0
Doen pixies hebben adressen, en als ze dat doen, moet je overeenkomen met hen?
Je zal waarschijnlijk denken dit is een vreemde vraag om te stellen, en het is waarschijnlijk, nog meer uit de context wordt gehaald. Het verwijst naar de antithese tussen het up-in-the-sky verwachtingen en theorieën geassocieerd met kunstmatige intelligentie (AI) en de vaak alledaagse werk dat nodig is om het werk in de echte wereld.
Diep Elon Musk bestaat, en het is niet wat je denkt dat het is
Diep Elon Musk
Één van beide manier, dat klinkt als het soort vragen dat kon je naar een konijnenhol. Dus, toen ik twitterde dat er een tijdje geleden als een verwijzing naar een gepubliceerd verhaal over AI in de echte wereld, was ik helemaal niet verbaasd om een antwoord krijgen van Diepe Elon Musk.
Diep Elon Musk is een AI-twitter-bot. In de kern, het is een algoritme dat leert schrijven. Het is gemaakt met behulp van een LSTM Recidiverende Diepe Neurale Netwerk, en het is getraind door het lezen van veel van Tesla CEO Elon Musk toespraken over en voorbij. Je zou kunnen zeggen dat het een eigen leven leiden.
Diep Elon Musk genereert originele tweets en interactie met andere gebruikers van Twitter door de wens hun tweets. Het is niet zo ver gaan als het hebben van een volledig interactieve gesprekken, maar het werd alleen uitgebracht in februari 2017, en het is de creatie van een eenzame AI-liefhebber, dat is al een hele prestatie. Hoewel zij niet proberen om iedereen gek, het kan wel, als het zeker is overtuigender dan de meeste bots die er zijn.
Diep Elon Musk is gemaakt door PJ den berg, een software ontwikkelaar die gebouwd om het te zien als een AI kon spreken als een mens. Hij pakte op de ironie van Muskus eigen angst van AI, en het hebben van een uitgebreid corpus van Musk ‘ s spreken voor publiek beschikbaar gemaakt opleiding het bot gemakkelijker.
Maar als iemand die je nog nooit hebt gehoord van de was in staat om iets op te bouwen, de Googles van de wereld trots op zou zijn solo bezig in zijn kelder met nul kosten, wat zijn dan de werkelijke Googles kunnen doen, en wat betekent dit voor u?
Welkom in de woestijn van de vrijwel real
Google introduceert de mogelijkheid voor het beantwoorden van uw e-mails in 2015, en er is een 10 procent kans om de e-mails die je hebt ontvangen van uw contacten automatisch zijn gegenereerd. Er is ook grote kans dat sommige van uw online interacties met anders professional en/of de charmante tegenhangers waren niet precies wat je dacht dat ze waren.
Bergeron gebouwd Diep Elon Musk, want hij was, en omdat hij dacht dat het leuk zou zijn. Voor de professionele bot makers van de wereld, de motivatie is anders, en dus is de potentiële impact.
Als je het kan doen voor Muskus, u kunt het doen voor iedereen, en hier de mogelijkheden zijn vrijwel eindeloos: Denk persoonlijke digitale assistenten dat uw sociale media klonen bijvoorbeeld het wegnemen van de last van de online interactie.
U denkt misschien dit is ver gezocht, en veel public relations professionals het wel met je eens. Maar dat betekent niet stoppen met anderen te automatiseren PR, of van het creëren van virtuele klonen. Voor Bergeron, het harde deel is dat je er een grote gegevensset tot het trainen van uw AI:
Maken van een “kloon” van jezelf zou je te veel schrijven. De oplossing zou kunnen zijn om het trainen van uw AI op een heleboel verschillende personen, dan is de trein een beetje op je eigen inhoud te maken, zoals praten. Zo, de eerste, leren hoe om te schrijven in het engels, dan leren hoe om te schrijven zoals JIJ.
En hoe zou u zich voelen over het idee van het hebben van uw woorden in andermans mond en ze te laten lezen ze uit alsof ze hun eigen? Nou, dat is absoluut mogelijk, opnieuw met behulp van diep leren (DL) expertise en openbaar domein-gegevens.
De Synthese Van Obama
Een team van de Universiteit van Washington (UW) maakte een splash onlangs door de publicatie van een papier op hun werk genaamd de Synthese van Obama. De OW-team, zoals Bergeron, gebruikt een LSTM Recidiverende Diepe Neurale Netwerk getraind op openbare gegevens.
De mogelijkheid om te synthetiseren spraak met behulp van enige persoon uit het publiek beschikbare beeldmateriaal is echt, hier-en-nu. (Afbeelding: de Universiteit van Washington)
Supasorn Suwajanakorn, het papier van de primaire auteur wijst erop dat dit heeft bewezen goed te werken op vele audio-processing taken zoals spraakherkenning. Hij voegde eraan toe dat hun aanpak niet gebaseerd is op het in zijn geheel, als hun DL netwerk is slechts een deel van de hele pijplijn.
Als Suwajanakorn uitgelegd, het aspect dat stelt dit werk onderscheidt, is het feit dat deze aanzienlijk verlaagt de bar aan het bereiken van deze resultaten, voor een aantal redenen: “Het grote verschil is dat we kunnen produceren overtuigende resultaten door te leren van slechts bestaande beelden van een enkele persoon.
“Ander werk, moet de persoon die moeten worden gescand in een lab en heeft zorgvuldig construeren van een spraak-database bestaat uit veel mensen die zeggen dat vooraf gekozen zinnen. Dit is wat ons onderscheidt en zorgt ervoor dat onze techniek geschaald worden naar iemand met veel minder inspanning.”
Als voor de middelen en de know-how die nodig is voor dit? Suwajanakorn zei het duurde ongeveer een jaar, en ze moesten een cluster van computers te downloaden van de gegevens en een high-end machine voor onderzoek.
Houd in gedachten dat, hoewel, het was de eerste keer dat dit werd gedaan, en de OW-team moest de prijs betalen voor het effenen van de weg. Wanneer u wordt gevraagd of iedereen die weet de weg in de machine learning (ML) en heeft toegang tot matige middelen kunnen doen met iets als dit, Suwajanakorn was positief.
U en welke gegevens de wetenschap leger?
Het belangrijkste verschil met Bergeron ‘s werk is dat in dit geval de opleiding gegevens beeldmateriaal (Obama’ s weekly adressen aan de natie), en het einde het doel was om de bestaande tekst (Obama ‘ s eigen uitspraken) gesynthetiseerd.
Maar is er iets houdt je van de combinatie van deze benaderingen te maken, te zeggen, nep nieuws, AI popsterren, en Max Headroom op steroïden? Nee, niet echt, betoogt Michal Kosinski.
Kosinski werd iets van een huishouden naam wordt gecrediteerd met het creëren van de psychografische model Cambridge Analytica naar verluidt gebruikt voor online politieke campagnes voor de Brexit en Trump campagnes.
Kosinski heeft ontwikkeld ML algoritmen vereisen zeer weinig in termen van de vereiste gegevens en de verwerking van stroom te produceren persoonlijke profielen met een uitzonderlijke nauwkeurigheid. Naar verluidt zijn deze profielen kunnen voorspellen uw gedrag meer nauwkeurig zelfs dan uw dichtstbijzijnde en liefste mensen.
Kosinski enkele nieuwe resultaten van zijn onderzoek op de CeBIT zijn keynote een paar maanden terug. Hij toonde hoe je met behulp van eenvoudige, gemakkelijk beschikbare gegevens punten zoals likes, reacties, afbeeldingen, persoonlijke kenmerken en eigenschappen kunnen worden afgeleid met een hoge mate van nauwkeurigheid. En hij deed dat niet met behulp van supercomputers in de cloud, maar zijn eigen laptop.
Zijn punt? Zelfs als u met succes kunt regelen de GAFAs van de wereld, kon je nooit reguleren lone wolfs, en er is zo veel meer mogelijk is dan wat u denkt te weten. Het einde van privacy is hier, laten we gewoon gaan.
Ja, het vergt kennis en tijd om dit te doen, maar houd rekening met de ontwikkeling van het proces zelf is geautomatiseerd en kan worden verwacht dat het gestandaardiseerde, net als zo vele anderen. Al snel, het kan niet de metaforische data science leger om tot resultaten te komen als dit.
Bij de bespreking van de mogelijke toepassingen van zijn werk, Bergeron zei dat hij zou streven naar een aantal van hen. Geen van de vervelende degenen, die wordt verleend. Maar er zullen niet veel stoppen hem had hij gekozen om te gaan voor die.
“Van de buitenkant lijkt altijd enger”
Dus, geen reglement, geen controle, geen duidelijke richting. Moeten wij ons zorgen maken over wat mogelijk is met de technologie, zoals dit, en moeten we gewoon vertrouwen op de Googles van de wereld geen kwaad?
Suwajanakorn ‘s thesis draait rond de volgende vragen: Welke aspecten van een persoon kan je afleiden door alleen te kijken naar hun foto ‘s en video’ s? Kan je het model van iemands persoonlijkheid en het maken van een digitale mens dat ziet, spreekt en handelt, net als hen?
Suwajanakorn bij Google en plannen om verder te gaan op deze lijn van het werk, die onderdeel was van een breder project voor Samsung, Google en Intel, hoewel hij zei dat zijn beweging is onafhankelijk. Klinkt dit even geweldig en zorgwekkend?
Zou het kunnen zijn dat onze capaciteit voor de technologische vooruitgang is veel groter dan onze capaciteit voor sociale en ethische ontwikkeling, of dat we moeten gewoon stoppen en na te denken voor een tijdje voordat marcheren op naar new tech heights?
Suwajanakorn zei: dit is een ingewikkelde kwestie en wordt alles meestal niet eenduidig: “ik geloof dat onderzoekers moeten nemen van ethische kwesties en het publieke discussie en angst moet worden gehouden met technisch onderzoek.
“Ik kan zien hoe het van de buitenkant lijkt steeds enger. Er is een potentieel voor misbruik, maar ik zie vele manieren die [dit] kan worden voorkomen en nog veel meer uitdagingen, zelfs voordat we dat punt bereiken.”
Wie echt de eigenaar van uw Internet der Dingen gegevens?
In een wereld waar meer en meer objecten komen online en leveranciers zijn betrokken te raken in de supply chain, hoe kan je houden van wat van jou is en wat niet?
0