ඇතුළත ඔබ සිතන්නේ කුමක්දැයි ඔබේ පූස් පැටවාට කියන්න - කළු පෙට්ටියේ බලපෑම
උසස් AI ඇල්ගොරිතම කළු පෙට්ටියක් (1) වැනිය, එය ප්‍රතිඵලයක් පැමිණි ආකාරය හෙළි නොකර ඉවත දමන බව සමහරුන් කනස්සල්ලට පත් කරන අතර තවත් සමහරුන් කලබලයට පත් කරයි.
2015 දී, නිව් යෝර්ක් හි මවුන්ට් සීනායි රෝහලේ පර්යේෂණ කණ්ඩායමක් දේශීය රෝගීන්ගේ විශාල දත්ත සමුදායක් විශ්ලේෂණය කිරීමට මෙම ක්‍රමය භාවිතා කරන ලෙස ඉල්ලා සිටියේය (2). මෙම විශාල එකතුවෙහි රෝගීන්ගේ තොරතුරු, පරීක්ෂණ ප්‍රතිඵල, බෙහෙත් වට්ටෝරු සහ තවත් බොහෝ දේ අඩංගු වේ.
විද්‍යාඥයින් විසින් වැඩ කරන අතරතුර වර්ධනය වූ විශ්ලේෂණ වැඩසටහන ලෙස හැඳින්වේ. එය පුද්ගලයන් 700 ක පමණ දත්ත මත පුහුණු කරන ලදී. මානව, සහ නව රෙජිස්ට්‍රාර් වල පරීක්ෂා කළ විට, එය රෝග පුරෝකථනය කිරීමට අතිශයින් ඵලදායී බව ඔප්පු වී ඇත. මානව විශේෂඥයින්ගේ සහය නොමැතිව, ඔහු අක්මා පිළිකා වැනි රෝගයකට ගමන් කරන රෝගියෙකු කුමන රෝගියාදැයි පෙන්වන රටා රෝහල් වාර්තාවල සොයා ගත්තේය. විශේෂඥයන් පවසන පරිදි, පද්ධතියේ අනාවැකි සහ රෝග විනිශ්චය කාර්යක්ෂමතාව වෙනත් දන්නා ක්රමවලට වඩා බෙහෙවින් වැඩි ය.
2. රෝගී දත්ත සමුදායන් මත පදනම් වූ වෛද්‍ය කෘතිම බුද්ධි පද්ධතිය
ඒ අතරම, එය අද්භූත ආකාරයකින් ක්‍රියාත්මක වන බව පර්යේෂකයන්ගේ අවධානයට ලක් විය. නිදසුනක් වශයෙන්, එය වඩාත් සුදුසු බව පෙනී ගියේය මානසික ආබාධ හඳුනා ගැනීමවෛද්යවරුන් සඳහා අතිශයින් දුෂ්කර වන භින්නෝන්මාදය වැනි. මෙය පුදුමයට කරුණක් විය, විශේෂයෙන් රෝගියාගේ වෛද්‍ය වාර්තා මත පදනම්ව AI පද්ධතියට මානසික රෝග මෙතරම් හොඳින් දැකිය හැක්කේ කෙසේදැයි කිසිවෙකුට අදහසක් නොතිබූ බැවිනි. ඔව්, එවැනි කාර්යක්ෂම යන්ත්‍ර රෝග විනිශ්චයකරුවෙකුගේ උපකාරයෙන් විශේෂඥයින් ඉතා සතුටු වූ නමුත් AI එහි නිගමනවලට එළඹෙන ආකාරය ඔවුන් තේරුම් ගන්නේ නම් ඔවුන් වඩාත් තෘප්තිමත් වනු ඇත.
කෘතිම නියුරෝන ස්ථර
මුල සිටම, එනම් කෘත්‍රිම බුද්ධිය පිළිබඳ සංකල්පය ප්‍රසිද්ධ වූ මොහොතේ සිට, AI පිළිබඳ මත දෙකක් තිබුණි. පළමුවැන්නා යෝජනා කළේ දන්නා මූලධර්ම හා මානව තර්කනයට අනුකූලව තර්ක කරන යන්ත්‍ර තැනීම වඩාත් සාධාරණ බව, ඒවායේ අභ්‍යන්තර ක්‍රියාකාරිත්වය සෑම කෙනෙකුටම විනිවිද පෙනෙන බවයි. තවත් අය විශ්වාස කළේ යන්ත්‍ර නිරීක්ෂණ සහ නැවත නැවත අත්හදා බැලීම් තුළින් ඉගෙන ගන්නේ නම් බුද්ධිය වඩාත් පහසුවෙන් මතු වන බව ය.
දෙවැන්න සාමාන්‍ය පරිගණක ක්‍රමලේඛනය ආපසු හැරවීමයි. ගැටලුවක් විසඳීමට ක්රමලේඛකයා ලියන විධාන වෙනුවට, වැඩසටහන උත්පාදනය කරයි තමන්ගේම ඇල්ගොරිතම නියැදි දත්ත සහ අපේක්ෂිත ප්රතිඵලය මත පදනම්ව. යන්ත්‍ර ඉගෙනීමේ ක්‍රම පසුව අද දන්නා බලවත්ම AI පද්ධති බවට පරිණාමය වී ඇත, ඇත්ත වශයෙන්ම, යන්ත්රයම වැඩසටහන්.
මෙම ප්‍රවේශය 60 සහ 70 ගණන්වල AI පද්ධති පර්යේෂණවල මායිම්වල පැවතුනි. සමහර පුරෝගාමී වෙනස්කම් සහ වැඩිදියුණු කිරීම් වලින් පසුව, පසුගිය දශකයේ ආරම්භයේ දී පමණි. "ගැඹුරු" ස්නායුක ජාල ස්වයංක්‍රීය සංජානනයේ හැකියාවන්හි රැඩිකල් දියුණුවක් පෙන්නුම් කිරීමට පටන් ගත්තේය.
ගැඹුරු යන්ත්‍ර ඉගෙනීම මගින් මිනිසාට වාගේම වාගේ කතා කරන වචන හඳුනා ගැනීමේ හැකියාව වැනි අසාමාන්‍ය හැකියාවන් පරිගණකයට ලබා දී ඇත. මෙය කල්තියා වැඩසටහන් කිරීමට ඉතා සංකීර්ණ කුසලතාවයකි. යන්ත්‍රයට තමන්ගේම "වැඩසටහනක්" නිර්මාණය කිරීමට හැකි විය යුතුය විශාල දත්ත කට්ටල පිළිබඳ පුහුණුව.
ගැඹුරු ඉගෙනීම පරිගණක රූප හඳුනාගැනීම ද වෙනස් කර ඇති අතර යන්ත්‍ර පරිවර්තනයේ ගුණාත්මක භාවය බෙහෙවින් වැඩි දියුණු කර ඇත. අද, එය ඖෂධ, මූල්ය, නිෂ්පාදන, සහ තවත් බොහෝ ප්රධාන තීරණ ගැනීමට භාවිතා කරයි.
කෙසේ වෙතත්, මේ සියල්ල සමඟ "ඇතුළත" ක්‍රියා කරන ආකාරය බැලීමට ඔබට ගැඹුරු ස්නායුක ජාලයක් ඇතුළත පමණක් බැලිය නොහැක. ජාල තාර්කික ක්‍රියාවලීන් දහස් ගණනක සමාකරණ නියුරෝනවල හැසිරීම් තුළ අන්තර්ගත වී ඇත, දුසිම් ගණනකට හෝ සංකීර්ණ ලෙස අන්තර් සම්බන්ධිත ස්ථර සිය ගණනකට පවා සංවිධානය කර ඇත..
පළමු ස්ථරයේ ඇති එක් එක් නියුරෝන රූපයක පික්සලයක තීව්‍රතාවය වැනි ආදානයක් ලබා ගන්නා අතර ප්‍රතිදානය ප්‍රතිදානය කිරීමට පෙර ගණනය කිරීම් සිදු කරයි. ඒවා සංකීර්ණ ජාලයකින් ඊළඟ ස්ථරයේ නියුරෝන වෙත සම්ප්‍රේෂණය වේ - සහ අවසාන ප්‍රතිදාන සංඥාව දක්වා. මීට අමතරව, පුහුණු ජාලය අපේක්ෂිත ප්රතිඵලය නිපදවන පරිදි තනි නියුරෝන මගින් සිදු කරන ලද ගණනය කිරීම් සකස් කිරීම ලෙස හඳුන්වන ක්රියාවලියක් ඇත.
සුනඛ රූප හඳුනාගැනීම සම්බන්ධ බොහෝ විට උපුටා දක්වන ලද උදාහරණයක, AI හි පහළ මට්ටම් හැඩය හෝ වර්ණය වැනි සරල ලක්ෂණ විශ්ලේෂණය කරයි. ඉහළ අය ලොම් හෝ ඇස් වැනි වඩාත් සංකීර්ණ ගැටළු සමඟ කටයුතු කරයි. ඉහළ ස්ථරය පමණක් ඒ සියල්ල එකට ගෙන එයි, සම්පූර්ණ තොරතුරු කට්ටලය බල්ලෙකු ලෙස හඳුනා ගනී.
එම ප්‍රවේශය යන්ත්‍රයටම ඉගෙන ගැනීමට බලය ලබා දෙන වෙනත් ආකාරයේ ආදාන සඳහාද යෙදිය හැකිය: කථනයේ වචන සෑදෙන ශබ්ද, ලිඛිත පෙළෙහි වාක්‍ය සාදන අකුරු සහ වචන, හෝ සුක්කානම, උදාහරණයක් ලෙස. වාහනයක් පැදවීමට අවශ්‍ය චලනයන්.
මෝටර් රථය කිසිවක් මග හරින්නේ නැත.
එවැනි පද්ධතිවල හරියටම සිදුවන්නේ කුමක්ද යන්න පැහැදිලි කිරීමට උත්සාහ කරයි. 2015 දී, Google හි පර්යේෂකයන් විසින් ගැඹුරු ඉගෙනුම් රූප හඳුනාගැනීමේ ඇල්ගොරිතමයක් වෙනස් කරන ලද අතර එමඟින් ඡායාරූපවල වස්තූන් දැකීම වෙනුවට එය ඒවා උත්පාදනය හෝ වෙනස් කරන ලදී. ඇල්ගොරිතම පසුපසට ධාවනය කිරීමෙන්, කුරුල්ලෙකු හෝ ගොඩනැගිල්ලක් හඳුනා ගැනීමට, පැවසීමට වැඩසටහන භාවිතා කරන ලක්ෂණ සොයා ගැනීමට ඔවුන්ට අවශ්‍ය විය.
මාතෘකාව ලෙස ප්‍රසිද්ධියේ හැඳින්වෙන මෙම අත්හදා බැලීම් (3) විකාරරූපී, විකාර සතුන්, භූ දර්ශන සහ චරිත පිළිබඳ විශ්මය ජනක නිරූපණයන් ඇති කළේය. යන්ත්‍ර සංජානනයේ සමහර රහස් හෙළි කිරීමෙන්, ඇතැම් රටා නැවත නැවත ලබා දීම සහ පුනරාවර්තනය වීම වැනි, ගැඹුරු යන්ත්‍ර ඉගෙනීම මනුෂ්‍ය සංජානනයට වඩා වෙනස් වන්නේ කෙසේද යන්න ද පෙන්නුම් කළහ - උදාහරණයක් ලෙස, එය අප නොසලකා හරින කෞතුක වස්තු ප්‍රසාරණය කිරීම සහ අනුපිටපත් කිරීම යන අර්ථයෙන්. සිතීමකින් තොරව අපගේ සංජානන ක්රියාවලිය තුළ. .
3. ව්යාපෘතියේ නිර්මාණය කරන ලද රූපය
මාර්ගය වන විට, අනෙක් අතට, මෙම අත්හදා බැලීම් අපගේම සංජානන යාන්ත්‍රණවල අභිරහස හෙළිදරව් කර ඇත. යන්ත්‍රය “වැදගත් නොවන” වස්තූන් මත එහි පුනරාවර්තන ඉවසීමෙන් පුනරුච්චාරණය කරන අතරම, යමක් වහාම තේරුම් ගැනීමට සහ නොසලකා හැරීමට හේතු වන විවිධ තේරුම්ගත නොහැකි සංරචක ඇති බව අපගේ අවබෝධය තුළ විය හැකිය.
යන්ත්‍රය "තේරුම් ගැනීමේ" උත්සාහයක් ලෙස වෙනත් පරීක්ෂණ සහ අධ්‍යයනයන් සිදු කරන ලදී. ජේසන් යෝසින්ස්කි ඔහු ඕනෑම කෘත්‍රිම නියුරෝනයක් ඉලක්ක කර එය වඩාත් ප්‍රබල ලෙස සක්‍රිය කරන රූපය සොයමින් මොළයේ සිරවී ඇති පරීක්ෂණයක් මෙන් ක්‍රියා කරන මෙවලමක් නිර්මාණය කළේය. අවසාන අත්හදා බැලීමේදී, ජාලය රතු අතට "එබීම" හේතුවෙන් වියුක්ත රූප දර්ශනය වූ අතර එමඟින් පද්ධතියේ සිදුවන ක්‍රියාවලීන් වඩාත් අද්භූත විය.
කෙසේ වෙතත්, බොහෝ විද්‍යාඥයින් සඳහා, එවැනි අධ්‍යයනයක් වරදවා වටහා ගැනීමකි, මන්ද, ඔවුන්ගේ මතය අනුව, පද්ධතිය අවබෝධ කර ගැනීම සඳහා, සංකීර්ණ තීරණ ගැනීමේ ඉහළ අනුපිළිවෙලක රටා සහ යාන්ත්‍රණ හඳුනා ගැනීමට, සියලුම පරිගණක අන්තර්ක්‍රියා ගැඹුරු ස්නායු ජාලයක් ඇතුළත. එය ගණිතමය ශ්‍රිත සහ විචල්‍යයන්ගේ යෝධ ප්‍රහේලිකාවකි. මේ මොහොතේ, එය අපට තේරුම්ගත නොහැකි ය.
පරිගණකය ආරම්භ නොවන්නේද? මන්ද?
උසස් කෘතිම බුද්ධි පද්ධතිවල තීරණ ගැනීමේ යාන්ත්‍රණයන් අවබෝධ කර ගැනීම වැදගත් වන්නේ ඇයි? කුමන සිරකරුවන් නිදහස් කළ හැකිද, ණයක් ලබා දිය හැක්කේ කාටද සහ රැකියාවක් ලබා ගත හැක්කේ කාටද යන්න තීරණය කිරීම සඳහා ගණිතමය ආකෘති දැනටමත් භාවිතා වේ. මෙය සහ වෙනත් තීරණයක් නොගත්තේ ඇයි, එහි පදනම සහ යාන්ත්‍රණය කුමක්ද යන්න උනන්දුවක් දක්වන අය දැන ගැනීමට කැමතියි.
ඔහු 2017 අප්‍රේල් මාසයේදී MIT තාක්ෂණ සමාලෝචනයේදී පිළිගත්තේය. ටොමී යක්කොල, යන්ත්‍ර ඉගෙනීම සඳහා යෙදුම් මත වැඩ කරන MIT මහාචාර්යවරයෙක්. -.
AI පද්ධතිවල තීරණ ගැනීමේ යාන්ත්‍රණය පරීක්ෂා කර අවබෝධ කර ගැනීමේ හැකියාව මූලික මානව අයිතිවාසිකමක් බවට නෛතික සහ ප්‍රතිපත්තිමය ස්ථාවරයක් පවා තිබේ.
2018 සිට, EU විසින් ස්වයංක්‍රීය පද්ධති මගින් ගනු ලබන තීරණ පිළිබඳව සමාගම් තම පාරිභෝගිකයින්ට පැහැදිලි කිරීම් ලබා දීමට අවශ්‍ය කිරීමට කටයුතු කරමින් සිටී. දැන්වීම් පෙන්වීමට හෝ ගීත නිර්දේශ කිරීමට ගැඹුරු විද්‍යාව භාවිතා කරන යෙදුම් සහ වෙබ් අඩවි වැනි සාපේක්ෂව සරල යැයි පෙනෙන පද්ධති සමඟ පවා මෙය සමහර විට කළ නොහැකි බව පෙනේ.
මෙම සේවාවන් ක්‍රියාත්මක කරන පරිගණක තමන් විසින්ම ක්‍රියාත්මක කරන අතර, ඔවුන් එය කරන්නේ අපට නොතේරෙන ආකාරයටයි... මෙම යෙදුම් නිර්මාණය කරන ඉංජිනේරුවන්ට පවා එය ක්‍රියා කරන ආකාරය සම්පූර්ණයෙන් පැහැදිලි කළ නොහැක.
