人間＋機械。人工知能の真のパラダイム

人工知能はイーロン・マスクの主張のように第三次世界大戦を引き起こすことができるか? だからこそ、未来に対しても冷静になれるのです

もうアポカリプスですか？

イーロン・マスクは、人工知能が第三次世界大戦を始めることができると言った. 地球上で最も高度で水銀の人工知能を備えた自動車のメーカーがそう言うなら、それは基盤があることを意味します. 最近まで、猛烈な一歩を踏み出した技術革新の結果を気にする人はほとんどいませんでした。そして、私たちはまだ始まったばかりで、まだ何も見ていませんでした。

その後、テクノロジーの影響に関する言説が社会のあらゆる部分に浸透し始めました。ただし、自分は「神のために使命を帯びている」と確信している技術者の間を除きます。人工知能は、この大衆の認識の逆転の主な非難者です。

AIに関して言えば、公の会話の大部分は、失業や中国の優位性以上のものに焦点を当てる傾向があります. しかし、何よりも、知的機械がいつの日か世界を征服し、人間を食物連鎖の単なるリンクにするという恐怖について. それは、 宇宙戦争 ハクスリーによる？

暗黙の前提は、人間と機械が競合しているということです。マシンが勝負する大会。最終的には、優れた速度、処理能力、耐摩耗性を備えたインテリジェントシステムが、まず専門職、次に組織、そして最終的に意思決定において私たちに取って代わるでしょう。

十分な精度で経済動向を予測する研究センターである National Bureau of Economic Research による 2015 年の計量経済学的研究があります。この研究は、人工知能の開発に関する研究から次の結論を導き出しました。

「勝者から敗者へと再配分する適切な財政政策がなければ、インテリジェントな自動車は長期的にはより多くの貧困を意味するでしょう。」

現時点では実現にはほど遠いように思われる XNUMX つの条件があります。しかし、実際には、先進国の人口のかなりの部分が貧困に陥っています。そして、貧困は人工知能よりもさらに残忍な結果をもたらす可能性があることを私たちは知っています。

付加知能

この問題を別の視点から見てみましょう。自問してみましょう。力のマンマシン操作が減算ではなく加算であるとしたら? これは、Paul Daugherty と James Wilson が最終的にイタリア語に翻訳された本で提案した視点です。 人間＋機械。人工知能時代の仕事の再考、ゲリーニ、2019年、p。 215 (goWare との共著の電子ブックでも入手可能)。

Daugherty と Wilson の作品は、理論的またはストーリーテリングではありませんが、XNUMX 人の著者が得た現場経験から考察を引き出しています。実際、どちらもアクセンチュアで主要な責任を負っています。 Daugherty は、最高技術およびイノベーション責任者であり、世界中の人工知能および R&D プロジェクトを監督しています。 Wilson は、IT およびビジネスリサーチ部門を率いています。

アクセンチュアは、世界最大の経営コンサルティング会社です。彼は、肩を並べて働いている企業、特に大企業と同じ空気を吸っています。革新と変化が起こっている地域をよりよく見渡せる展望台を持つことは困難です。

Daugherty と Wilson は、450 のサンプルから 1500 の組織の観察分析とケーススタディを実施し、定量的研究が見落としていた多くの関連現象を特定しました。 XNUMX つは「フュージョンスキル」の概念です。人間と機械が一緒になって、新しいタイプの仕事と専門的な経験を形成します。

まさにこの知識と技術の融合こそが「ゴーストスペース」です。人間と機械を戦わせてきた仕事に関する二極化した議論にはゴーストが存在しないという意味で。そして、最先端の企業が作業プロセスを再発明し、パフォーマンスの驚異的な改善を達成したのは、この中心的なファントムスペースです。

l スキルの再習得

本書の序文で、FBK ICT Fondazione Bruno Kessler Center のディレクターである Paolo Traverso は、XNUMX 人の著者の論文を非常にうまくまとめています。書いています：

仕事の意味はタイトルで発表されています。未来はマシン自体にあるわけではありません。たとえそれらがインテリジェントであっても、純粋な産業オートメーションにはありません。各職業の創造性の低いコンポーネント。社会だけでなく、市場とビジネスの未来は、機械と人が協働する場所であり、取引だけでなくビジネスモデルも大幅に刷新される場所です。人工知能は、人間やそのスキル、創造性に取って代わるものであってはなりません。

これを実現するための基本的な手段は、著者が再スキル化と呼んでいるもの、つまり、あらゆる年齢の何百万人もの人々が新しいテクノロジーで働く準備をすることにあります. 巨大だが避けられない事業。

アリアナ・ハフィントンのような悔い改めた技術者でさえ、現在は切り離しを提唱しているが、最終的に人間の状態の中に技術を吸収する方向に進み、それが人間の不可欠な部分になるというXNUMX人の著者の仕事を高く評価した. ハフィントンはこの本について次のように述べています。

«Human + Machine では、Daugherty と Wilson が、人工知能が人間の側面を強化する未来のモデルを提供しています。実例、指示、インスピレーションに満ちたこの本は、人工知能を理解するための実用的なガイドであり、人工知能が私たちの生活にとって何を意味し、どのようにそれを最大限に活用できるかを示しています。」

以下に、Daugherty と Wilson による本からの XNUMX つの短い抜粋を示します。最初は、人工知能の簡単な歴史についてです。歴史は常に理解するのに役立ちます。しかし、XNUMX つ目は、今日の人工知能を構成する一連の技術群について議論することで、問題の核心に迫ります。本質的に、この開発段階の人工知能は基本的にディープラーニングです。まだコントロールできます。

良い読書

。。。

人工知能の簡単な歴史

1956

適応プロセスの現在の時代の背後にある駆動技術は、過去 XNUMX 年間に進化してきた人工知能です。簡単に言えば、その歴史は、その最も先進的な特性と可能性を組み立てる文脈を提供してくれます。

人工知能の分野が正式に誕生したのは 1956 年で、ジョンマッカーシーが率い、クロードシャノン、マービンミンスキーなどを含むコンピューターサイエンティストと研究者の小さなグループが、ダートマスカレッジでマシンの可能性に特化した最初の会議に参加しました。知性は人間の知性を模倣することができます。

この会議は、本質的に長時間のブレインストーミングセッションであり、学習と創造性のあらゆる側面を正確な方法で記述できるため、機械で複製できる数学的モデルになるという前提に基づいていました。目標は野心的で、設計提案から始まりました。 . もちろん、それはほんの始まりに過ぎませんでした。

会議はすぐに分野を絞り込み、人工知能の概念をめぐって渦巻く多くの数学的アイデアを統合することに成功しました。

開拓者たち

そしてその後の数十年で、まったく新しい研究分野に影響を与えました。たとえば、ミンスキーはシーモアパパートと共に、モデルとして生物学的ニューロンを使用する人工知能の一種であるニューラルネットワークの限界と可能性に関する基本的な本と見なされる本を書きました。このイベントでは、建築や医療診断などの特定の分野に関連する「知識」の深い蓄えがコンピューターに搭載されているエキスパートシステムや、自然言語処理、コンピュータービジョン、ポータブルロボット工学などの他のアイデアもトレースできます。

カンファレンスの参加者の中には、チェッカーをプレイするためのコンピュータープログラムを構築していた IBM エンジニアのアーサーサミュエルがいました。彼のプログラムはボードの状態を評価し、特定のポジションが勝利につながる可能性を計算しました。

1959 年、サミュエルは機械学習という表現を作り出しました。「自動学習」とは、明示的にプログラムされていなくても学習する能力がコンピュータにあると考える研究部門のことです。 1961 年、彼の機械学習プログラムは、米国で XNUMX 番目に大きなチェッカープレーヤーを打ち負かすために使用されました。

しかし、サミュエルは私人であり、自己宣伝の政治を実践していなかったため、機械学習に関する彼の研究の重要性が一般に知られるようになったのは、1966 年に IBM を退職するまででした。

機械学習

会議に続く数十年間、機械学習はあいまいなままでしたが、注目は他の AI モデルに向けられました。特に、XNUMX 年代と XNUMX 年代に行われた研究は、物理的な記号に基づいており、論理的な規則によって操作される知性の概念に焦点を当てていました。しかし、これらの記号システムは実際には成功せず、その失敗は「人工知能の冬」として知られる時期につながりました。

しかし、1990 年代になると、機械学習が再び盛んになり、その支持者は統計と確率の統合理論をアプローチに採用しました。同時に、パソコンの革命が始まりました。次の XNUMX 年間で、デジタルシステム、センサー、インターネット、携帯電話が普及し、機械学習の専門家が適応システムを開発する際に、あらゆる種類のデータが提供されるようになりました。

今日、私たちは機械学習プログラムを、エンジニアや専門家がシステムのトレーニングに使用するデータセットベースのモデルビルダーと考えています。これは、従来のコンピュータープログラミングとはまったく対照的です。標準アルゴリズムは、静的命令またはプログラマーコードによって設定された所定の経路をたどりました。一方、機械学習システムは動作しながら学習できます。新しいデータセットごとに、モデルと世界の「見方」を更新します。マシンが経験と情報を通じて学習し、変化できる時代では、プログラマーはますます立法者や独裁者ではなくなり、教師やコーチのようになっています。

今日も今日も

今日、機械学習を採用した人工知能システムはいたるところにあります。銀行は詐欺から身を守るためにそれらを使用します。出会い系サイトは、それらを使用して潜在的な一致を提案します。マーケターはそれらを使用して、誰が広告に好意的に反応するかを予測します。写真共有サイトでは、自動顔認識に使用されています。チェッカーの最初のゲームから長い道のりが来ました。 2016 年、Google AlphaGo はこの分野で大きな進歩を遂げました。チェッカーやチェスよりもはるかに複雑なゲームである囲碁のチャンピオンに、初めてコンピューターが勝利しました。時代のしるしとして、AlphaGo は非常に予想外の動きを生み出したので、一部のオブザーバーはそれらを創造的で、「美しい」とさえ呼びました。

人工知能と機械学習の成長は何年にもわたって断続的でしたが、最近の両方が製品や事業運営に組み込まれている様子は、これらが主役になる準備ができていることを示しています。 Uber の元機械学習責任者である Danny Lange 氏によると、この技術はついに研究所の壁を離れ、急速に「この嵐のような新しい産業変革の礎石」になりつつあります。

スマートなテクノロジーとアプリケーション: どうすれば共存できるか?

ここでは、今日知っておく必要のある一連の AI テクノロジの用語集を示します。これらのテクノロジーは、以下の図のように、機械学習、人工知能機能、およびアプリケーションレイヤーに対応しています。

機械学習のコンポーネント

— 機械学習 (ML). データから学習するアルゴリズムやデータから学習するアルゴリズムを扱うコンピューターサイエンスの分野では、明示的にプログラムする必要なく予測を行います。これは、IBM の Arthur Samuel の研究にルーツを持つ分野です。Arthur Samuel は 1959 年にこの用語を作り出し、コンピューターゲームの研究で機械学習の原理を使用しました。アルゴリズムのトレーニングに使用できるデータが爆発的に増加したおかげで、機械学習は現在、コンピュータービジョン研究、不正調査、価格予測、自然言語処理など、さまざまな分野で使用されています。

— 教師あり学習. 機械学習の一種で、例示的な入力と目的の出力で構成される事前に分類および選択されたデータがアルゴリズムに提示されます。このアルゴリズムの目標は、入力を出力に結び付ける一般的なルールを学習し、これらのルールを使用して入力データのみから将来のイベントを予測することです。

- 教師なし学習. アルゴリズムにはラベルが提供されないため、構造と入力モデルを見つけるだけです。教師なし学習は、それ自体が (データ内の隠れたパターンの発見という点で) 目的である場合もあれば、特定の目的 (たとえば、データから関連する特性を抽出する) である場合もあります。教師なし学習は、教師あり学習ほど出力に重点を置いておらず、入力データの調査と、隠れた構造とマークされていないデータの推測に重点を置いています。

- 半教師あり学習. タグ付きおよびタグなしのデータを使用する - 通常は数秒。多くの研究者は、XNUMX つのデータセットを組み合わせると、学習プロセスの精度が大幅に向上することを発見しました。

— 強化学習. これは、機械の腕を操作したり、囲碁を打ったりするなど、アルゴリズムに特定の目標を割り当て、アルゴリズムが行うすべての動きに報酬または罰を与えるトレーニングの一種です。フィードバックにより、アルゴリズムは目標への最も効率的なパスを構築できます。

- ニューラルネットワーク. 観測データから学習したアルゴリズムが、人間の神経系と同様の方法で情報を処理する機械学習の一種。 1957 年、コーネル大学の Frank Rosenblatt は、最初のニューラルネットワークである単純な単一レベルアーキテクチャ (サーフェスネットワークとして知られる) を発明しました。

- 深層学習とサブセット: ディープニューラルネットワーク (DNN)、リカレントニューラルネットワーク (rnn)、およびフィードフォワードニューラルネットワーク (FNN)。マルチレベルニューラルネットワークをトレーニングするための手法のセット。 dnn では、「認識された」データがさまざまなレベルで処理されます。各レベルは、前のレベルの出力を入力として使用します。 rnn では、データが一方向である fnn とは異なり、データがレベル間を行き来することができます。