Şimdi zaten Kıyamet mi?
Elon Musk, Yapay Zekanın Üçüncü Dünya Savaşını Başlatabileceğini Söyledi. Gezegendeki en gelişmiş ve değişken yapay zekaya sahip otomobilin üreticisi böyle diyorsa ortada bir temel var demektir. Yakın zamana kadar, çılgınca bir adım atan teknolojik yeniliğin sonuçlarını önemseyen çok az kişi vardı. Ve daha yolun başındaydık, henüz bir şey görmemiştik.
Sonra, teknolojinin sonuçlarına ilişkin söylem, "Tanrı için bir görevde" olduklarına ikna olmuş teknoloji uzmanları dışında, toplumun her kesimine sızmaya başladı. Yapay zeka, kamu algısının bu tersine çevrilmesinin ana suçlayıcısıdır.
Yapay zeka söz konusu olduğunda, kamuya açık konuşmaların büyük bir kısmı, iş kayıplarından veya Çin'in üstünlüğü ele geçirmesinden daha fazlasına odaklanma eğilimindedir. Ama aynı zamanda ve her şeyden önce, akıllı makinelerin bir gün dünyayı fethederek insanı besin zincirinde sadece bir halka haline getireceği korkusu. olay bu değil Dünyaların Savaşı Huxley tarafından mı?
Örtülü varsayım, insanların ve makinelerin rekabet halinde olduğudur. Makinenin kazanacağı bir yarışma. Eninde sonunda akıllı sistemler, üstün hızları, işlem güçleri ve aşınma ve yıpranmaya karşı dirençleri ile önce mesleklerde, sonra organizasyonlarda ve nihayet kararlarda yerimizi alacak.
Ekonomik eğilimleri yeterli doğrulukla tahmin eden bir araştırma merkezi olan Ulusal Ekonomik Araştırma Bürosu tarafından 2015 ekonometrik bir çalışma var. Bu çalışma, yapay zekanın gelişimi üzerine yapılan araştırmalardan şu sonucu çıkardı:
"Kazananlardan kaybedenlere yeniden dağıtan yeterli bir maliye politikasının yokluğunda, akıllı arabalar uzun vadede herkes için daha fazla yoksulluk anlamına gelecektir."
Henüz tasavvur edilmemiş olsa bile, şu anda gelmekten uzak görünen iki koşul. Ancak bir şey oluyor: gelişmiş ülkelerdeki nüfusun önemli bir kısmı aslında yoksul. Yoksulluğun yapay zekadan bile daha acımasız sonuçları olabileceğini biliyoruz.
ek zeka
Olaya farklı bir açıdan bakmaya çalışalım. Kendimize soralım. Ya gücün insan-makine işlemi eksiltici değil de toplamsal olsaydı? Paul Daugherty ve James Wilson'ın nihayet İtalyancaya çevrilen kitaplarında öne sürdükleri bakış açısı budur. insan + makine Yapay zeka çağında işi yeniden düşünmek, Guerini, 2019, s. 215 (goWare ile birlikte e-kitap olarak da mevcuttur).
Daugherty ve Wilson'ın çalışması teorik veya hikaye anlatımı değil, düşüncelerini iki yazarın edindiği saha deneyiminden alıyor. Aslında, her ikisi de Accenture'da birincil sorumluluklara sahiptir. Daugherty, dünya çapında Yapay Zeka ve Ar-Ge projelerini denetleyen Baş Teknoloji ve İnovasyon Sorumlusudur. Wilson, BT ve İş Araştırma departmanının başkanıdır.
Accenture, dünyanın en büyük yönetim danışmanlığı firmasıdır. Omuz omuza çalıştığı şirketler başta olmak üzere büyük şirketlerle aynı havayı soluyor. Yeniliklerin ve değişikliklerin meydana geldiği alanı daha iyi gören bir gözlemevine sahip olmak zordur.
Daugherty ve Wilson, 450 kişilik bir örneklemde 1500 kuruluşun gözlemsel bir analizini ve vaka incelemelerini yürüttüler ve nicel araştırmanın gözden kaçırdığı bir dizi ilgili olguyu belirlediler. Biri "füzyon becerisi" kavramıdır: insanlar ve makineler birlikte yeni iş türleri ve profesyonel deneyimler oluşturur.
Bilgi ve becerilerin tam olarak bu birleşimi "hayalet alan"dır. İnsanları makinelerle karşı karşıya getiren iş konusundaki kutuplaştırıcı tartışmada yer almaması anlamında hayalet. Ve en ileri teknolojiye sahip şirketler, performansta olağanüstü iyileştirmeler elde ederek iş süreçlerini yeniden icat ettikleri bu merkezi hayalet alandadır.
yeniden beceri kazanma
FBK ICT Fondazione Bruno Kessler Merkezi direktörü Paolo Traverso, kitabın önsözünde iki yazarın tezlerini çok iyi özetliyor. Yazıyor:
İşin anlamı başlıkta açıklanıyor: Gelecek, ne kadar akıllı olursa olsun, kendi başına makinelerde yatmıyor, en rutin işlerin yüksek bir yüzdesini değiştirmek için maksimuma çıkarılsa bile, saf endüstriyel otomasyonda değil. ve her mesleğin düşük yaratıcılık bileşenleri. Toplumun, ama aynı zamanda pazarın ve iş dünyasının geleceği aslında makinelerin ve insanların birlikte çalıştığı, ticaretin ve aynı zamanda iş modellerinin önemli ölçüde yenileneceği yerde. Yapay zeka insanların, becerilerinin, yaratıcılıklarının yerini almamalı ama onları geliştirmeli, artırmalı.
Bunun gerçekleşmesi için temel kaldıraç, yazarların yeniden beceri kazanma dediği şeyde, yani her yaştan milyonlarca insanı yeni teknolojilerle çalışmaya hazırlamakta yatıyor. Muazzam ama kaçınılmaz bir girişim.
Artık kopukluğu savunan Arianna Huffington gibi tövbekar bir teknoloji uzmanı bile, iki yazarın, nihayetinde teknolojinin insanlık durumunun ayrılmaz bir parçası haline gelene kadar özümsenmesi yönündeki çalışmalarını büyük ölçüde takdir etti. Huffington kitap hakkında şunları söylüyor:
«Human + Machine'de, Daugherty ve Wilson, yapay zekanın insan tarafımızı geliştirdiği bir gelecek modeli sunuyor. Örnekler, talimatlar ve ilhamla dolu bu kitap, yapay zekanın yaşamlarımız için ne anlama geldiğini ve ondan en iyi şekilde nasıl yararlanabileceğimizi anlamak için pratik bir rehber."
Aşağıda, Daugherty ve Wilson'ın kitabından iki kısa alıntı sunuyoruz. İlki, yapay zekanın kısa bir tarihi hakkındadır. Tarih her zaman anlamaya hizmet eder. Ancak ikincisi, günümüzde yapay zekayı oluşturan teknoloji takımyıldızlarını tartışarak konunun özüne iniyor. Özünde, gelişimin bu aşamasındaki yapay zeka temel olarak derin öğrenmedir. Hala kontrol edebiliyoruz.
Okumanın tadını çıkarın
. . .
Yapay zekanın kısa tarihi
1956
Mevcut uyarlanabilir süreçler çağının arkasındaki itici teknoloji, son yirmi yılda gelişen yapay zekadır. Kısaca tarihi, bize en gelişmiş özelliklerini ve potansiyelini çerçevelemek için bir bağlam sağlayacaktır.
Yapay zeka alanı resmi olarak 1956'da, John McCarthy liderliğindeki ve Claude Shannon, Marvin Minsky ve diğerlerinin de dahil olduğu küçük bir bilgisayar bilimcisi ve araştırmacı grubu Dartmouth College'da makinenin olasılığına adanmış ilk konferans için bir araya geldiğinde doğdu. zeka, insan zekasını taklit edebilir.
Esasen uzun bir beyin fırtınası oturumu olan konferans, öğrenmenin ve yaratıcılığın her yönünün, matematiksel bir model haline gelebilecek ve dolayısıyla makineler tarafından kopyalanabilecek kadar kesin bir şekilde tanımlanabileceği varsayımına dayanıyordu. Tasarım önerisinden başlayarak hedefler iddialıydı: "Dil, biçim, soyutlamalar ve kavramları kullanabilen, şu anda insanlarla sınırlı olan sorun türlerini çözebilen ve kendini geliştirebilen bir makinenin nasıl yapılacağını bulmak için her türlü girişimde bulunulacaktır." . Tabii ki, bu sadece başlangıçtı.
Konferans, alanı daraltmayı ve yapay zeka kavramı etrafında dönen matematiksel fikirlerin çoğunu birleştirmeyi hemen başardı.
Öncüler
Ve takip eden yıllarda tamamen yeni araştırma alanlarına ilham verdi. Örneğin Minsky, Seymour Papert ile birlikte, biyolojik nöronları model olarak kullanan bir tür yapay zeka olan sinir ağlarının sınırları ve olasılıkları hakkında temel kitap olarak kabul edilen kitabı yazdı. Bir bilgisayarın mimari veya tıbbi teşhis gibi belirli alanlarla ilgili derin "bilgi" rezervleriyle donatıldığı uzman sistemler veya doğal dil işleme, bilgisayar görüşü ve taşınabilir robotik gibi diğer fikirlerin de izleri bu etkinlikte izlenebilir.
Konferansa katılanlar arasında dama oynamak için bir bilgisayar programı geliştiren bir IBM mühendisi olan Arthur Samuel de vardı. Programı bir tahtanın durumunu değerlendirdi ve belirli bir pozisyonun zafere götürme şansını hesapladı.
1959'da Samuel, makine öğrenimi, "otomatik öğrenme" ifadesini icat etti: yani bilgisayarlara açıkça programlanmadan öğrenme yeteneği atfeden araştırma sektörü. 1961'de makine öğrenimi programı, Amerika Birleşik Devletleri'ndeki dördüncü en büyük dama oyuncusunu yenmek için kullanıldı.
Ancak Samuel özel bir kişi olduğundan ve kendini tanıtma siyaseti uygulamadığından, makine öğrenimi konusundaki çalışmalarının önemi 1966'da IBM'den emekli olana kadar kamuoyu tarafından bilinmedi.
Makine öğrenme
Konferansı takip eden on yıllarda, dikkatler diğer yapay zeka modellerine çevrilirken makine öğrenimi belirsizliğini korudu. Özellikle XNUMX'lerde ve XNUMX'lerde yapılan araştırmalar, fiziksel sembollere dayalı ve mantıksal kurallarla manipüle edilen bir zeka kavramına odaklandı. Ancak bu sembolik sistemler pratikte başarılı olamadı ve başarısızlıkları "yapay zekanın kışı" olarak bilinen bir döneme yol açtı.
Ancak 1990'larda makine öğrenimi yeniden gelişmeye başladı ve savunucuları yaklaşımlarında entegre istatistik ve olasılık teorisini benimsedi. Aynı zamanda kişisel bilgisayar devrimi başladı. Önümüzdeki on yılda, dijital sistemler, sensörler, İnternet ve cep telefonları, uyarlanabilir sistemlerini geliştirirken makine öğrenimi uzmanlarına her türlü veriyi sağlayarak sıradan hale gelecekti.
Bugün bir makine öğrenimi programını, mühendislerin ve uzmanların sistemi eğitmek için kullandıkları veri kümesi tabanlı bir model oluşturucu olarak düşünüyoruz. Geleneksel bilgisayar programcılığıyla tam bir tezat oluşturuyor. Standart algoritmalar, statik talimatlar veya programcı kodu tarafından harekete geçirilen önceden belirlenmiş yolları takip etti. Öte yandan, bir makine öğrenimi sistemi çalışırken öğrenebilir. Her yeni veri seti ile modellerini ve dünyayı nasıl "gördüğünü" günceller. Makinelerin deneyim ve bilgi yoluyla öğrenip değişebildiği bir çağda, programcılar giderek daha az yasa koyucu ve diktatör ve daha çok öğretmen ve koç gibi hale geldi.
Bugün olarak bugün
Bugün, makine öğrenimini kullanan yapay zeka sistemleri her yerde. Bankalar bunları kendilerini dolandırıcılıktan korumak için kullanır; flört siteleri bunları potansiyel eşleşmeler önermek için kullanır; pazarlamacılar, bir reklama kimin olumlu yanıt vereceğini tahmin etmek için bunları kullanır; ve fotoğraf paylaşım siteleri bunları otomatik yüz tanıma için kullanır. İlk dama oyunundan bu yana çok yol kat edildi. 2016 yılında, Google AlphaGo bu alanda önemli bir ilerleme kaydetti. İlk kez bir bilgisayar, dama veya satrançtan çok daha karmaşık bir oyun olan Go'nun bir şampiyonunu yendi. AlphaGo, zamanın bir işareti olarak o kadar beklenmedik hareketler üretti ki, bazı gözlemciler onları yaratıcı, hatta "güzel" olarak nitelendirdi.
Yapay zeka ve makine öğrenimindeki büyüme yıllar içinde kesintili oldu, ancak son zamanlarda her ikisinin de ürünlere ve iş operasyonlarına girme şekli, başrol için fazlasıyla hazır olduklarını gösteriyor. Uber'de eski makine öğrenimi başkanı Danny Lange'ye göre, teknoloji nihayet araştırma laboratuvarlarının duvarlarını terk etti ve hızla "bu fırtınalı yeni endüstriyel dönüşümün mihenk taşı" haline geliyor.
Akıllı teknolojiler ve uygulamalar: nasıl bir arada var olabilirler?
İşte bugün farkında olmanız gereken yapay zeka teknolojileri takımyıldızının bir sözlüğü. Bu teknolojiler, aşağıdaki şekle göre makine öğrenimi, yapay zeka yetenekleri ve uygulama katmanlarına karşılık gelir.
Makine öğreniminin bileşenleri
— Makine öğrenimi (ML). Verilerden ve verilerden öğrenen algoritmalarla ilgilenen bilgisayar bilimi alanı, açıkça programlanmaya ihtiyaç duymadan tahminler yapar. Kökleri, terimi 1959'da icat eden ve bilgisayar oyunları üzerine yaptığı çalışmalarda makine öğrenimi ilkelerini kullanan IBM'den Arthur Samuel'in araştırmasına dayanan bir alandır. Algoritmaları eğitmek için mevcut olan verilerin patlaması sayesinde, makine öğrenimi şu anda bilgisayarla görme araştırması, dolandırıcılık soruşturması, fiyat tahmini, doğal dil işleme ve daha fazlası gibi çok çeşitli alanlarda kullanılıyor.
— denetimli öğrenme. Örnek girdiler ve istenen çıktılardan oluşan önceden sınıflandırılmış ve seçilmiş verilerin bir algoritmaya sunulduğu bir makine öğrenmesi türü. Algoritmanın amacı, girdileri çıktılara bağlayan genel kuralları öğrenmek ve bu kuralları yalnızca girdi verilerinden gelecekteki olayları tahmin etmek için kullanmaktır.
- denetimsiz öğrenme. Algoritma etiketlerle sağlanmaz, yapıları ve girdi modellerini bulma işini kendi haline bırakır. Denetimsiz öğrenme, kendi başına bir amaç (verilerdeki gizli kalıpları keşfetme açısından) veya belirli bir şeyi amaçlayabilir (örneğin, verilerden ilgili özellikleri çıkarmak). Denetimsiz öğrenme, denetimli öğrenmeye göre çıktıya daha az odaklanır ve daha çok girdi verilerini keşfetmeye ve gizli yapıları ve işaretlenmemiş verileri çıkarmaya odaklanır.
- Yarı denetimli öğrenme. Etiketli ve etiketsiz verileri kullanın - genellikle artı saniye. Birçok araştırmacı, iki veri setinin kombinasyonunun öğrenme sürecinin doğruluğunu önemli ölçüde artırdığını bulmuşlardır.
— Takviyeli öğrenme. Bu, bir algoritmaya mekanik bir kolu çalıştırmak veya Go oynamak gibi belirli bir hedefin atandığı bir eğitim türüdür. Algoritmanın yaptığı her hareket ödüllendirilir veya cezalandırılır. Geri bildirim, algoritmanın hedefe giden en verimli yolu oluşturmasına olanak tanır.
- sinir ağı. Gözlemsel verilerden öğrenen bir algoritmanın bilgiyi insan sinir sistemine benzer bir şekilde işlediği bir tür makine öğrenimi. 1957'de Cornell Üniversitesi'nden Frank Rosenblatt, basit, tek seviyeli bir mimari (yüzey ağı olarak bilinir) olan ilk sinir ağını icat etti.
- Derin öğrenme ve alt kümeler: derin sinir ağları (DNN), tekrarlayan sinir ağları (rnn) ve ileri beslemeli sinir ağları (FNN). Çok seviyeli bir sinir ağını eğitmek için teknikler seti. dnn'de "algılanan" veriler farklı düzeylerde işlenir; her seviye bir öncekinin çıktılarını girdi olarak kullanır. rnn, verilerin tek yönlü olduğu fnn'den farklı olarak, verilerin düzeyler arasında ileri geri akmasına izin verir.
Akıllı beceri bileşenleri
— Tahmin sistemi. İlgili sonuçlarla tarihsel veri kümelerindeki değişkenler arasındaki ilişkileri bulan sistem. İlişkiler, sırayla gelecekteki senaryoları tahmin etmek için kullanılan modeller geliştirmek için kullanılır.
— Yerel arama (optimizasyon). Çok sayıda olası çözümden yararlanan problem çözmeye yönelik matematiksel bir yaklaşım. Algoritma, serideki bir noktadan başlayarak en uygun çözümü arar ve en uygun olanı bulana kadar yinelemeli ve sistematik olarak komşu çözümlere doğru hareket eder.
— Bilginin temsili. Tıbbi teşhis koymak veya bir kişiyle sohbet etmek gibi görevleri gerçekleştirmek için bilgisayarın kullanabileceği bir biçimde dünya hakkındaki bilgileri sunmaya adanmış bir yapay zeka alanı.
— Uzman sistemler (çıkarım). Sektörel bilgiyi (tıp, kimya, hukuk) kullanan bir sistem ile bu bilginin nasıl uygulanacağına karar veren kurallara dayalı bir motor. Yeni bilgiler eklendikçe veya kurallar güncellendikçe veya artırıldıkça sistem gelişir.
- Bilgisayar görüşü. İnsan vizyonunu taklit eden ve uygulayan, bilgisayarlara görüntülerin ve videoların içeriğini tanımlamayı, kategorize etmeyi ve anlamayı öğretmeye adanmış bir alan.
— Ses sinyallerinin işlenmesi. Özellikle yüksek ses doygunluğuna sahip ortamlarda ses ve diğer dijital sinyalleri analiz etmek için kullanılabilen makine öğrenimi. Uygulamalar, hesaplamalı konuşmayı ve işitsel ve görsel-işitsel işlemeyi içerir.
Konuşmadan yazıya. Ses sinyallerini çeşitli doğal dillerde metin sinyallerine dönüştüren sinir ağları. Uygulamalar arasında çeviri, sesli komut ve kontrol, sesli transkripsiyon ve daha fazlası bulunur.
— Doğal dil işleme (NLP, doğal dil işleme). Bilgisayarların insan (doğal) dillerini işlediği bir alan. Uygulamalar konuşma tanıma, makine çevirisi, duygu analizi içerir.
AI uygulama bileşenleri
— Akıllı aracılar. İnsanlarla doğal dil aracılığıyla etkileşime giren aracılar. Müşteri hizmetlerinde, insan kaynaklarında, stajyerliklerde ve SSS şablon isteklerinin ele alındığı işletmenin diğer alanlarında insan emeğini uygulamak için kullanılabilirler.
— İşbirlikçi robotlar (cobot'lar). Daha düşük hızlarda çalışan ve insan meslektaşlarıyla güvenli etkileşim sağlayan sensörlerle donatılmış robotlar.
— Biyometrik, yüz ve jest tanıma. İnsan-makine etkileşimi veya tanımlama ve doğrulama amaçları için biyometrik ölçümlerde (stres, aktivite vb.) insanları, hareketleri veya eğilimleri tanımlayın.
— Akıllı otomasyon. Geleneksel işlemi büyük ölçüde değiştirmek için bazı görevleri insandan makineye aktarır. Makinelerin potansiyelleri ve yetenekleri (hız, genlik, karmaşıklığı aşma yeteneği) sayesinde, bu araçlar insan işini tamamlar ve mümkün olduğunda onu genişletir.
— Öneri sistemleri. Algoritmalar tarafından zaman içinde tanımlanan ince kalıplara dayalı öneriler sunarlar. Yeni ürünler önermek için müşterileri hedef alabilirler veya dahili olarak stratejik öneriler için kullanılabilirler.
— Akıllı ürünler. Müşteri ihtiyaçlarını ve tercihlerini karşılamak ve tahmin etmek için sürekli gelişebilmeleri için tasarıma zeka yerleştirilmiştir.
— Kişiselleştirme. Araçları ve ürünleri bireysel kullanıcılar veya müşteriler için optimize etmek üzere müşteriler ve çalışanlar için eğilimleri ve kalıpları analiz edin.
— Metin, konuşma, resim ve video tanıma. Metin, konuşma, resimler ve videodan gelen verileri yorumlar ve analitik etkinlikleri genişletmek ve etkileşim ve vizyon için gelişmiş uygulamalar sağlamak için kullanılabilecek ilişkilendirmeler oluşturur.
- Arttırılmış gerçeklik. Eğitim, bakım ve diğer görevlere zeka katmak için yapay zekanın gücünü sanal, artırılmış ve karma gerçeklik teknolojileriyle birleştirin.
