N'ayez pas peur des voitures - les technologies de l'IA ne sont pas encore prêtes à penser de manière indépendante
Malgré
les avertissements d'Ilon Musk faits cet été, nous n'avons pas beaucoup de raisons de perdre le sommeil, nous inquiétant pour Skynet et les terminateurs. L'intelligence artificielle (IA) est encore loin de devenir une puissance malveillante et omnisciente. La seule apocalypse qui brille pour nous est l'espoir des gens pour l'apprentissage automatique et les systèmes experts sont trop forts, comme l'ont prouvé les propriétaires de Tesla qui ont levé les mains du volant.
Des exemples de ce que l'IA essaie de faire passer aujourd'hui - des technologies telles que les systèmes experts et l'apprentissage automatique - sont parfaits pour créer des logiciels qui peuvent aider dans les domaines de la reconnaissance de séquence, de la prise de décision automatique et de la communication homme-ordinateur. Ces technologies existent depuis plusieurs décennies et la qualité de leur travail dépend de la qualité des données d'entrée. Par conséquent, il est peu probable que dans un proche avenir, l'IA remplace les opinions des gens sur des questions importantes qui nécessitent une réponse plus complexe que oui ou non.
Les systèmes experts, également appelés systèmes basés sur des règles ou systèmes basés sur les connaissances, sont des ordinateurs programmés à l'aide de règles explicites développées par des experts humains. Les ordinateurs peuvent appliquer ces règles, beaucoup plus rapidement et sans interruption, pour arriver aux mêmes conclusions que les experts humains. Imaginez que vous ayez demandé à l'oncologue comment elle diagnostique le cancer, puis programmé le logiciel médical pour suivre les mêmes étapes. Dans le cas d'un diagnostic spécifique, l'oncologue peut étudier laquelle des règles a été activée lors du paramétrage pour confirmer le bon fonctionnement du système expert.
Cependant, créer et maintenir un système de telles règles nécessite beaucoup de temps et de connaissances particulières, et le bon fonctionnement de systèmes experts trop complexes est difficile à confirmer. Et, bien sûr, de tels systèmes ne fonctionnent pas en dehors de leurs règles.
Un cheval qui connaît une astuce
L'apprentissage automatique (MO) permet aux ordinateurs de prendre une décision - mais sans programmation explicite préalable. Au lieu de cela, on leur montre des centaines ou des milliers d'exemples d'ensembles de données, et on leur explique comment ils peuvent être classés comme «cancer / pas cancer», «stade 1 / stade 2 / stade 3».
Des algorithmes complexes s'entraînent sur ces ensembles de données et apprennent à faire les bons diagnostics. L'apprentissage automatique peut s'entraîner sur des ensembles de données, même si l'expert humain ne peut pas expliquer comment la décision a été prise. En augmentant la quantité et la qualité des données collectées par diverses organisations, le machine learning fait évoluer la technologie de l'intelligence artificielle dans un ensemble d'applications en constante expansion qui promettent de révolutionner les industries - si elles sont utilisées correctement et judicieusement.
Mais MO a ses faiblesses inhérentes. Par exemple,
l'ingénierie inverse ne peut pas être effectuée avec l'algorithme. On ne peut pas demander comment un diagnostic spécifique a été posé. Et ça ne marchera pas de poser une question au MO dans le domaine où elle ne s'est pas entraînée.
Un exemple classique de MO sera la classification des images par type «chat / chien / les deux / aucune d'entre elles». Après un tel traitement, on ne peut pas demander au MO s'il y a un caniche ou un chien dans l'image - il ne peut pas s'adapter à de nouveaux problèmes sans avoir formé ou ajouté un autre niveau de MO au système.
Les technologies d'intelligence artificielle, lorsqu'elles sont considérées comme de l'automatisation, peuvent apporter beaucoup à la productivité de l'entreprise. Dans certains domaines de tâches, l'IA fonctionne très bien, en particulier lorsque la solution requise est assez simple et ne contient pas trop de nuances.
Puis un modèle commence à émerger
L'un des types d'OG les plus couramment utilisés est la reconnaissance de formes basée sur le regroupement et la catégorisation des données. Les utilisateurs d'Amazon ont déjà compris comment les analyses basées sur MO peuvent être utilisées dans les ventes: le mécanisme de référence d'Amazon utilise le clustering basé sur les achats des clients et d'autres données, identifiant les produits qui pourraient l'intéresser.
Ce type d'analyse est utilisé dans les magasins de détail physiques depuis des années - certaines épiceries placent les aliments dans une fenêtre d'affichage à côté des produits les plus fréquemment achetés. Mais MO peut automatiser ces tâches en temps quasi réel.
MO fonctionne parfaitement avec la reconnaissance de toutes sortes de modèles - dans le traitement d'images médicales, les services financiers (est-ce une transaction frauduleuse utilisant une carte bancaire?), Et même dans la gestion informatique (si la charge du serveur est trop importante, essayez ces paramètres jusqu'à ce que le problème disparaisse).
Ce type d'automatisation basée sur les données est utilisé en dehors du monde de la vente au détail pour travailler avec d'autres tâches de routine. Par exemple, le démarrage d'Apstra dispose d'outils qui utilisent MO et des analyses en temps réel pour affiner et optimiser automatiquement les performances des centres de données, ce qui réduit non seulement le besoin d'employés du service administratif, mais aussi la nécessité de mettre à jour l'équipement.
Une autre startup,
Respond Software , propose des systèmes experts pouvant être utilisés dans les centres de sécurité d'entreprise pour reconnaître et traiter automatiquement les incidents de sécurité. Et
Darktrace utilise MO pour déterminer les activités suspectes dans les réseaux - le système Enterprise Immune System recherche les actions qui ne coïncident pas avec celles qui ont eu lieu sur le réseau auparavant, et avertit les agents de sécurité des choses qui peuvent les intéresser. Le module Antigena peut automatiser la réponse aux problèmes détectés en déconnectant les connexions réseau similaires à celles malveillantes.
Intelligence humaine
MO peut également être utilisé pour analyser une communication plus humaine. Après un travail approfondi effectué par des spécialistes du traitement des données et des développeurs, les algorithmes MO ont relativement bien appris à
reconnaître "l'humeur" du texte - à déterminer s'il sonne positivement ou négativement. Ils ont commencé à l'appliquer au
"traitement de texte" des réseaux sociaux et au traitement d'image.
Microsoft
Project Oxford a créé une API pour tester les émotions des gens sur les photos, et a également créé une API pour traiter le texte qui reconnaît son humeur. IBM Watson travaille également avec une telle analyse dans son produit
Tone Analyzer , qui est capable de classer les tweets, les e-mails et autres textes par émotion.
Ces technologies sont intégrées dans des systèmes utilisateur qui identifient les plaintes des utilisateurs concernant les produits et services et envoient des informations aux gens pour obtenir une réponse. IBM s'est associé à Genesys pour intégrer son système Watson dans la
plateforme d'expérience client , pour permettre au personnel de répondre directement aux personnes à leurs questions et de connecter immédiatement les personnes ayant des réclamations à celles qui peuvent le mieux y répondre. Le système doit apprendre des gens à la volée, mais il améliore constamment la qualité de ses réponses - bien que son efficacité reste à tester.
Même le domaine éternel de l'activité humaine, la gestion des ressources humaines, bénéficie de l'IA pour mesurer la productivité et l'efficacité des employés, effectuer des évaluations de performance et même mettre en œuvre des chatbots intelligents pour aider les employés à fixer des dates de vacances ou à exprimer leurs préoccupations concernant la gestion du langage parlé. Les startups de l'IA optimisent les opérations de routine des RH:
Butterfly propose du coaching et du mentorat,
Entelo aide les recruteurs à parcourir les réseaux sociaux à la recherche de candidats,
Textio aide à rédiger des descriptions de poste plus efficaces.
Mais l'IA ne fonctionne pas bien avec l'incertitude, y compris les écarts dans les données de formation ou les règles d'experts. Différents médecins peuvent poser des diagnostics différents ou recommander des traitements différents. Que doit faire un système de diagnostic expert?
L'application largement discutée de MO est le filtrage des applications pour les collèges. AI s'est formé sur les données de plusieurs années d'applications, y compris les notes pour les performances scolaires, les évaluations de l'école et même les essais, et a indiqué quels élèves étaient acceptés et lesquels avaient été refusés.
Le but de l'expérience était de reproduire le travail des personnes qui acceptaient des étudiants - et le système fonctionnait, mais il reproduisait également leurs lacunes, par exemple, la tendance à certains groupes raciaux, certaines classes socio-économiques et même des activités telles que la participation à des équipes sportives. Résultat: succès technique, et le reste est un échec épique.
Tant qu'il n'y aura pas de percée dans le traitement des ambiguïtés ou des contradictions dans les règles et les inclinations dans les données d'entraînement, l'IA sera difficile à développer.
Besoin d'aide
Pour améliorer les performances, les systèmes MO ont besoin d'une formation sur les bonnes données. Mais pour comprendre ces données, dans de nombreux cas, les gens doivent pré-traiter les informations - affecter les métadonnées et la mise en forme nécessaires, ainsi que diriger les algorithmes MO vers les parties nécessaires des données pour obtenir de meilleurs résultats.
Un grand nombre des avancées dans les domaines appliqués de MO et AI sont dues au travail effectué par des experts humains dans de nombreux domaines, visant à fournir de meilleures données en grandes quantités.
Des données satellitaires historiques peu coûteuses et des
améliorations des données météorologiques permettent au ministère de l'Environnement de prévoir les problèmes de récolte dans les pays en développement.
Descartes Labs , en utilisant les données des satellites LANDSAT 8, pour construire une mosaïque de 3,1 billions de pixels, indiquant les terres arables de la planète et suivre la croissance des plantes. En combinant ces données avec des données météorologiques, le MO de la société a pu prédire avec précision les rendements de maïs et de soja aux États-Unis dans certains districts. Avec l'augmentation du volume d'images satellites à faible coût et de données provenant de capteurs météorologiques à pénétration totale, les systèmes prédictifs continueront d'améliorer leur précision avec l'aide de spécialistes du traitement des données et d'autres experts humains.
Des prévisions d'un autre type peuvent modifier le travail des entreprises. Une
étude récente de l'Université de technologie de Nyang, Singapour, a montré que les prévisions basées sur les MO utilisant des réseaux de neurones peuvent prédire plus précisément les demandes de production, ce qui permet aux entreprises de mieux planifier la production que les systèmes experts ou d'autres technologies prédictives basées uniquement sur des données historiques. Cela est particulièrement visible dans les industries à demande instable, dans lesquelles la demande est soit trop grande, soit trop petite, et très rarement - moyenne. De tels systèmes peuvent trouver des modèles eux-mêmes, sans explications préliminaires sur la méthode de modélisation des données.
De tels systèmes, devenant plus sophistiqués et utilisant de plus en plus de types de données, peuvent donner aux entreprises et aux organisations la possibilité de trouver des modèles dans des ensembles de données toujours plus grands. Mais si nous pouvons utiliser l'IA pour aider à prendre des décisions dans des domaines où nous savons déjà quoi faire, nous ne pouvons pas envoyer d'agents de l'IA dans l'inconnu sans leur fournir la supervision de personnes qui peuvent élaborer des règles d'experts ou créer de nouveaux jeux de données de formation à partir de zéro.
Bien que certains systèmes d'IA, tels qu'IBM Watson ou Amazon Alexa, puissent absorber d'énormes quantités de données non structurées provenant d'Internet et les utiliser pour rechercher le texte ou créer une base de connaissances pour répondre aux questions, cela n'aidera pas à créer de nouveaux ensembles de données de formation pour la reconnaissance des formes - pour l'instant. L'image de science-fiction des ordinateurs qui trouvent indépendamment leurs propres ensembles de données est inaccessible pour l'IA d'aujourd'hui - ainsi que pour demain. Les décisions et les questions continueront d'être créées par les gens.
Alan Zeychik est le chef du groupe de recherche Camden Associates, travaillant à Phoenix, pc. Arizona Ancien développeur et analyste de systèmes, il a été le fondateur et rédacteur en chef de Software Development Times.