Wenn eine Anwendung Ihnen versichert, dass sie von "künstlicher Intelligenz" angetrieben wird, scheint es für einen Moment, dass Sie in der Zukunft sind. Aber was bedeutet das eigentlich? Wir werfen große Schlagworte - künstliche Intelligenz, maschinelles Lernen, neuronale Netze - aber was bedeuten sie wirklich und helfen sie wirklich, Apps zu verbessern?
In jüngerer Zeit haben Google und Microsoft ihre Übersetzungsanwendungen um Schulungen für neuronale Netze erweitert. Google behauptet, maschinelles Lernen zu verwenden, um Wiedergabelisten anzubieten. Todoist sagt, dass es KI verwendet, um zu erraten, wann Sie eine Aufgabe beenden sollten. Any.do behauptet, dass seine künstliche Intelligenz einige Aufgaben für Sie erledigen kann. Und es war alles erst letzte Woche. Einige der Marketing-Gimmicks klingen beeindruckend und bleiben Gimmicks, aber manchmal sind Änderungen unbestreitbar von Vorteil. "Künstliche Intelligenz", "maschinelles Lernen" und "neuronale Netze" beschreiben alle die Art und Weise, wie Computer ernstere Aufgaben erledigen und dabei lernen. Und obwohl Sie vielleicht gehört haben, dass Anwendungsentwickler die Systeme anderer übernehmen, sind sie in der Praxis sehr unterschiedlich.
Neuronale Netze analysieren komplexe Daten, um das menschliche Gehirn nachzuahmen
Künstliche neuronale Netze (ANNs oder einfach "neuronale Netze") beziehen sich auf eine bestimmte Art von Lernmodell, das die Funktionsweise von Synapsen in Ihrem Gehirn nachahmt. Herkömmliches Computing verwendet eine Reihe logischer Operatoren, um eine Aufgabe zu erfüllen. Neuronale Netze verwenden andererseits ein Netzwerk von Knoten (die wie Neuronen wirken) und Analoga von Synapsen (Kanten), um Daten zu verarbeiten. Die Eingabe wird durch das System geleitet und die Ausgabe wird generiert.
Die Ergebnisse werden dann mit bekannten Daten verglichen. Angenommen, Sie möchten einen Computer so trainieren, dass er ein Bild eines Hundes erkennt. Sie streamen Millionen von Hundebildern über das Internet, um zu sehen, welche Bilder sie wie Hunde aussehen möchte. Die Person bestätigt dann, welche Bilder tatsächlich Hunde sind. Das System bevorzugt den Pfad im neuronalen Netzwerk, der zur richtigen Antwort geführt hat. Im Laufe der Zeit und nach Millionen von Iterationen wird dieses Netzwerk möglicherweise die Genauigkeit seiner Ergebnisse verbessern.
Um zu sehen, wie dies in Aktion funktioniert, können Sie das Google Quick Draw-Experiment ausprobieren! In diesem Fall trainiert Google das Web, um Kritzeleien und schnelle Skizzen zu erkennen. Sie vergleicht die Zeichnung, die Sie zeichnen, mit den Beispielen, die andere Leute zeichnen. Das Netzwerk lernt, zukünftige Kritzeleien anhand der Erkenntnisse der Vergangenheit zu erkennen. Selbst wenn Sie wie ein fünfjähriges Kind zeichnen (wie ich), erkennt das Netz sehr schnell einfache Formen - U-Boote, Pflanzen, Enten. Probieren Sie es aus, Spaß.
Neuronale Netze sind kein Allheilmittel, aber sie eignen sich hervorragend für den Umgang mit komplexen Daten. Google und Microsoft verwenden neuronale Netze, um ihre Übersetzungsanwendungen zu trainieren, da das Übersetzen von Sprachen schwierig ist. Wir haben oft schlechte maschinelle Übersetzungen gesehen, aber neuronale Netze lernen, diese Übersetzungen auf der Grundlage korrekter Übersetzungen im Laufe der Zeit zu verbessern. Gleiches gilt für die Übersetzung von Sprache in Text. Seit der Einführung des von Google Voice betriebenen neuronalen Netzwerks sind die Übersetzungsfehler um 49% gesunken. Diese Systeme sind nicht perfekt, aber sie arbeiten an sich selbst, und das ist die Hauptsache.
Werbevideo:
Durch maschinelles Lernen lernen Computer, sich in der Praxis zu verbessern
Maschinelles Lernen ist ein weit gefasster Begriff, der alle Momente abdeckt, in denen Sie versuchen, einer Maschine beizubringen, sich selbst zu verbessern. Dies gilt insbesondere für jedes System, in dem die Leistung des Computers beim Ausführen einer Aufgabe nur durch mehr Erfahrung mit der Aufgabe verbessert wird. Neuronale Netze sind ein Beispiel für maschinelles Lernen, aber sie sind nicht die einzige Möglichkeit, einen Computer zu trainieren.
Beispielsweise wird eine der alternativen Methoden des maschinellen Lernens als Verstärkungslernen bezeichnet. Bei dieser Methode führt der Computer eine Aufgabe aus und wertet dann das Ergebnis aus. Wenn der Computer beispielsweise beim Schach gewinnt, weist er den Gewinnwert einer Reihe von Zügen zu, die er während des Spiels verwendet. Nach dem Spielen von Millionen von Spielen kann das System anhand der Ergebnisse früherer Spiele bestimmen, welche Schritte am wahrscheinlichsten zum Sieg führen.
Während neuronale Netze für Dinge wie die Mustererkennung in Bildern gut sind, können andere Arten des maschinellen Lernens für verschiedene Aufgaben wie die Identifizierung Ihrer Lieblingsmusik nützlicher sein. Google behauptet, dass seine Musik-App die Musik findet, die Sie hören möchten. Dazu werden Ihre vorherigen Wiedergabelisten analysiert. Wenn Ihnen das Ergebnis nicht gefällt, wird es von der Maschine als Fehler angesehen. Wenn Sie jedoch eine der vorgeschlagenen Listen auswählen, wird sie diese als Erfolg markieren und die Gewinnzüge analysieren, die sie zu Ihrem Herzen gebracht haben.
In solchen Fällen können Sie das maschinelle Lernen nicht in vollem Umfang nutzen, wenn Sie diese Funktion nicht häufig verwenden. Wenn Sie die Google Music-App zum ersten Mal öffnen, werden die Empfehlungen höchstwahrscheinlich nach dem Auschecken angezeigt. Aber je mehr Sie es verwenden, desto besser werden die Vorschläge sein. Zumindest theoretisch. Auch maschinelles Lernen ist kein Allheilmittel. Maschinelles Lernen ist vager als neuronale Netze, impliziert jedoch auch, dass die von Ihnen verwendete Software auf Ihr Feedback angewiesen ist, um die Leistung zu verbessern.
Künstliche Intelligenz ist alles mit dem Präfix "smart"
So wie neuronale Netze eine Form des maschinellen Lernens sind, ist maschinelles Lernen eine Form der künstlichen Intelligenz. Die Kategorie "künstliche Intelligenz" ist jedoch immer noch so schlecht definiert, dass dieser Ausdruck keine praktische Bedeutung hat. Ja, es zaubert Bilder einer technologisch fortgeschrittenen Zukunft, aber in Wirklichkeit sind wir ihr noch nicht nahe gekommen. Früher war OCR für eine Maschine zu schwierig, aber jetzt kann eine App auf Ihrem Telefon Dokumente scannen und in Text umwandeln. Es ist irgendwie unangemessen, es als Kunststück künstlicher Intelligenz zu bezeichnen.
Der Grund, warum grundlegende Telefoniefunktionen als künstliche Intelligenz betrachtet werden können, liegt darin, dass es tatsächlich zwei Arten von KI gibt. Eine schwache oder eng zielgerichtete KI beschreibt jedes System, das für die Ausführung einer engen Liste von Aufgaben ausgelegt ist. Zum Beispiel führen Google Assistant oder Siri, die eine ziemlich mächtige KI sind, immer noch eine ziemlich enge Liste von Aufgaben aus. Sie erhalten Sprachbefehle und geben Antworten zurück oder starten Anwendungen. Forschung im Bereich der künstlichen Intelligenz treibt diese Merkmale an, sie werden jedoch als "schwach" angesehen.
Im Gegensatz dazu ist eine leistungsstarke KI - auch als allgemeine künstliche Intelligenz oder "vollständige KI" bekannt - ein System, das jede menschliche Aufgabe ausführen kann. Und es existiert nicht. Daher ist jede "intelligente" Anwendung immer noch eine schwache künstliche Intelligenz.
Während die Implikationen vage sein mögen, ist die praktische Forschung im Bereich der künstlichen Intelligenz so lohnend, dass sie wahrscheinlich bereits in Ihr tägliches Leben eingegangen ist. Jedes Mal, wenn sich Ihr Telefon automatisch merkt, wo Sie geparkt haben, Gesichter in Ihren Fotos erkennt, Suchvorschläge erhält oder alle Ihre Wochenendaufnahmen automatisch gruppiert, berühren Sie künstliche Intelligenz auf die eine oder andere Weise. Bis zu einem gewissen Grad bedeutet "künstliche Intelligenz" wirklich nur, dass Apps etwas intelligenter sind als wir es gewohnt sind. Das Label "AI" bedeutet derzeit aus praktischer Sicht kaum etwas Praktisches.
ILYA KHEL
