Что на самом деле скрывается за искусственным интеллектом?

В первой колонке этой серии я говорил о растущей потребности в более совершенных инструментах, доступных для поддержки медицинских работников, таких как врачи и службы экстренной помощи, в их стремлении выполнить наиболее важную часть своей работы, предоставление точный диагноз. Ничего особенного в здравоохранении не происходит без диагноза, но если он ошибается, мало что из того, что делает ваш врач, может быть полностью правильным. К сожалению, это происходит гораздо чаще, чем следовало бы.

Чтобы проиллюстрировать ценность наличия другой пары глаз и проверенного второго мнения, охраняющего наше путешествие по сектору здравоохранения, я рассказал о том, что моя мать чрезмерно заботится обо мне всякий раз, когда я рискую посетить терапевтическую клинику. Конечно, моя мать, которая беспокоилась о замене ИИ после прочтения моей первой колонки, сразу же спросила меня, о чем эта новая эра познания в вычислениях? Как он может работать наравне - или лучше - с высококвалифицированными врачами, не говоря уже об интуиции матери? Что происходит в «черном ящике», который мы называем ИИ, и должны ли мы доверять его способностям?

В этой колонке я отвечу на вопрос моей матери на языке, который, я надеюсь, она понимает. Постоянная тенденция в сообществе ИИ, которую я наблюдал за свои более чем 6 лет работы в этой области, - это чрезмерное и ненужное использование модных словечек и отраслевого жаргона. Я имею в виду, неудивительно, что внедрение ИИ в критически важных бизнес-целях происходит медленно. В конечном итоге лицам, принимающим решения в различных отраслях, трудно заглядывать под капот «черного ящика», а мы, по другую сторону стола, недостаточно хороши, чтобы открыть его для них. Точно так же мне еще предстоит загрузить TikTok, поскольку никто из поколения Z не объяснил мне, как он работает и почему приносит пользу моей жизни.

Искусственный интеллект

Искусственный интеллект - это такая же наука, как математика или биология. Термин AI описывает различные способы разработки и создания интеллектуальных программ и машин, которые могут творчески решать проблемы, подобно тому, как это делают люди. Чтобы это был ИИ, он должен быть в состоянии решать проблемы, требующие использования «чувств», которые традиционно считаются прерогативой человека, таких как зрение, чтение или слушание, и использовать эти чувства для поиска разума и автономных действий. Чтобы понять, как машина искусственно имитирует присущие человеку навыки, нам нужно взглянуть на то, что скрывается за наукой об искусственном интеллекте, в частности на машинное обучение и искусственные нейронные сети.

Машинное обучение

Одна из лучших метафор машинного обучения, с которой я столкнулся, - это описание Кэсси Козыркова, главного специалиста по принятию решений в Google. Она называет машинное обучение:

«Модный этикетировщик»

Казалось бы, Кэсси понимает, о чем говорит: Google - один из мировых центров исследований в области машинного обучения. Под управлением своей материнской компании Alphabet, согласно данным за 2018 год, они инвестировали в 38 компаний, чтобы расширить свои возможности искусственного интеллекта и машинного обучения. Одна из таких компаний - Waymo, попытка Alphabet создать компанию, нацеленную на разработку технологий автономного вождения и беспилотных автомобилей.

Говоря об автономных транспортных средствах, почти невозможно не обсудить искусственный интеллект, поскольку именно он позволяет автономно маневрировать транспортным средством в мире непредвиденных событий.

Легко представить себе множество вещей, с которыми мы сталкиваемся, управляя автомобилем, особенно когда едем по городу. Искусственный интеллект для автономного вождения должен узнать, что это за повседневные вещи, чтобы безопасно управлять и перевозить людей из точки А в точку Б. Для начала все эти вещи должны быть помечены; ИИ, обеспечивающий безопасное маневрирование автомобиля, должен знать, что он видит на дороге. «этикетировщик причудливых вещей» учится причудливо маркировать вещи.

Для моей мамы, вероятно, будет сюрпризом, что она входит в штат сотрудников Waymo (и, следовательно, Google), помогая им разрабатывать алгоритмы машинного обучения, особенно с учетом отсутствия компенсации, полученной за ее работу. Правда, официально она не работает и никогда не подписывала трудовой договор. Тем не менее, каждый раз, когда ей (и всем остальным в мире) в Интернете приходится демонстрировать, что они настоящие люди, они участвуют в создании причудливой маркировки вещей Waymo. ReCAPTCHA, разработанная Google, использует все мы, как человеческие данные, в своем стремлении маркировать данные.

Цель состоит в том, чтобы научить их машину (отсюда: машинное обучение) понимать, как выглядит светофор, пешеход или что-то еще, с чем мы сталкиваемся во время вождения. Если мы подыграем игре Google и докажем им, что мы на самом деле человек (а не бот - другая цель ReCAPTCHA, чтобы уменьшить спам от оскорбительного трафика на веб-сайте), мы можем продолжить и подписаться на какую бы услугу мы ни использовали. Это дает Waymo миллионы и миллионы точек данных, собранных людьми, чтобы помочь машине видеть вещи так, как это делают люди, и понимать, что это такое. Он узнает о реальных предметах и ​​может, при наличии достаточного количества данных, созданных человеком, классифицировать объекты самостоятельно - точно так же, как человек.

По сути, это и есть машинное обучение: обучение машины автономному пониманию и познанию окружающего мира с помощью присущих человеку чувств, таких как «зрение или слушание».

В сфере здравоохранения помощь в маркировке может быть очень ценной. Возьмем для примера такие критические заболевания, как остановка сердца, инсульт или даже COVID19. Либо у пациента оно есть - либо нет. Промежуточного нет. С медицинской точки зрения мы обозначаем конкретное состояние и называем его диагнозом. С помощью правильных диагностических инструментов и тестов мы можем с почти идеальной точностью определить, есть ли у человека страдает определенным заболеванием. Трудно решить проблему, связанную с нехваткой времени для проведения этих анализов до того, как здоровье пациента ухудшится до критического уровня, требующего немедленной помощи.

В случае остановки сердца это около минут и секунд. Задача машинного обучения, которую предстоит решить, мало чем отличается от задачи заставить машину переехать из пункта А в пункт Б в кратчайшие сроки, с большим количеством переменных, которые необходимо учитывать во время поездки. Итак, как мы можем создать «причудливую маркировочную машину», которая знает, как быстро и с очень высокой степенью уверенности маркировать конкретный инцидент на основе предварительной медицинской оценки, такой как сортировка скорой медицинской помощи?

Одним из примеров, очень дорогих моему сердцу, является искусственный интеллект причудливой маркировки вещей, который мы в Corti создали вместе с ведущими службами неотложной медицинской помощи, и назывался он просто: Corti. В этом процессе мы обработали большое количество записанных исторических вызовов службы экстренной помощи, сделанных в центры 9–1–1 (или 1–1–2 в Европе). После инцидента на вызовах службы экстренной помощи был указан точный диагноз, поставленный врачом, когда пациент прибыл в больницу и прошел тщательное обследование. Имея первоначальную запись сортировки по телефону 9–1–1 и доступные электронные карты пациентов (и, следовательно, правильный диагноз), мы смогли научить Корти улавливать общие слова и тона в этих тысячах вызовов службы экстренной помощи. Исходя из этого, причудливый этикетировщик вещей Корти был направлен на поиск общих черт и особенностей в телефонных разговорах, по которым был поставлен конкретный диагноз. Научившись находить общие черты в аудиозаписях случаев остановки сердца, наша модель машинного обучения показала, что может автономно, более точно и за более короткое время, чем человек, пометить вызов службы экстренной помощи правильной диагностической меткой. .

Теперь я понимаю, что не проводил различий между различными методами, которые машину можно научить маркировать и понимать вещи - и я оставлю это, возможно, для одной из будущих статей. Но если вы жаждете простого объяснения дисциплин, доступных для обучения машины маркировке, я рекомендую вам прочитать больше о контролируемом машинном обучении, неконтролируемом машинном обучении и обучении с подкреплением - и, если вам очень любопытно, также глубокому обучению. . Отличное место для начала - Колонка Джун Ву по этой теме.

Искусственная нейронная сеть

Магия, которая заключается в обучении компьютера, автономной маркировке и пониманию элементов, которым он подвергается, не может произойти без серьезной интеллектуальной компьютерной инфраструктуры. Если ИИ - это термин, который мы используем для описания отрасли компьютерных наук, в которой мы работаем, а машинное обучение объясняет, что позволяет машинам учиться на данных без явного программирования, тогда искусственную нейронную сеть лучше всего описать как мозг, который дает машине человека: как силы. В недавнем выпуске одного из моих любимых подкастов, Опыт Джо Рогана, гость шоу Илон Маск очень наглядно упомянул, что люди - изначальные гангстеры нейронной сети.

Искусственная нейронная сеть по сути имитирует внутреннюю работу человеческого мозга и может быть описана как компьютерная система, организованная аналогично мозгу. Не вдаваясь в подробности долгой (и сложной) истории искусственных нейронных сетей, восходящей к 1940-м и 1950-м годам, когда были созданы первые искусственные нейронные сети, сегодня мы можем использовать эти мощные компьютерные системы для питания Приложения AI эффективно. Нейронная сеть - это сеть нейронов, обрабатывающих информацию (например, изображение дорожного знака), и состоит из трех основных слоев: входного слоя, скрытых слоев и последнего выходного слоя. Мы можем думать об этих слоях по отдельности:

  • Ввод (может быть несколько): наши чувства улавливают такие импульсы, как «Видеть человека, внезапно переходящего улицу».
  • Скрытые слои (многие): обработка мыслей в голове: «Какое обычное действие следует предпринять во время вождения, и кто-то внезапно выходит впереди машины».
  • Выходной уровень (один): Основываясь на том, что мы узнали о мире и его правилах, мы понимаем: «Мы должны немедленно остановить машину, например, чтобы не наехать на человека».

Проще говоря, искусственная нейронная сеть работает точно так же, как наш мозг. И точно так же, как человеческий мозг, искусственная нейронная сеть нуждается в обучении, чтобы иметь возможность принимать точные решения. В конце концов, нейронная сеть обучается минимизировать ошибки и обеспечивать правильные выходные данные.

Я закончу эту колонку на заметке, которая, как мне известно, может беспокоить кого-то вроде моей мамы (и Илона Маска) после того, как я прочитал, на что способна эта мощная технология. И это концепция полностью разумной сознательной машины, которая побеждает человечество. В идеях, упомянутых в этой колонке, пути человеческого и искусственного интеллекта сходятся на развилке дорог. Хотя ИИ, возможно, может научиться «как» лучше, чем человек, у него нет любопытства спросить «почему».

Поэтому, если будущий беспилотный автомобиль моей мамы не спросит ее: «Почему я должен вас куда-то отвезти?», поводов для беспокойства мало.

Мнения, выраженные в этой колонке, являются моими собственными, а не мнениями Корти.