automatisk fingeravtrykkidentifikasjon. Noen smarttelefoner har allerede en brukerspesifikk autofullføringsfunksjon. Den samler informasjon om tegnene du skriver og analyserer hva som kommer etterpå. I motsetning til tradisjonell mønstertilpasning, er autofullføring brukerspesifikk, noe som gjør det litt mer praktisk for oss.
Akkurat som mønstertilpasning ga vei for mønstergjenkjenning, fortsetter systemet å forbedre seg, men det tar ganske lang tid å krysse gapet. Den sliter fortsatt med å forstå komplekse fraser, og i tilfelle talegjenkjenning klarer den ikke å gjenkjenne forskjellige aksenter og uttaler. Disse problemene vil bare bli bedre etter hvert som mer data samles inn. Foreløpig er de fleste av våre virkelige situasjoner svak AI, og forskning på sterk AI pågår. AI er plutselig i raseri, men utviklingen kan være tregere enn vi tror.
Dette teknologiske fremskrittet er mer enn bare et teknologisk gjennombrudd; det fører også med seg sosiale og etiske spørsmål. AI vil sannsynligvis forstyrre arbeidsmarkedet ettersom det gradvis erstatter menneskelige jobber, og vi må vurdere og forberede oss på de sosiale implikasjonene av disse teknologiske fremskritt. Det er viktig å forberede seg på fremtiden og hvordan AI vil forandre livene våre.
