Este deja Apocalipsa acum?
Elon Musk a spus că inteligența artificială poate începe al treilea război mondial. Dacă producătorul mașinii cu cea mai avansată și mai mercurială inteligență artificială de pe planetă spune așa, înseamnă că există o fundație. Până de curând erau foarte puțini cărora le păsa de consecințele inovației tehnologice care făcea un pas furios. Și eram abia la început, încă nu văzusem nimic.
Apoi s-a întâmplat că discursul asupra consecințelor tehnologiei a început să se infiltreze în fiecare parte a societății, cu excepția tehnologilor care sunt convinși că sunt „în misiune pentru Dumnezeu”. Inteligența artificială este principalul acuzat de această inversare a percepției publice.
Când vine vorba de inteligență artificială, o mare parte a conversației publice tinde să se concentreze pe mai mult decât doar pierderea locurilor de muncă sau China câștigând avantajul. Dar și și mai ales de teama că mașinile inteligente vor cuceri într-o zi lumea, făcând din om o simplă verigă a lanțului alimentar. Nu asta se întâmplă în Razboiul lumilor de Huxley?
Presupunerea implicită este că oamenii și mașinile sunt în competiție. O competiție care va fi câștigată de mașină. În cele din urmă, sistemele inteligente, cu viteza lor superioară, puterea de procesare și rezistența la uzură, ne vor înlocui în cele din urmă mai întâi în profesii, apoi în organizații și în cele din urmă în decizii.
Există un studiu econometric din 2015 al Biroului Național de Cercetare Economică, un centru de cercetare care prezice tendințele economice cu suficientă acuratețe. Acest studiu a tras această concluzie din cercetările privind dezvoltarea inteligenței artificiale:
„În absența unei politici fiscale adecvate care să redistribuie de la câștigători la învinși, mașinile inteligente vor însemna mai multă sărăcie pentru toți pe termen lung”.
Două condiții care momentan par departe de a veni, dacă nu chiar concepute. Dar un lucru se întâmplă: o parte semnificativă a populației din țările dezvoltate este, de fapt, sărăcită. Și știm că sărăcirea poate avea consecințe și mai brutale decât inteligența artificială.
Inteligența aditivă
Să încercăm să vedem problema dintr-o altă perspectivă. Să ne întrebăm. Ce se întâmplă dacă operațiunea om-mașină a puterii nu ar fi substractivă, ci aditivă? Aceasta este perspectiva propusă de Paul Daugherty și James Wilson în cartea lor tradusă în final în italiană om + mașină. Regândirea muncii în era inteligenței artificiale, Guerini, 2019, p. 215 (disponibil și în ebook în coediție cu goWare).
Lucrarea lui Daugherty și Wilson nu este teoretică sau povestitoare, ci își trage considerațiile din experiența de teren dobândită de cei doi autori. De fapt, ambii dețin responsabilități principale la Accenture. Daugherty este Chief Technology and Inovation Officer, care supraveghează proiectele de inteligență artificială și cercetare și dezvoltare la nivel global. Wilson conduce departamentul IT și cercetare în afaceri.
Accenture este cea mai mare firmă de consultanță în management din lume. El respiră același aer ca și companiile, mai ales cele mari, pentru care lucrează umăr la umăr. Este dificil să existe un observator cu o vedere mai bună asupra zonei în care au loc inovații și schimbări.
Daugherty și Wilson au efectuat o analiză observațională și studii de caz a 450 de organizații dintr-un eșantion de 1500 și au identificat o serie de fenomene relevante pe care cercetările cantitative le-au ratat. Unul este conceptul de „abilități de fuziune”: bărbații și mașinile formează împreună noi tipuri de muncă și experiențe profesionale.
Tocmai această fuziune de cunoștințe și abilități este „spațiul fantomă”. Fantomă în sensul că este absentă din dezbaterea polarizantă asupra muncii care i-a pus pe oameni împotriva mașinilor. Și tocmai în acest spațiu fantomă central companiile de ultimă oră și-au reinventat procesele de lucru, obținând îmbunătățiri extraordinare ale performanței.
Mă recalific
În prefața sa la carte, Paolo Traverso, directorul Centrului FBK ICT Fondazione Bruno Kessler, rezumă foarte bine teza celor doi autori. Scrie:
Sensul lucrării este anunțat în titlu: viitorul nu stă în mașini în sine, oricât de inteligente ar fi ele, nu este în pură automatizare industrială, chiar dacă împins la maxim pentru a înlocui un procent mare din cele mai rutine. și componente cu creativitate scăzută ale fiecărei profesii. Viitorul societății, dar și al pieței și al afacerilor, este de fapt locul în care mașinile și oamenii lucrează împreună, unde meseriile, dar și modelele de afaceri vor fi substanțial reînnoite. Inteligența artificială nu trebuie să înlocuiască oamenii, abilitățile, creativitatea lor, ci trebuie să-i sporească, trebuie să-i sporească.
Pârghia fundamentală pentru ca acest lucru să se întâmple constă în ceea ce autorii numesc recalificare, adică în pregătirea a milioane de oameni de toate vârstele pentru a lucra cu noile tehnologii. O întreprindere titanică, dar inevitabilă.
Chiar și un tehnolog pocăit precum Arianna Huffington, care susține acum deconectarea, a apreciat foarte mult munca celor doi autori, care în cele din urmă merge în direcția unei absorbții a tehnologiei în condiția umană până când aceasta devine parte integrantă a acesteia. Iată cum spune Huffington despre carte:
„În Human + Machine, Daugherty și Wilson oferă un model al viitorului în care inteligența artificială ne îmbunătățește latura umană. Plină de exemple, instrucțiuni și inspirație, cartea este un ghid practic pentru înțelegerea inteligenței artificiale – ce înseamnă aceasta pentru viața noastră și cum putem profita la maximum de ea.”
Mai jos vă oferim două scurte fragmente din cartea lui Daugherty și Wilson. Primul este despre o scurtă istorie a inteligenței artificiale. Istoria servește întotdeauna la înțelegere. Al doilea, însă, ajunge la miezul problemei, discutând despre setul de constelații tehnologice care alcătuiesc inteligența artificială astăzi. În esență, inteligența artificială în această etapă de dezvoltare este practic învățarea profundă. Încă îl putem controla.
Bucurați-vă de lectură
Chat
O scurtă istorie a inteligenței artificiale
1956
Tehnologia motrice din spatele erei actuale a proceselor adaptive este inteligența artificială, care a evoluat în ultimele două decenii. Pe scurt, istoria sa ne va oferi un context în care să-i încadram caracteristicile și potențialul cel mai avansat.
Domeniul inteligenței artificiale s-a născut oficial în 1956, când un mic grup de informaticieni și cercetători condus de John McCarthy, și care includea Claude Shannon, Marvin Minsky și alții, s-au întâlnit la Dartmouth College pentru prima conferință dedicată posibilității că mașina inteligența poate imita inteligența umană.
Conferința, în esență o sesiune prelungită de brainstorming, s-a bazat pe presupunerea că fiecare aspect al învățării și creativității ar putea fi descris într-un mod atât de precis încât ar putea deveni un model matematic, prin urmare replicat de mașini. Obiectivele au fost ambițioase, pornind de la propunerea de proiectare: „Se va face orice încercare de a afla cum să se realizeze o mașină capabilă să folosească limbajul, forma, abstracțiile și conceptele, să rezolve tipuri de probleme limitate în prezent la ființe umane și să se perfecționeze pe sine” . Desigur, acesta a fost doar începutul.
Conferința a reușit imediat să restrângă domeniul și să unifice multe dintre ideile matematice care se învârteau în jurul conceptului de inteligență artificială.
Pionierii
Și în deceniile care au urmat, a inspirat domenii complet noi de cercetare. De exemplu, Minsky, împreună cu Seymour Papert, a scris ceea ce este considerată cartea de bază despre limitele și posibilitățile rețelelor neuronale, un tip de inteligență artificială care folosește neuronii biologici ca model. La acest eveniment pot fi urmărite și alte idei precum sistemele expert – în care un computer este dotat cu rezerve profunde de „cunoștințe” legate de domenii specifice precum arhitectura sau diagnosticul medical – sau procesarea limbajului natural, viziunea computerizată și robotica portabilă.
Printre participanții la conferință s-a numărat Arthur Samuel, un inginer IBM care construia un program de calculator pentru a juca dama. Programul său a evaluat starea unei table și a calculat șansele ca o anumită poziție să poată duce la victorie.
În 1959, Samuel a inventat expresia machine-learning, „învățare automată”: adică acel sector de cercetare care atribuie computerelor capacitatea de a învăța fără a fi programat în mod explicit. În 1961, programul său de învățare automată a fost folosit pentru a învinge al patrulea cel mai mare jucător de dame din Statele Unite.
Dar, din moment ce Samuel era o persoană privată și nu practica politica de auto-promovare, abia până la retragerea sa de la IBM, în 1966, importanța muncii sale privind învățarea automată a devenit cunoscută publică.
Învățare automată
În deceniile care au urmat conferinței, învățarea automată a rămas neclară, deoarece atenția s-a îndreptat către alte modele de IA. În special, cercetările efectuate în anii XNUMX și XNUMX s-au concentrat pe un concept de inteligență bazat pe simboluri fizice și manipulat de reguli logice. Aceste sisteme simbolice, însă, nu au găsit succes în practică, iar eșecul lor a dus la o perioadă cunoscută drept „iarna inteligenței artificiale”.
În anii 1990, însă, învățarea automată a început să înflorească din nou, iar susținătorii săi au adoptat statisticile integrate și teoria probabilității în abordarea lor. În același timp, a început revoluția computerului personal. În următorul deceniu, sistemele digitale, senzorii, internetul și telefoanele mobile vor deveni obișnuite, oferind tot felul de date experților în învățare automată pe măsură ce își dezvoltau sistemele adaptive.
Astăzi ne gândim la un program de învățare automată ca la un constructor de modele bazat pe seturi de date pe care inginerii și specialiștii îl folosesc pentru a instrui sistemul. Este un contrast puternic cu programarea computerizată tradițională. Algoritmii standard au urmat căi predeterminate puse în mișcare prin instrucțiuni statice sau prin codul de programator. Un sistem de învățare automată, pe de altă parte, poate învăța pe măsură ce funcționează. Cu fiecare nou set de date, își actualizează modelele și modul în care „vede” lumea. Într-o epocă în care mașinile pot învăța și se pot schimba prin experiență și informații, programatorii au devenit din ce în ce mai puțini legislatori și dictatori și mult mai mult ca profesori și antrenori.
Azi ca azi
Astăzi, sistemele de inteligență artificială care folosesc învățarea automată sunt peste tot. Băncile le folosesc pentru a se proteja de fraudă; site-urile de întâlniri le folosesc pentru a sugera potențiale potriviri; marketerii le folosesc pentru a prezice cine va răspunde favorabil unei reclame; iar site-urile de partajare a fotografiilor le folosesc pentru recunoașterea automată a feței. A parcurs un drum lung de la primul joc de dame. În 2016, Google AlphaGo a marcat un progres semnificativ în domeniu. Pentru prima dată, un computer a învins un campion al Go, un joc mult mai complex decât damele sau șahul. Ca semn al vremurilor, AlphaGo a produs mișcări atât de neașteptate încât unii observatori le-au numit creative, chiar „frumoase”.
Creșterea inteligenței artificiale și a învățării automate a fost intermitentă de-a lungul anilor, dar modul în care ambele au pătruns recent în produse și operațiuni de afaceri arată că sunt mai mult decât pregătiți pentru un rol principal. Potrivit lui Danny Lange, fost șef al departamentului de învățare automată la Uber, tehnologia a părăsit în sfârșit zidurile laboratoarelor de cercetare și devine rapid „piatra de temelie a acestei noi transformări industriale furtunoase”.
Tehnologii și aplicații inteligente: cum pot coexista?
Iată un glosar al constelației de tehnologii IA de care trebuie să fii conștient astăzi. Aceste tehnologii corespund învățării automate, capacităților de inteligență artificială și straturilor de aplicație, conform figurii de mai jos.
Componentele învățării automate
— Învățare automată (ML). Domeniul informaticii care se ocupă cu algoritmi care învață din date și din date fac predicții fără a fi nevoie să fie programați în mod explicit. Este un domeniu care își are rădăcinile în cercetările lui Arthur Samuel de la IBM, care a inventat termenul în 1959 și a folosit principiile învățării automate în munca sa despre jocurile pe calculator. Datorită exploziei de date disponibile pentru antrenarea algoritmilor, învățarea automată este utilizată în prezent în domenii la fel de diverse, precum cercetarea viziunii computerizate, investigarea fraudelor, predicția prețurilor, procesarea limbajului natural și chiar mai mult.
— Învățare supravegheată. Un tip de învățare automată în care datele preclasificate și selectate compuse din intrări exemplare și ieșiri dorite sunt prezentate unui algoritm. Scopul algoritmului este de a învăța regulile generale care conectează intrările la ieșiri și de a folosi aceste reguli pentru a prezice evenimente viitoare numai din datele de intrare.
- Învățare nesupravegheată. Algoritmul nu este furnizat cu etichete, lăsându-l singur să găsească structuri și modele de intrare. Învățarea nesupravegheată poate fi un scop în sine (în ceea ce privește descoperirea tiparelor ascunse în date) sau țintirea unui anumit lucru (de exemplu, extragerea trăsăturilor relevante din date). Învățarea nesupravegheată este mai puțin axată pe rezultate decât învățarea supravegheată și se concentrează mai mult pe explorarea datelor de intrare și deducerea structurilor ascunse și a datelor nemarcate.
- Învățare semi-supravegheată. Utilizați date etichetate și neetichetate - de obicei plus secunde. Mulți cercetători au descoperit că combinarea celor două seturi de date crește considerabil acuratețea procesului de învățare.
- Consolidarea învățării. Acesta este un tip de antrenament în care unui algoritm i se atribuie un obiectiv specific, cum ar fi operarea unui braț mecanic sau jocul Go. Fiecare mișcare pe care o face algoritmul este recompensată sau pedepsită. Feedback-ul permite algoritmului să construiască cea mai eficientă cale către obiectiv.
- Retea neurala. Un tip de învățare automată în care un algoritm, învățând din date observaționale, procesează informații într-un mod similar cu sistemul nervos uman. În 1957, Frank Rosenblatt de la Universitatea Cornell a inventat prima rețea neuronală, o arhitectură simplă, cu un singur nivel (cunoscută sub numele de rețea de suprafață).
- Învățare profundă și subseturi: rețele neuronale profunde (DNN), rețele neuronale recurente (rnn) și rețele neuronale feedforward (FNN). Set de tehnici pentru antrenarea unei rețele neuronale pe mai multe niveluri. În dnn datele „percepute” sunt procesate prin diferite niveluri; fiecare nivel folosește ca intrare ieșirile celui precedent. rnn permite datelor să circule înainte și înapoi între niveluri, spre deosebire de fnn, unde datele sunt unidirecționale.
Componente de abilități inteligente
- Sistemul predictiv. Sistem care găsește relații între variabile din seturile de date istorice cu rezultate înrudite. Relațiile sunt folosite pentru a dezvolta modele, care la rândul lor sunt folosite pentru a prezice scenarii viitoare.
— Căutare locală (optimizare). O abordare matematică a rezolvării problemelor care utilizează un set mare de soluții posibile. Algoritmul caută soluția optimă pornind de la un punct din serie și trecând iterativ și sistematic la soluțiile învecinate până când o găsește pe cea optimă.
— Reprezentarea cunoștințelor. Un domeniu al inteligenței artificiale dedicat reprezentării informațiilor despre lume într-o formă pe care computerul o poate folosi pentru a îndeplini sarcini, cum ar fi efectuarea unui diagnostic medical sau ținerea unei conversații cu o persoană.
— Sisteme experte (inferență). Un sistem care utilizează cunoștințe sectoriale (medicină, chimie, drept) combinate cu un motor bazat pe reguli care decide modul în care se aplică aceste cunoștințe. Sistemul se îmbunătățește pe măsură ce se adaugă informații noi sau pe măsură ce regulile sunt actualizate sau mărite.
— Viziune computerizată. Un domeniu dedicat predării computerelor pentru a identifica, clasifica și înțelege conținutul imaginilor și videoclipurilor, imitând și implementând viziunea umană.
— Procesarea semnalelor audio. Învățare automată care poate fi utilizată pentru a analiza semnale audio și alte semnale digitale, în special în medii cu saturație ridicată a sunetului. Aplicațiile includ vorbire computațională și procesare audio și audiovizuală.
Vorbire către text. Rețele neuronale care convertesc semnalele audio în semnale text într-o varietate de limbi naturale. Aplicațiile includ traducere, comandă și control vocal, transcriere audio și multe altele.
— Procesarea limbajului natural (NLP, procesarea limbajului natural). Un domeniu în care computerele procesează limbaje umane (naturale). Aplicațiile includ recunoașterea vorbirii, traducerea automată, analiza sentimentelor.
Componentele aplicației AI
— Agenți inteligenți. Agenți care interacționează cu oamenii prin limbajul natural. Acestea pot fi utilizate pentru a implementa forța umană în serviciul pentru clienți, resurse umane, stagii și alte domenii ale afacerii în care sunt gestionate solicitările de șabloane de întrebări frecvente.
— Robotică colaborativă (coboți). Roboți care funcționează la viteze mai mici și sunt echipați cu senzori care permit interacțiunea în siguranță cu colegii umani.
— Recunoașterea biometrică, a feței și a gesturilor. Identificați oameni, gesturi sau tendințe în măsurătorile biometrice (stres, activitate etc.) pentru interacțiunea om-mașină sau în scopuri de identificare și verificare.
— Automatizare inteligentă. Transferă unele sarcini de la om la mașină pentru a schimba drastic funcționarea tradițională. Prin potențialul și abilitățile mașinilor (viteză, amplitudine, capacitatea de a ocoli complexitatea), aceste instrumente completează munca umană și o extind acolo unde este posibil.
— Sisteme de recomandare. Ele oferă recomandări bazate pe modele subtile identificate în timp de algoritmi. Acestea pot fi direcționate către clienți pentru a sugera produse noi sau pot fi utilizate intern pentru sugestii strategice.
— Produse inteligente. Inteligența este integrată în design, astfel încât acestea să poată evolua în mod constant pentru a satisface și a anticipa nevoile și preferințele clienților.
— Personalizare. Analizați tendințele și modelele pentru clienți și angajați pentru a optimiza instrumentele și produsele pentru utilizatori individuali sau clienți.
— Recunoașterea textului, a vorbirii, a imaginii și a videoclipurilor. Interpretează datele din text, vorbire, imagini și videoclipuri și creează asocieri care pot fi folosite pentru a extinde activitățile analitice și pentru a permite aplicații avansate pentru interacțiune și viziune.
- Realitate augmentată. Combinați puterea inteligenței artificiale cu tehnologiile virtuale, augmentate și de realitate mixtă pentru a adăuga inteligență instruirii, întreținerii și altor sarcini.
