Werden die intelligenten Algorithmen der Zukunft wie Allzweckroboter sein, die Gespräche und Kartenlesen genauso gut erledigen können wie Küchenaufgaben? Oder sehen unsere digitalen Assistenten eher wie spezialisierte Geräte aus - das heißt, es wird kein gesprächiger Koch sein, sondern eine Küche voller Haushaltsgeräte?
Wenn ein Algorithmus versucht, zu viel zu tun, beginnen Probleme. Das folgende Rezept wurde von einem künstlichen neuronalen Netzwerk erstellt - einer Art künstlicher Intelligenz, die anhand von Beispielen lernt. Dieser Algorithmus untersuchte sorgfältig etwa 30.000 Rezepte, von Suppen und Kuchen bis zum Grillen, und versuchte dann, ein eigenes Rezept zu erstellen. Das Ergebnis ist beispielsweise unorthodox.
Hühnerpaste mit Reis
2 Pfund geschälte Herzen
1 Tasse gehackte frische Minze oder Himbeerkuchen
1/2 Tasse geriebene Katrimas
1 Esslöffel Pflanzenöl
1 Salz
1 Pfeffer
2 1/2 Esslöffel Zucker
Ohne Blätter mischen und rühren, bis die Mischung dick wird. Eier, Zucker, Honig, Kümmel hinzufügen und bei schwacher Hitze kochen. Fügen Sie Maissirup, Oregano, Rosmarin und weißen Pfeffer hinzu. Beim Erhitzen Sahne hinzufügen. Bereiten Sie den restlichen Teelöffel Backpulver und Salz vor. 2 bis 1 Stunde bei 350 ° F kochen. Heiß servieren.
Für 6 Portionen.
Und hier ist ein Beispiel für ein Rezept, das mit demselben Algorithmus erstellt wurde, aber nur anstatt alle Rezepte hintereinander zu studieren, trainierte er nur Kuchen. Das Rezept ist nicht perfekt, aber viel besser als das vorherige.
Karottenkuchen
1 Packung gelbe Kuchenmischung
3 Tassen Mehl
1 Teelöffel Backpulver
1 1/2 Teelöffel Soda
1/4 Teelöffel Salz
1 Teelöffel Zimt
1 Teelöffel Ingwer
1/2 Teelöffel Nelken
1 Teelöffel Backpulver
1/4 Teelöffel Salz
1 Teelöffel Vanille
1 Ei bei Raumtemperatur
1 Tasse Zucker
1 Teelöffel Vanille
1 Tasse gehackte Pekannüsse
Den Backofen auf 350 Grad vorheizen. Fetten Sie ein 9-Zoll-Backblech ein.
Schlagen Sie die Eier schnell bis dunkelgelb. Beiseite stellen. Schlagen Sie die Weißen in einer separaten Tasse auf eine Härte. Beschleunigen Sie die erste Mischung in die vorbereitete Form und erweichen Sie das Öl. Im Ofen 40 Minuten backen, bis ein Zahnstocher in der Mitte des Kuchens sauber bleibt. In Form von 10 Minuten in den Kühlschrank stellen. Auf einen Drahtständer stellen, bis er abgekühlt ist.
Nehmen Sie den Kuchen aus der Form, bis er vollständig abgekühlt ist. Warm servieren.
Für 16 Portionen.
Wenn Sie sich die Anweisungen genauer ansehen, wird natürlich klar, dass Sie am Ausgang nur ein gebackenes Eigelb erhalten. Dies ist jedoch immer noch eine Verbesserung. Wenn sich die KI auf eine bestimmte Spezialisierung beschränken durfte, verringerte sich einfach die Menge dessen, was überwacht werden musste. Er musste sich nicht entscheiden, wann er Schokolade verwenden sollte und wann - Kartoffeln, wann er backen und wann er kochen sollte. Wenn der erste Algorithmus versuchte, eine magische Kiste zu sein, die Reis, Eis und Kuchen liefern kann, versuchte der zweite, einem Toaster zu ähneln - ein spezielles Gerät für eine Aufgabe.
Entwickler, die Algorithmen für maschinelles Lernen trainieren, haben festgestellt, dass es oft sinnvoll ist, Toaster anstelle von Zauberkästen zu erstellen. Dies mag nicht intuitiv erscheinen, da AI in der westlichen Fiktion eher C-3PO aus Star Wars oder WALL-E aus dem gleichnamigen Film ähnelt. Dies sind Beispiele für universelle künstliche Intelligenz (ION), Automaten, die wie Menschen mit der Welt interagieren und viele verschiedene Aufgaben ausführen können. Viele Unternehmen setzen maschinelles Lernen jedoch leise und erfolgreich ein, um viel begrenzte Ziele zu erreichen. Ein Algorithmus könnte ein Chat-Bot sein, der eine begrenzte Anzahl grundlegender Kundenfragen zu einer Telefonrechnung bearbeitet. Ein anderer kann Vorhersagen darüber geben, was der Anrufer besprechen möchte, und diese Vorhersagen auf dem Bildschirm für die Person anzeigen, die den Anruf beantwortet. Dies sind Beispiele für künstliche Intelligenz der engen Spezialisierung (IIMS) - begrenzt durch einen sehr kleinen Satz von Funktionen. Auf der anderen Seite hat Facebook kürzlich seinen Chat-Bot „M“ eingestellt, der Hotelreservierungen, Theaterkarten und mehr nicht bewältigen konnte.
Der Grund dafür, dass wir ein IIMS anstelle eines IALL der WALL-E-Ebene haben, ist, dass jeder Algorithmus, der versucht, Aufgaben zu verallgemeinern, die ihm übertragenen Aufgaben schlechter zu bewältigen beginnt. Zum Beispiel
gibt es einen Algorithmus, der darauf trainiert ist, Bilder basierend auf der Beschreibung zu erzeugen. Er versucht, aus dem Text ein Bild zu erstellen: "Es ist ein gelber Vogel mit schwarzen Flecken auf dem Kopf und einem sehr kurzen Schnabel." Als er an einem Datensatz trainiert wurde, der ausschließlich aus Vögeln bestand, schaffte er es ziemlich gut (ohne ein seltsames Horn zu berücksichtigen):
Aber als er angewiesen wurde, alles zu schaffen, von Stoppschildern und Booten bis hin zu Kühen und Menschen, hatte er es schwer. Hier ist das Ergebnis des Versuchs, ein „Bild eines Mädchens zu zeichnen, das ein Stück Pizza isst“:
Wir sind es nicht gewohnt zu glauben, dass es eine so große Lücke zwischen einem Algorithmus gibt, der eine Sache gut macht, und einem Algorithmus, der viele Dinge gut macht. Die mentalen Fähigkeiten unserer aktuellen Algorithmen sind jedoch im Vergleich zum menschlichen Gehirn sehr begrenzt, und jede neue Aufgabe lädt sie noch mehr. Stellen Sie sich ein Haushaltsgerät von der Größe eines Toasters vor: Es ist einfach, ein paar Schlitze darin zu machen, Heizschlangen zu installieren und Brot zu braten. Aber danach gibt es wenig mehr zu tun. Wenn Sie versuchen, dort einen Reiskocher und eine Eismaschine hinzuzufügen, müssen Sie zumindest die Steckplätze aufgeben, und ein solches Gerät kann wahrscheinlich wenig gut.
Programmierer verwenden verschiedene Tricks, um die maximale Rendite aus den IMS-Algorithmen herauszuholen. Eines ist übertragenes Training: Trainieren Sie den Algorithmus, um mit einer Aufgabe zu arbeiten, und er lernt, nach minimalem Übertraining eine andere, eng mit dieser Aufgabe verbundene Aufgabe auszuführen. Menschen verwenden übertragenes Lernen, um Bilderkennungsalgorithmen zu trainieren. Der Algorithmus, der gelernt hat, Tiere zu erkennen, hat bereits viele Informationen zur Konturbestimmung und Texturanalyse gesammelt, die auf die Aufgabe der Fruchtbestimmung übertragen werden können. Beim Übertraining des Algorithmus zur Fruchterkennung wird der Algorithmus jedoch einem „katastrophalen Vergessen“ unterzogen, dh er wird sich nicht mehr daran erinnern, wie Tiere identifiziert werden sollen.
Ein weiterer Schwerpunkt der heutigen Algorithmen ist die Modularität. Anstatt sich in einen einzigen Algorithmus zu verwandeln, der jedes Problem lösen kann, wird AI in Zukunft höchstwahrscheinlich Baugruppen hochspezialisierter Werkzeuge sein. Der Algorithmus, der gelernt hat, Doom zu spielen, wird ein separates System für Computer Vision, Steuerung und Speicher haben. Verbundene Module können Redundanz bieten, um Fehler zu vermeiden, und einen Abstimmungsmechanismus für die beste Lösung des Problems basierend auf verschiedenen Ansätzen. Es kann eine Möglichkeit geben, Algorithmusfehler zu erkennen und zu korrigieren. Es ist normalerweise ziemlich schwierig zu verstehen, wie ein bestimmter Algorithmus Entscheidungen trifft, aber wenn die Entscheidung durch das Zusammenspiel der Algorithmen getroffen wurde, können wir die Ausgabe jedes einzelnen von ihnen untersuchen.
Vielleicht sollten wir uns die Algorithmen der fernen Zukunft in Form von WALL-E und C-3PO nicht vorstellen. Stattdessen können wir uns so etwas wie ein Smartphone voller Anwendungen oder eine mit Gadgets beladene Küchenarbeitsplatte vorstellen. Wenn Sie sich auf eine Welt voller Algorithmen vorbereiten, müssen Sie sicherstellen, dass wir uns nicht mit denkenden Allzweck-Zauberkästen treffen, die möglicherweise nie auftauchen, sondern mit hochspezialisierten Toastern.