Komma igång med artificiell intelligens och maskininlärning Titta nu
Vad är artificiell intelligens (AI)?
Det beror på vem du frågar.
Tillbaka på 1950-talet beskrev fältets fäder, Minsky och McCarthy, artificiell intelligens som alla uppgifter som utförts av en maskin som tidigare skulle ha ansetts kräva mänsklig intelligens.
Det är uppenbarligen en ganska bred definition, det är därför du ibland kommer att se argument om huruvida något verkligen är AI eller inte.
Moderna definitioner av vad det innebär att skapa intelligens är mer specifika. Francois Chollet, en AI-forskare på Google och skapare av maskininlärningsprogrammet Keras, har sagt att intelligens är knuten till ett systems förmåga att anpassa sig och improvisera i en ny miljö, att generalisera sin kunskap och tillämpa den på okända scenarier.
“Intelligens är effektiviteten med vilken du får nya färdigheter vid uppgifter du inte tidigare förberedde dig för”, sa han.
“Intelligens är inte färdighet i sig; det är inte vad du kan göra ; det är hur bra och hur effektivt du kan lära dig nya saker. “
Det är en definition enligt vilken moderna AI-drivna system, såsom virtuella assistenter, skulle karaktäriseras som att ha visat “smal AI”, förmågan att generalisera sin träning när de utför en begränsad uppsättning uppgifter, såsom taligenkänning eller datorvision.
Vanligtvis visar AI-system åtminstone några av följande beteenden associerade med mänsklig intelligens: planering, inlärning, resonemang, problemlösning, kunskapsrepresentation, perception, rörelse och manipulation och i mindre utsträckning social intelligens och kreativitet.
Vad använder AI för?
AI är allestädes närvarande idag, används för att rekommendera vad du ska köpa nästa online, för att förstå vad du säger till virtuella assistenter, som Amazons Alexa och Apples Siri, för att känna igen vem och vad som finns på ett foto, spot spam eller spot spam upptäcka kredit kortbedrägerier.
Vilka är de olika typerna av AI?
På mycket hög nivå kan artificiell intelligens delas in i två breda typer:
Smal AI
Smal AI är vad vi ser runt omkring oss på datorer idag – intelligenta system som har lärt sig eller har lärt sig att utföra specifika uppgifter utan att uttryckligen programmeras hur man gör det.
Denna typ av maskinintelligens framgår av tal- och språkigenkänning av Siri virtuella assistent på Apple iPhone, i synigenkänningssystemen på självkörande bilar eller i rekommendationsmotorerna som föreslår produkter du kanske gillar baserat på vad du köpte tidigare. Till skillnad från människor kan dessa system bara lära sig eller lära sig hur man utför definierade uppgifter, varför de kallas smal AI.
Allmänt AI
Allmänt AI är väldigt annorlunda och är den typ av anpassningsbart intellekt som finns hos människor, en flexibel form av intelligens som kan lära sig att utföra väldigt olika uppgifter, allt från hårklippning till att bygga kalkylblad eller resonera om en mängd olika ämnesbaserade på sin samlade erfarenhet.
Det här är den typ av AI som vanligtvis ses i filmer, som HAL 2001 eller Skynet i The Terminator, men som inte finns idag – och AI-experter är starkt delade över hur snart det kommer att bli verklighet.
Vad kan Narrow AI göra?
Det finns ett stort antal nya applikationer för smal AI:
Tolka videoflöden från drönare som utför visuella inspektioner av infrastruktur som oljeledningar. Organisera personliga och affärskalendrar. Svara på enkla kundservicefrågor. Samordna med andra intelligenta system för att utföra uppgifter som att boka hotell vid en lämplig tidpunkt och plats. Hjälper radiologer att upptäcka potentiella tumörer i röntgenstrålning. Flagga olämpligt innehåll online, upptäcka slitage i hissar från data som samlats in av IoT-enheter. Generera en 3D-modell av världen från satellitbilder … listan fortsätter och fortsätter. p>Nya tillämpningar av dessa inlärningssystem dyker upp hela tiden. Grafikkortsdesignern Nvidia avslöjade nyligen ett AI-baserat system Maxine, som gör det möjligt för människor att ringa videosamtal av god kvalitet, nästan oavsett hastigheten på deras internetanslutning. Systemet minskar den bandbredd som behövs för sådana samtal med en faktor 10 genom att inte sända hela videoströmmen över internet och istället för att animera ett litet antal statiska bilder av den som ringer på ett sätt som är utformat för att återge de som ringer upp ansiktsuttryck och rörelser i i realtid och att det inte går att skilja från videon.
Men lika mycket outnyttjad potential som dessa system har, ibland överträffar ambitionerna för tekniken verkligheten. Ett exempel på detta är självkörande bilar, som själva stöds av AI-drivna system som datasyn. Elbilsföretaget Tesla släpar efter något långt efter VD Elon Musks ursprungliga tidslinje för att bilens Autopilot-system uppgraderas till “full självkörning” från systemets mer begränsade kapacitet för assisterad körning, med alternativet Full självkörning som nyligen rullades ut till en utvald grupp av expertdrivrutiner som en del av ett betatestningsprogram.
Vad kan General AI göra?
En undersökning utförd av fyra grupper av experter 2012/13 av AI-forskare Vincent C Müller och filosof Nick Bostrom rapporterade en 50-procentig chans att Artificial General Intelligence (AGI) skulle utvecklas mellan 2040 och 2050 och ökade till 90% fram till 2075. The gruppen gick ännu längre och förutspådde att så kallad “superintelligens” – som Bostrom definierar som “något intellekt som i hög grad överstiger människors kognitiva prestanda i praktiskt taget alla intresseområden” – förväntades cirka 30 år efter att AGI hade uppnåtts.
De senaste bedömningarna av AI-experter är dock mer försiktiga. Pionjärer inom modern AI-forskning som Geoffrey Hinton, Demis Hassabis och Yann LeCun säger att samhället inte är nära att utveckla AGI. Med tanke på skepsis med ledande ljus inom modern AI och den mycket olika naturen hos moderna smala AI-system jämfört med AGI, finns det kanske liten grund att frukta att en allmän artificiell intelligens kommer att störa samhället inom en snar framtid.
< p>Som sagt, vissa AI-experter tror att sådana prognoser är väldigt optimistiska med tanke på vår begränsade förståelse för den mänskliga hjärnan och tror att AGI fortfarande är hundra år borta.
Vilka är de senaste landmärkena i utvecklingen av AI?
IBM
Även om modern smal AI kan vara begränsad till att utföra specifika uppgifter, inom sina specialiteter, kan dessa system ibland övermänskliga prestanda , i vissa fall till och med demonstrerande överlägsen kreativitet, ett drag som ofta hålls som inneboende mänskligt.
Det har varit för många genombrott för att sätta ihop en slutgiltig lista, men några höjdpunkter inkluderar:
2009 visade Google att sin självkörande Toyota Prius kunde genomföra mer än tio resor på 100 mil vardera och sätta samhället på en väg mot förarlösa fordon. 2011 gjorde datorsystemet IBM Watson rubriker över hela världen när det vann den amerikanska frågesporten Jeopardy! och slog två av de bästa spelarna som showen någonsin hade producerat. För att vinna showen använde Watson naturliga språkbearbetning och analyser i stora databaser som bearbetas för att svara på mänskliga frågor, ofta på en bråkdel av en sekund. 2012 meddelade ett annat genombrott AI: s potential att ta itu med en mängd nya uppgifter tidigare betraktas som för komplicerad för någon maskin. Det året segrade AlexNet-systemet avgörande i ImageNet Large Scale Visual Recognition Challenge. AlexNets noggrannhet var sådan att den halverade felfrekvensen jämfört med konkurrerande system i bildigenkänningstävlingen.
AlexNets prestanda visade kraften i inlärningssystem baserade på neurala nätverk, en modell för maskininlärning som funnits i årtionden men som äntligen förverkligade dess potential på grund av förbättringar av arkitektur och språng i parallell bearbetningskraft som möjliggjordes av Moores lag. Förmågan hos maskininlärningssystem för att genomföra datorsyn slog också rubrikerna det året, med Google som utbildade ett system för att känna igen en internetfavorit: bilder på katter.
Nästa demonstration av effektiviteten hos maskininlärningssystem som fångade allmänhetens uppmärksamhet var 2016-triumfen för Google DeepMind AlphaGo AI över en mänsklig stormästare i Go, ett gammalt kinesiskt spel vars komplexitet stumpade datorer i årtionden. Go har cirka 200 drag per varv jämfört med cirka 20 i schack. Under en omgång Go finns det så många möjliga drag som söker igenom var och en av dem i förväg för att identifiera att det bästa spelet är för dyrt ur ett beräkningsperspektiv. Istället utbildades AlphaGo hur man spelar spelet genom att ta rörelser som spelas av mänskliga experter i 30 miljoner Go-spel och mata dem till djupt lärande neurala nätverk.
Att utbilda dessa djupinlärningsnätverk kan ta mycket lång tid, vilket kräver att stora mängder data tas in och upprepas när systemet gradvis förfinar sin modell för att uppnå bästa resultat.
Men nyligen, Google förfinade träningsprocessen med AlphaGo Zero, ett system som spelade “helt slumpmässiga” spel mot sig själv och sedan lärde sig av det. Google DeepMind VD Demis Hassabis har också presenterat en ny version av AlphaGo Zero som har behärskat schack- och shogispelen.
Och AI fortsätter att springa förbi nya milstolpar: ett system som tränats av OpenAI har besegrat världens bästa spelare i en-mot-en-matcher i online multiplayer-spelet Dota 2.
Samma år, OpenAI skapade AI-agenter som uppfann sitt eget språk för att samarbeta och uppnå sitt mål mer effektivt, följt av Facebook-utbildningsagenter för att förhandla och ljuga.
2020 var året då ett AI-system till synes fick förmågan att skriva och prata som en människa om nästan alla ämnen du kan tänka dig.
Systemet i fråga, känt som Generative Pre-training Transformer 3 eller GPT-3 för kort, är ett neuralt nätverk utbildat på miljarder engelskspråkiga artiklar tillgängliga på den öppna webben.
Från och med det kort efter att den gjordes tillgänglig för testning av den ideella organisationen OpenAI, var Internet överraskad av GPT-3s förmåga att generera artiklar om nästan alla ämnen som matades till den, artiklar som vid första anblicken ofta var svåra att skiljer sig från de som är skrivna av en människa. På samma sätt följde imponerande resultat inom andra områden, med dess förmåga att på ett övertygande sätt svara på frågor om ett brett spektrum av ämnen och till och med skicka en nybörjare JavaScript-kodare.
Men medan många GPT-3-genererade artiklar hade en luft av sannolikhet, ytterligare tester fann att de meningar som genererades ofta inte passade, vilket ger ytliga trovärdiga men förvirrade uttalanden, liksom ibland direkt nonsens.
Det finns fortfarande stort intresse för att använda modellens naturliga språkförståelse när det gäller grunden för framtida tjänster. Det är tillgängligt för utvalda utvecklare att bygga in programvara via OpenAIs beta-API. Det kommer också att införlivas i framtida tjänster som är tillgängliga via Microsofts Azure-molnplattform.
Det kanske mest slående exemplet på AI: s potential kom sent 2020 när Googles uppmärksamhetsbaserade neurala nätverk AlphaFold 2 visade ett resultat som vissa har kallat värd ett Nobelpris för kemi.
Systemets förmåga att titta på ett proteins byggstenar, så kallade aminosyror, och härleda att proteins 3D-struktur kan påverka djupet i vilken takt sjukdomar förstås och läkemedel utvecklas. I Critical Assessment of protein Structure Prediction contest bestämde AlphaFold 2 3D-strukturen för ett protein med en noggrann konkurrerande kristallografi, guldstandarden för övertygande modellering av proteiner.
Till skillnad från kristallografi, som tar månader att returnera resultat, kan AlphaFold 2 modellera proteiner på några timmar. Med den 3D-strukturen av proteiner som spelar en så viktig roll i mänsklig biologi och sjukdom, har en sådan påskyndning kallats som ett landmärke genombrott för medicinsk vetenskap, för att inte tala om potentiella tillämpningar inom andra områden där enzymer används i bioteknik.
Vad är maskininlärning?
Praktiskt taget alla de framsteg som hittills nämnts härrörde från maskininlärning, en delmängd av AI som står för de allra flesta prestationer inom området de senaste åren. När människor pratar om AI idag talar de i allmänhet om maskininlärning.
För närvarande åtnjuter något av en återuppkomst, i enkla termer, maskininlärning är där ett datorsystem lär sig att utföra en uppgift snarare än att programmeras hur man gör det. Denna beskrivning av maskininlärning går ända tillbaka till 1959 när den myntades av Arthur Samuel, en pionjär inom fältet som utvecklade ett av världens första självlärande system, Samuel Checkers-playing-programmet.
För att lära sig matas dessa system med stora mängder data, som de sedan använder för att lära sig att utföra en specifik uppgift, såsom att förstå tal eller bildtext. Kvaliteten och storleken på denna dataset är viktig för att bygga ett system som kan utföra sin utsedda uppgift exakt. Om du till exempel byggde ett maskininlärningssystem för att förutsäga huspriserna, bör träningsuppgifterna innehålla mer än bara fastighetsstorleken, men andra viktiga faktorer som antalet sovrum eller trädgårdsstorleken.
Vad är neurala nätverk?
Nyckeln till framgång i maskininlärning är neurala nätverk. Dessa matematiska modeller kan justera interna parametrar för att ändra vad de matar ut. Ett neuralt nätverk matas datauppsättningar som lär det vad det ska spotta när det presenteras med vissa data under träningen. Konkret kan nätverket matas i gråskalebilder av siffrorna mellan noll och 9, tillsammans med en rad binära siffror – nollor och enor – som indikerar vilket nummer som visas i varje gråskalebild. Nätverket skulle sedan tränas och justera dess interna parametrar tills det klassificerar antalet som visas i varje bild med hög noggrannhet. Detta utbildade neurala nätverk kunde sedan användas för att klassificera andra gråskalebilder av siffror mellan noll och 9. Ett sådant nätverk användes i ett banbrytande dokument som visar tillämpningen av neurala nätverk som publicerades av Yann LeCun 1989 och har använts av US Postal Service. för att känna igen handskrivna postnummer.
Neurala nätverkens struktur och funktion bygger mycket löst på kopplingarna mellan nervceller i hjärnan. Neurala nätverk består av sammankopplade lager av algoritmer som matar in data till varandra. De kan utbildas för att utföra specifika uppgifter genom att ändra den betydelse som tilldelas data när den passerar mellan dessa lager. Under träningen av dessa neurala nätverk kommer vikterna som är fästa vid data när de passerar mellan lager att fortsätta att varieras tills produktionen från neuralnätet är mycket nära det som önskas. Vid den tiden kommer nätverket att ha “lärt sig” hur man utför en viss uppgift. Den önskade utgången kan vara allt från att korrekt märka frukt i en bild till att förutsäga när en hiss kan misslyckas baserat på dess sensordata.
En delmängd av maskininlärning är djupinlärning, där neurala nätverk expanderas till spretande nätverk med ett stort antal stora lager som tränas med massiva mängder data. Dessa djupa neurala nätverk har drivit det nuvarande språnget framåt i dators förmåga att utföra uppgifter som taligenkänning och datasyn.
Det finns olika typer av neurala nätverk med olika styrkor och svagheter. Återkommande neurala nätverk (RNN) är en typ av neurala nät som är särskilt väl lämpade för Natural Language Processing (NLP) – att förstå innebörden av text – och taligenkänning, medan omvälvande neurala nätverk har sina rötter i bildigenkänning och har användningsområden så olika som rekommendatorsystem och NLP. Utformningen av neurala nätverk utvecklas också, med forskare som förädlar en mer effektiv form av djupt neurala nätverk som kallas långt korttidsminne eller LSTM – en typ av RNN-arkitektur som används för uppgifter som NLP och för aktiemarknadsprognoser – så att den kan fungerar tillräckligt snabbt för att användas i on-demand-system som Google Translate.
Strukturen och träningen av djupa neurala nätverk.
Bild: Nuans
Vilka är andra typer av AI?
Ett annat område för AI-forskning är evolutionär beräkning.
Det lånar från Darwins teori om naturligt urval. Det ser genetiska algoritmer genomgå slumpmässiga mutationer och kombinationer mellan generationer i ett försök att utveckla den optimala lösningen på ett givet problem.
Detta tillvägagångssätt har även använts för att utforma AI-modeller, effektivt använda AI för att hjälpa till att bygga AI. Denna användning av evolutionära algoritmer för att optimera neurala nätverk kallas neuroevolution. Det kan spela en viktig roll för att hjälpa till att utforma effektiv AI när användningen av intelligenta system blir vanligare, särskilt eftersom efterfrågan på datavetare ofta överstiger utbudet. Tekniken presenterades av Uber AI Labs, som släppte artiklar om genetiska algoritmer för att träna djupa neurala nätverk för förstärkning av inlärningsproblem.
Slutligen finns det expertsystem , där datorer är programmerade med regler som gör det möjligt för dem att ta en serie beslut baserade på ett stort antal ingångar, vilket gör att maskinen kan efterlikna beteendet hos en mänsklig expert inom en specifik domän. Ett exempel på dessa kunskapsbaserade system kan till exempel vara ett autopilotsystem som flyger ett plan.
Vad driver på uppkomsten av AI?
Som beskrivits ovan har de största genombrotten för AI-forskning de senaste åren varit inom maskininlärning, särskilt inom djupinlärningsområdet.
Detta har delvis drivits av den enkla tillgängligheten av data, men ännu mer av en explosion i parallell datorkraft, under vilken tid användningen av kluster av grafikbehandlingsenheter (GPU) för att träna maskininlärningssystem har blivit vanligare.
Dessa kluster erbjuder inte bara mycket kraftfullare system för utbildning av maskininlärningsmodeller, men de finns nu allmänt tillgängliga som molntjänster över internet. Med tiden har de stora teknikföretagen, som Google, Microsoft och Tesla, gått över till att använda specialiserade marker som är skräddarsydda för både löpande, och nyligen, utbildning, maskininlärningsmodeller.
Ett exempel på en av dessa anpassade marker är Googles Tensor Processing Unit (TPU), vars senaste version accelererar den hastighet med vilken användbara maskininlärningsmodeller byggda med Googles programvarubibliotek TensorFlow kan härleda information från data, liksom den hastighet med vilken de kan utbildad.
Dessa marker används för att träna upp modeller för DeepMind och Google Brain och de modeller som ligger till grund för Google Translate och bildigenkänning i Google Foto och tjänster som gör det möjligt för allmänheten att bygga maskininlärningsmodeller med Googles TensorFlow Research Cloud. Den tredje generationen av dessa marker presenterades vid Googles I/O-konferens i maj 2018 och har sedan dess förpackats i maskinlärande kraftverk som kallas pods som kan utföra mer än hundra tusen biljoner flytpunktsoperationer per sekund (100 petaflops). Dessa pågående TPU-uppgraderingar har gjort det möjligt för Google att förbättra sina tjänster som bygger på maskininlärningsmodeller, till exempel med att halvera den tid det tar att träna modeller som används i Google Translate.
Vilka är elementen i maskininlärning?
Som nämnts är maskininlärning en delmängd av AI och är i allmänhet uppdelad i två huvudkategorier: övervakat och icke-övervakat lärande.
Övervakat lärande
En vanlig teknik för att lära ut AI-system är att träna dem med hjälp av många märkta exempel. Dessa maskininlärningssystem matas enorma mängder data, vilket har antecknats för att belysa de intressanta funktionerna. Dessa kan vara foton märkta för att ange om de innehåller en hund eller skriftliga meningar som har fotnoter för att ange om ordet “bas” avser musik eller en fisk. Efter utbildningen kan systemet sedan använda dessa etiketter på nya data, till exempel på en hund i ett foto som just har laddats upp.
Denna process att lära ut en maskin som exempel kallas övervakat lärande. Märkning av dessa exempel utförs vanligtvis av onlinearbetare som är anställda via plattformar som Amazon Mechanical Turk.
Att träna dessa system kräver vanligtvis stora mängder data, och vissa system behöver skura miljontals exempel för att lära sig att utföra en uppgift effektivt – även om detta i allt större utsträckning är möjligt i en tid med stora data och utbredd datautvinning. Utbildningsdatamängder är enorma och växer i storlek – Googles Open Images Dataset har cirka nio miljoner bilder, medan dess märkta videoförvaring YouTube-8M länkar till sju miljoner märkta videor. ImageNet, en av de tidiga databaserna av detta slag, har mer än 14 miljoner kategoriserade bilder. Den sammanställdes under två år och sammanställdes av nästan 50 000 personer – varav de flesta rekryterades genom Amazon Mechanical Turk – som kontrollerade, sorterade och märkte nästan en miljard kandidatbilder.
Att ha tillgång till stora märkta datamängder kan också visa sig vara mindre viktigt än tillgång till stora mängder datorkraft på lång sikt.
Under de senaste åren har Generative Adversarial Networks (GAN) använts i maskininlärningssystem som bara kräver en liten mängd märkt data tillsammans med en stor mängd omärkt data, vilket, som namnet antyder, kräver mindre manuellt arbete för att förbereda./p>
Detta tillvägagångssätt kan möjliggöra ökad användning av halvövervakad inlärning, där system kan lära sig att utföra uppgifter med en mycket mindre mängd märkta data än vad som är nödvändigt för utbildningssystem som använder övervakat lärande idag.
Oövervakad inlärning
Däremot använder icke övervakad inlärning ett annat tillvägagångssätt, där algoritmer försöker identifiera mönster i data och letar efter likheter som kan användas för att kategorisera dessa data.
Ett exempel kan vara att gruppera frukter som väger lika mycket eller bilar med liknande motorstorlek.
Algoritmen har inte ställts in i förväg för att plocka ut specifika typer av data; det letar helt enkelt efter data som dess likheter kan gruppera, till exempel Google Nyheter som grupperar historier om liknande ämnen varje dag.
Förstärkningsinlärning
En rå analogi för förstärkning lärande är att belöna ett husdjur med en behandling när det utför ett trick. I förstärkningsinlärningen försöker systemet maximera en belöning baserat på dess inmatade data, i grund och botten genom en process av försök och fel tills det når bästa möjliga resultat.
Ett exempel på förstärkningslärande är Google DeepMinds Deep Q-nätverk, som har använts för bästa mänskliga prestanda i en mängd olika klassiska videospel. Systemet matas pixlar från varje spel och bestämmer olika information, till exempel avståndet mellan objekt på skärmen.
Genom att även titta på poängen som uppnås i varje spel bygger systemet en modell av vilken åtgärd som maximera poängen under olika omständigheter, till exempel i fallet med videospelet Breakout, där paddeln ska flyttas till för att fånga bollen.
Tillvägagångssättet används också i robotforskning, där förstärkt lärande kan hjälpa till att lära autonoma robotar det optimala sättet att bete sig i verkliga miljöer.
Många AI-relaterade tekniker närmar sig eller har redan nått, “toppen av uppblåsta förväntningar” i Gartners Hype-cykel, med det motreaktionsdrivna “desillusionstråget” som väntar.
Bild: Gartner/Kommentarer: ZDNet
Vilka är de ledande företagen inom AI?
Med AI som spelar en allt viktigare roll i modern programvara och tjänster kämpar varje större teknikföretag för att utveckla robust maskininlärningsteknik för användning internt och för att sälja till allmänheten via molntjänster.
Varje regelbundet gör rubriker för att bryta ny mark inom AI-forskning, även om det förmodligen är Google med sina DeepMind AI AlphaFold- och AlphaGo-system som troligen har haft störst inverkan på allmänhetens medvetenhet om AI.
Vilka AI-tjänster finns tillgängliga?
Alla de stora molnplattformarna – Amazon Web Services, Microsoft Azure och Google Cloud Platform – ger åtkomst till GPU-matriser för utbildning och körning av maskininlärningsmodeller, med Google också inriktat på att låta användare använda sina Tensor Processing Units – anpassade marker vars design är optimerad för träning och körning av maskininlärningsmodeller.
All nödvändig tillhörande infrastruktur och tjänster är tillgängliga från de tre stora, de molnbaserade datalagrarna, som kan innehålla den stora mängden data som behövs för att träna maskininlärningsmodeller, tjänster för att transformera data för att förbereda den för analys, visualiseringsverktyg att visa resultaten tydligt och programvara som förenklar byggandet av modeller.
Dessa molnplattformar förenklar till och med skapandet av anpassade maskininlärningsmodeller, med Google som erbjuder en tjänst som automatiserar skapandet av AI-modeller, kallas Cloud AutoML. Den här dra-och-släpp-tjänsten bygger anpassade bildigenkänningsmodeller och kräver att användaren inte har någon maskininlärningsexpertis.
Molnbaserade maskininlärningstjänster utvecklas ständigt. Amazon erbjuder nu en mängd AWS-erbjudanden som är utformade för att effektivisera processen att träna upp maskininlärningsmodeller och nyligen lanserade Amazon SageMaker Clarify, ett verktyg för att hjälpa organisationer att utrota fördomar och obalanser i träningsdata som kan leda till snedställda förutsägelser av den utbildade modellen .
För de företag som inte vill bygga sin egen maskin = lärande modeller utan istället vill konsumera AI-drivna on-demand-tjänster, som röst-, vision- och språkigenkänning, utmärker Microsoft Azure sig för bredden av tjänster på erbjuds, följt tätt av Google Cloud Platform och sedan AWS. Samtidigt försöker IBM, tillsammans med sina mer allmänna erbjudanden på begäran, också att sälja sektorsspecifika AI-tjänster riktade mot allt från sjukvård till detaljhandel, gruppera dessa erbjudanden under sitt IBM Watson-paraply och ha investerat 2 miljarder dollar i att köpa The Weather Kanal för att låsa upp en massa data för att utöka sina AI-tjänster.
Vilka av de stora teknikföretagen vinner AI-loppet?
Bild: Jason Cipriani/ZDNet
Internt använder varje teknikjätt och andra som Facebook AI för att driva otaliga offentliga tjänster: att visa sökresultat, erbjuda rekommendationer, känna igen människor och saker på foton, on-demand översättning, upptäcka skräppost – listan är omfattande. >
Men en av de mest synliga manifestationerna av detta AI-krig har varit uppkomsten av virtuella assistenter, som Apples Siri, Amazons Alexa, Google Assistant och Microsoft Cortana.
Förlitar sig starkt på röstigenkänning och bearbetning av naturliga språk och behöver en enorm corpus att använda för att svara på frågor, en stor mängd teknik går till att utveckla dessa assistenter.
Men även om Apples Siri kanske har kommit framträdande först , det är Google och Amazon vars assistenter sedan har överträffat Apple i AI-rymden – Google Assistant med sin förmåga att svara på ett brett spektrum av frågor och Amazons Alexa med det enorma antalet “Färdigheter” som tredjepartsutvecklare har skapat för att lägga till till dess funktioner.
Med tiden får dessa assistenter förmågor som gör dem mer lyhörda och bättre kan hantera de typer av frågor som människor ställer i regelbundna samtal. Till exempel erbjuder Google Assistant nu en funktion som heter Fortsatt konversation, där en användare kan ställa uppföljningsfrågor till sin första fråga, till exempel “Hur är vädret idag?”, Följt av “Vad sägs om imorgon?” och systemet förstår uppföljningsfrågan relaterar också till vädret.
Dessa assistenter och tillhörande tjänster kan också hantera mycket mer än bara tal, med den senaste inkarnationen av Google Lens som kan översätta text till bilder och låta dig söka efter kläder eller möbler med foton.
Trots att den är inbyggd i Windows 10 har Cortana haft en särskilt tuff tid för sent, med Amazons Alexa nu tillgänglig gratis på Windows 10-datorer. Samtidigt uppdaterade Microsoft Cortanas roll i operativsystemet för att fokusera mer på produktivitetsuppgifter, som att hantera användarens schema, snarare än mer konsumentfokuserade funktioner som finns i andra assistenter, som att spela musik.
Vilka länder är ledande inom AI?
Det skulle vara ett stort misstag att tro att de amerikanska tekniska giganterna har sydd området AI. Kinesiska företag Alibaba, Baidu och Lenovo investerar kraftigt i AI inom områden som sträcker sig från e-handel till autonom körning. Som land strävar Kina efter en trestegsplan för att göra AI till en kärnindustri för landet, en som kommer att vara värt 150 miljarder yuan (22 miljarder dollar) i slutet av 2020 för att bli världens ledande AI-makt 2030.
Baidu har investerat i att utveckla självkörande bilar, som drivs av dess djupinlärningsalgoritm, Baidu AutoBrain. Efter flera år av tester, med sin Apollo självkörande bil som har samlat mer än tre miljoner mil körning i tester, transporterade den över 100 000 passagerare i 27 städer över hela världen.
Baidu lanserade en flotta på 40 Apollo Go Robotaxis i Peking i år. Företagets grundare har förutspått att självkörande fordon kommer att vara vanligt i Kinas städer inom fem år.
Kombinationen av svaga sekretesslagar, enorma investeringar, samordnad datainsamling och stor dataanalys av stora företag som Baidu, Alibaba och Tencent, innebär att vissa analytiker tror att Kina kommer att ha en fördel jämfört med USA när det gäller framtida AI-forskning , med en analytiker som beskriver chansen att Kina tar ledningen över USA som 500 till 1 i Kinas favör.
Baidus självkörande bil, en modifierad BMW 3-serie.
Bild: Baidu
Hur kan jag komma igång med AI?
Medan du kan köpa en måttligt kraftfull Nvidia GPU för din dator – någonstans runt Nvidia GeForce RTX 2060 eller snabbare – och börja träna en maskininlärningsmodell, är förmodligen det enklaste sättet att experimentera med AI-relaterade tjänster via molnet.
Alla de stora teknikföretagen erbjuder olika AI-tjänster, från infrastruktur för att bygga och utbilda dina egna maskininlärningsmodeller till webbtjänster som ger dig tillgång till AI-drivna verktyg som tal, språk, vision och känsla erkännande på begäran.
Hur kommer AI att förändra världen?
Robotar och bilar utan förare
Lusten efter att robotar ska kunna agera självständigt och förstå och navigera i världen runt dem innebär att det finns en naturlig överlappning mellan robotik och AI. Medan AI bara är en av de tekniker som används inom robotik, hjälper AI robotar att flytta in i nya områden som självkörande bilar, leveransrobotar och hjälper robotar att lära sig nya färdigheter. I början av 2020 avslöjade General Motors och Honda Cruise Origin, en eldriven förarlös bil och Waymo, den självkörande gruppen i Googles förälder Alphabet, öppnade nyligen sin robotaxitjänst för allmänheten i Phoenix, Arizona, med en tjänst som täcker ett område på 50 kvadratkilometer i staden.
Falska nyheter
Vi är på väg att ha neurala nätverk som kan skapa fotorealistiska bilder eller replikera någons röst på ett perfekt sätt. Med det kommer potentialen för enormt störande social förändring, som att inte längre kunna lita på video- eller ljudfilmer som äkta. Bekymmer börjar också tas upp om hur sådan teknik kommer att användas för att missanpassa människors bilder, med verktyg som redan skapats för att övertyga kända ansikten i vuxna filmer.
Tal- och språkigenkänning
Maskininlärningssystem har hjälpt datorer att känna igen vad folk säger med en noggrannhet på nästan 95%. Microsofts artificiella intelligens- och forskargrupp rapporterade också att de hade utvecklat ett system som transkriberar talad engelska lika exakt som mänskliga transkriberare.
Med forskare som strävar efter ett mål på 99% noggrannhet, förvänta dig att tala med datorer blir allt vanligare tillsammans med mer traditionella former av interaktion mellan människa och maskin.
Under tiden orsakade OpenAI: s språkprognosmodell GPT-3 nyligen en uppståndelse med sin förmåga att skapa artiklar som kunde passera som skrivna av en människa.
Ansiktsigenkänning och övervakning
Under de senaste åren har noggrannheten i ansiktsigenkänningssystem hoppat framåt, till den punkt där den kinesiska teknikjätten Baidu säger att den kan matcha ansikten med 99% noggrannhet, förutsatt att ansiktet är tillräckligt tydligt på videon. Medan polisstyrkor i västländer i allmänhet bara testat med ansiktsigenkänningssystem vid stora evenemang, håller Kina på att införa ett landsomfattande program för att ansluta CCTV över hela landet till ansiktsigenkänning och använda AI-system för att spåra misstänkta och misstänkta beteenden. och har också utökat polisens användning av ansiktsigenkänningsglasögon.
Även om integritetsbestämmelserna varierar globalt är det troligt att denna mer påträngande användning av AI-teknik – inklusive AI som kan känna igen känslor – gradvis kommer att bli mer utbredd. En växande motreaktion och frågor om ansiktsigenkänningssystemens rättvisa har dock lett till att Amazon, IBM och Microsoft har pausat eller stoppat försäljningen av dessa system till brottsbekämpning.
Hälso- och sjukvård
AI kan så småningom ha en dramatisk inverkan på sjukvården, hjälpa radiologer att plocka ut tumörer i röntgenstrålar, hjälpa forskare att upptäcka genetiska sekvenser relaterade till sjukdomar och identifiera molekyler som kan leda till mer effektiva läkemedel. Det senaste genombrottet från Googles maskininlärningssystem AlphaFold 2 förväntas minska tiden det tar under ett nyckelsteg när nya läkemedel utvecklas från månader till timmar.
Det har genomförts prövningar av AI-relaterad teknik på sjukhus över hela världen. Dessa inkluderar IBMs Watson kliniska beslutsstödverktyg, som onkologer tränar vid Memorial Sloan Kettering Cancer Center, och användningen av Google DeepMind-system av Storbritanniens National Health Service, där det kommer att hjälpa till att upptäcka ögonavvikelser och effektivisera processen för screening av patienter för huvud och nackcancer.
Förstärkning av diskriminering och partiskhet
En växande oro är hur maskininlärningssystem kan kodifiera de mänskliga fördomar och samhällsskillnader som återspeglas i deras träningsdata. Denna rädsla har bekräftats av flera exempel på hur brist på variation i de data som används för att träna sådana system har negativa verkliga konsekvenser.
År 2018 fann en MIT- och Microsofts forskningspapper att ansiktsigenkänningssystem som såldes av stora teknikföretag led av felprocent som var betydligt högre när man identifierade personer med mörkare hud, en fråga som tillskrivs att träningsdatamängder huvudsakligen består av vita män.
En annan studie ett år senare betonade att Amazons Rekognition-ansiktsigenkänningssystem hade problem med att identifiera kön hos individer med mörkare hud, en avgift som utmanades av Amazon-chefer, vilket fick en av forskarna att ta itu med de punkter som togs upp i Amazon-motbeviset.
Sedan studierna publicerades har många av de stora teknikföretagen, åtminstone tillfälligt, upphört med att sälja ansiktsigenkänningssystem till polisavdelningar.
Ett annat exempel på otillräckligt varierande utbildningsdata som förvrängde resultaten gjorde rubriker 2018 när Amazon skrotade ett rekryteringsverktyg för maskininlärning som identifierade manliga sökande som föredragna. Idag pågår forskning om sätt att kompensera för fördomar i självlärningssystem.
AI och global uppvärmning
När storleken på maskininlärningsmodeller och datauppsättningar som används för att träna dem växer, ökar koldioxidavtrycket för de stora beräkningsklusterna som formar och kör dessa modeller. Miljöpåverkan av att driva och kyla dessa beräkningsanläggningar var föremål för ett dokument från World Economic Forum 2018. En uppskattning från 2019 var att den kraft som krävs av maskininlärningssystem fördubblas var 3,4 månader.
Frågan om den enorma mängd energi som behövs för att träna kraftfulla maskininlärningsmodeller togs nyligen i fokus genom lanseringen av språkprognosmodellen GPT-3, ett spretande neuralt nätverk med cirka 175 miljarder parametrar.
Medan de resurser som behövs för att utbilda sådana modeller kan vara enorma och i stort sett bara tillgängliga för stora företag, är den energi som behövs för att driva dessa modeller en gång utbildad betydligt mindre. Eftersom efterfrågan på tjänster baserade på dessa modeller växer, blir emellertid strömförbrukningen och den resulterande miljöpåverkan ett problem.
Ett argument är att miljöpåverkan av utbildning och körning av större modeller måste vägas mot den potentiella maskininlärningen måste ha en betydande positiv inverkan, till exempel desto snabbare framsteg inom hälso- och sjukvården som ser ut troligt efter genombrottet från Google DeepMinds AlphaFold 2.
Kommer AI att döda oss alla?
Återigen beror det på vem du frågar. I takt med att AI-drivna system har blivit mer kapabla, så har varningarna om nackdelarna blivit svårare.
Tesla och SpaceX VD Elon Musk har hävdat att AI är en “grundläggande risk för existensen av mänsklig civilisation”. Som en del av hans strävan efter starkare tillsyn och mer ansvarsfull forskning för att mildra nackdelarna med AI, startade han OpenAI, ett ideellt forskningsföretag för artificiell intelligens som syftar till att främja och utveckla vänlig AI som kommer att gynna samhället som helhet. På samma sätt varnade den uppskattade fysikern Stephen Hawking att när en tillräckligt avancerad AI har skapats kommer den snabbt att gå fram till den punkt där den kraftigt överträffar mänskliga förmågor. Ett fenomen kallas en singularitet och kan utgöra ett existentiellt hot mot mänskligheten.
Uppfattningen att mänskligheten är på väg mot en AI-explosion som kommer att dvärga vårt intellekt verkar dock löjligt för vissa AI-forskare.
Chris Bishop, Microsofts forskningsdirektör i Cambridge, England, betonar hur annorlunda den smala intelligens av AI idag kommer från människors allmänna intelligens och säger att när människor oroar sig för “Terminator och uppkomsten av maskinerna och så vidare? Fullständigt nonsens, ja. I bästa fall är sådana diskussioner årtionden borta.”
< h2> Kommer en AI att stjäla ditt jobb?
Amazon
Möjligheten att artificiellt intelligenta system ersätter mycket av modern manuell arbetskraft är kanske en mer trovärdig framtid möjlighet.
Medan AI inte kommer att ersätta alla jobb, verkar det vara säkert att AI kommer att förändra arbetets karaktär, med den enda frågan hur snabbt och hur djupgående automatisering kommer att förändra arbetsplatsen.
Det finns knappt ett fält av mänsklig strävan att AI inte har potential att påverka. Som AI-expert Andrew Ng uttrycker det: “många människor gör rutinmässiga, repetitiva jobb. Tyvärr är tekniken särskilt bra för att automatisera rutinmässigt, repetitivt arbete” och säger att han ser en “betydande risk för teknisk arbetslöshet under de närmaste decennierna”.
Bevisen för vilka jobb som kommer att ersättas börjar dyka upp. Det finns nu 27 Amazon Go-butiker och kassörfria stormarknader där kunder bara tar saker från hyllorna och går ut i USA. Vad detta betyder för de mer än tre miljoner människorna i USA som arbetar som kassör återstår att se. Amazon leder igen vägen för att använda robotar för att förbättra effektiviteten i sina lager. Dessa robotar bär hyllor med produkter till mänskliga plockare som väljer föremål som ska skickas ut. Amazon har mer än 200 000 robotar i sina uppfyllande centra, med planer på att lägga till fler. Men Amazon betonar också att antalet robotar har ökat i takt med att antalet mänskliga arbetare har ökat i dessa lager. Amazon och små robotikföretag arbetar emellertid med att automatisera de återstående manuella jobben i lagret, så det är inte givet att manuellt arbete och robotarbete fortsätter att växa hand i hand.
Helt autonoma självkörande fordon är inte verklighet ännu, men enligt vissa förutsägelser är den självkörande lastbilsindustrin ensam redo att ta över 1,7 miljoner jobb under det kommande decenniet, även utan att beakta effekterna på kurirer och taxichaufförer./p>
Ändå kräver några av de enklaste jobben att automatisera inte ens robotik. För närvarande finns det miljontals människor som arbetar med administration, matar in och kopierar data mellan system, jagar och bokar möten för företag eftersom programvara blir bättre på att automatiskt uppdatera system och flagga viktig information, så behovet av administratörer kommer att minska.
Som med alla tekniska förändringar kommer nya jobb att skapas för att ersätta de förlorade. Det som emellertid är osäkert är om dessa nya roller kommer att skapas tillräckligt snabbt för att erbjuda de fördrivna anställning och om de nyligen arbetslösa kommer att ha nödvändiga färdigheter eller temperament för att fylla dessa nya roller.Inte alla är pessimister. För vissa är AI en teknik som kommer att öka istället för att ersätta arbetare. Inte bara det, men de hävdar att det kommer att finnas ett kommersiellt krav att inte ersätta människor direkt, som en AI-assisterad arbetare – tänk en mänsklig concierge med ett AR-headset som berättar exakt vad en klient vill ha innan de ber om det – kommer att vara mer produktiv eller effektiv än en AI som arbetar på egen hand.
Det finns ett brett spektrum av åsikter om hur snabbt artificiellt intelligenta system kommer att överträffa mänskliga möjligheter bland AI-experter.
Oxford University's Future of Humanity Institute bad flera hundra maskininlärningsexperter att förutsäga AI-kapacitet under de kommande decennierna.
Anmärkningsvärda datum inkluderade AI-skrivuppsatser som kunde passera för att skrivas av en människa 2026, lastbilsförare var gjort överflöd 2027, AI som överträffar mänsklig kapacitet i detaljhandeln 2031, skriver en bästsäljare 2049 och gör kirurgens arbete 2053.
De uppskattade att det var en relativt stor chans att AI slår människor vid alla uppgifter inom 45 år och automatiserar alla mänskliga jobb inom 120 år.
Se mer :
IBM lägger till Watson-verktyg för läsförståelse, FAQ-extraktion .
Relaterad täckning
Hur ML och AI kommer att förändra affärsinformation och analyser
Maskininlärning och artificiell intelligens framsteg inom fem områden underlättar dataförberedelse, upptäckt, analys, förutsägelse och datadrivet beslutsfattande.
Rapport: Artificiell intelligens skapar arbetstillfällen, genererar ekonomiska vinster
En ny studie från Deloitte visar att tidiga antagande av kognitiv teknik är positiva till sin nuvarande och framtida roll.
AI och jobb: Där människor är bättre än algoritmer, och vice versa
Det är lätt att fastna i förutsägelserna om undergång och dysterhet om att artificiell intelligens utplånar miljoner jobb. Här är en verklighetskontroll.
Hur artificiell intelligens släpper loss en ny typ av cyberbrott (TechRepublic)
I stället för att gömma sig bakom en mask för att råna en bank gömmer sig nu brottslingar bakom artificiell intelligens för att göra sin attack. Finansiella institutioner kan dock också använda AI för att bekämpa dessa brott.
Elon Musk: Artificiell intelligens kan utlösa tredje världskriget (CNET)
Seriens vd kämpar redan morgondagens science fiction-strider och han är fortfarande mer bekymrad över mördaren robotar än något annat.
Relaterade ämnen:
Cloud Digital Transformation CXO Internet of Things Innovation Enterprise Software 