Sztuczna inteligencja (AI) to programowanie komputerów, które się uczą i dostosowują. Albo mówiąc inaczej, jest to nazwa nadana każdemu systemowi komputerowemu, który jest nauczony naśladować inteligentne zachowanie człowieka. Dotyczy to wszystkiego, od programów uczących grać w gry planszowe i tłumaczyć języki, po złożone systemy, które mogą prowadzić rozmowy podobne do ludzkich, analizować giełdę lub pomagać w diagnozowaniu problemów zdrowotnych.
Fenomen ostatnich lat
W ostatniej dekadzie nastąpił ogromny postęp, spowodowany rosnącą szybkością komputerów i wprowadzeniem technik takich jak uczenie maszynowe. W rezultacie AI staje się obecnie coraz bardziej zintegrowana ze sposobem, w jaki żyjemy, pracujemy i nadajemy sens światu. Ostatecznie przyszłość tych technologii będzie w dużej mierze zależała od tego, co ludzie zdecydują się z nimi zrobić, ale obietnica, jaką niosą ze sobą w zakresie przekształcania ludzkich wyzwań, staje się coraz bardziej oczywista.
Niepełne dane mogą prowadzić do stronniczości w AI
Na wyniki działania systemów AI mogą wpływać dane, które wzmacniają istniejące uprzedzenia występujące w świecie rzeczywistym. Ogólnie rzecz biorąc, AI tworzy stronniczość, gdy dane, z których oferuje się jej naukę, nie są kompletne i dlatego prowadzą do pewnych wyników. Ponieważ dane są jedynym sposobem uczenia się dla systemu AI, może on w końcu odtworzyć wszelkie nierówności lub uprzedzenia znalezione w oryginalnych informacjach. Na przykład, jeśli uczyłeś AI rozpoznawania butów i pokazywałeś jej tylko obrazy buty sportowe, nie nauczy się ona rozpoznawać wysokich obcasów, sandałów czy butów jako butów.
Stronniczość sprawia, że wyzwaniem jest opracowanie AI, która będzie działać dla wszystkich. Żaden system AI nie jest wystarczająco złożony, ani żaden zbiór danych wystarczająco głęboki, aby reprezentować i zrozumieć ludzkość w całej jej różnorodności. Może to stanowić głębokie wyzwania, gdy rozważa się potencjał AI do wpływania na doświadczenia prawdziwych ludzi.
Sztuczna inteligencja, która wybiera kandydatów na rozmowy kwalifikacyjne z prezesami, mogłaby nauczyć się faworyzować mężczyzn, po prostu dlatego, że otrzymała udane CV do nauki, a historycznie istniało społeczne uprzedzenie do kandydatów płci męskiej. Aby zapewnić, że systemy AI są etyczne i zmniejszają ryzyko stronniczości, programiści projektują swoje systemy i starannie kurują dane. Tylko w ten sposób można zapewnić, że systemy będą działać dobrze dla wszystkich.
Zestawy danych
Datasety to duże zbiory informacji cyfrowych, które są wykorzystywane do trenowania IA. Mogą one zawierać wszystko, od danych pogodowych, takich jak ciśnienie i temperatura powietrza, po zdjęcia, muzykę lub w istocie wszelkie inne dane, które pomagają systemowi AI w realizacji przydzielonego mu zadania.
Tak jak dziecko uczy się na przykładach, tak i maszyny. Zbiory danych są podstawą tego procesu uczenia się. Zespoły projektujące AI muszą dokładnie rozważyć dane, na których decydują się szkolić swoją AI, i mogą zbudować parametry, które pomogą systemowi nadać sens dostarczonym mu informacjom.
Ze względu na swoją skalę i złożoność, zbiory te mogą być bardzo trudne do zbudowania i dopracowania, jak np. próbki audio czy rozległe mapy obejmujące cały znany układ słoneczny. Z tego powodu zespoły projektujące AI często dzielą się zbiorami danych na rzecz społeczności naukowej, co ułatwia współpracę i zachęca do prowadzenia badań.
Edukacja maszynowa
Uczenie maszynowe pozwala systemom AI wymyślać własne rozwiązania, a nie być zaprogramowanym na zestaw odpowiedzi: AI uczy się sama poprzez dane i doświadczenie. W tradycyjnym programowaniu, gdybyś chciał nauczyć komputer rysować kota, musiałbyś dokładnie wyjaśnić proces rysowania. Dzięki uczeniu maszynowemu karmisz system AI tysiącami szkiców kotów do przeanalizowania i pozwalasz mu samodzielnie szukać wzorców. Z czasem zaczyna rozpoznawać cechy, które składają się na kota, takie jak spiczaste uszy i wąsiska, i rozwija bardziej elastyczne i zniuansowane rozumienie tego, co stanowi „koci szkic”.
Dzięki tym możliwościom wykrywania wzorców, uczenie maszynowe pomaga systemom sztucznej inteligencji nadać sens dużym ilościom danych. Uczenie maszynowe może wykonać pewne zadania z dużą szybkością i skalą: konserwatorzy przyrody używają go do analizy miesięcy podwodnych nagrań, aby określić wzorce migracji wielorybów, podczas gdy lekarze używają go do badania wielu skanów jednocześnie, aby zidentyfikować wczesne oznaki choroby.
Test Turinga
Test Turinga ma proste założenie: „jeśli człowiek może prowadzić pięciominutową rozmowę, nie zdając sobie sprawy, że rozmawia z maszyną, to komputer przechodzi test”. Wynaleziony w latach pięćdziesiątych XX wieku test położył podwaliny pod to, co obecnie nazywamy AI, pytając, czy możliwe jest, aby maszyna naśladowała ludzkie myśli.
Co ciekawe, wiele z dotychczasowych udanych systemów potrafiło przekonać kogoś, że rozmawia z człowiekiem, nie w formie przekonującej ludzkiej rozmowy, ale z błędami ortograficznymi lub gramatycznymi. Umiejętności wymagane do tego, by sprawiać wrażenie człowieka i zdać egzamin, niekoniecznie są związane z „inteligencją” i „myśleniem”.
Test Turinga skłonił jednak wielu naukowców i inżynierów do zastanowienia się nad tym, co czyni nas z natury ludźmi i zainspirował zespoły projektujące AI do dążenia do stworzenia systemów komputerowych, które będą wchodzić w interakcje w bardziej naturalny, podobny do ludzkiego sposób.