Geekly articles weekly

Kecerdasan buatan memiliki masalah bahasa

Mesin yang sadar bahasa akan sangat membantu. Tetapi kita tidak tahu bagaimana membangunnya.




Tentang ilustrasi untuk artikel: salah satu kesulitan dalam memahami bahasa oleh komputer adalah kenyataan bahwa seringkali makna kata-kata tergantung pada konteks dan bahkan pada penampilan huruf dan kata-kata. Dalam gambar yang disajikan dalam artikel, beberapa seniman menunjukkan penggunaan berbagai petunjuk visual yang menyampaikan muatan semantik yang melampaui batas huruf itu sendiri.

Di tengah-tengah permainan yang menegangkan, yang berlangsung di Seoul di Korea Selatan antara Lee Sedol, salah satu pemain terbaik sepanjang masa, dan AlphaGo, AI yang dibuat oleh Google, program ini membuat langkah misterius yang menunjukkan keunggulannya yang canggung atas pesaing manusia.

Pada langkah 37, AlphaGo memutuskan untuk meletakkan batu hitam pada posisi yang aneh pada pandangan pertama. Semuanya berjalan ke titik bahwa dia harus kehilangan sebagian besar wilayah - kesalahan pemula dalam permainan yang dibangun di atas kendali ruang di papan tulis. Dua komentator televisi sedang mendiskusikan apakah mereka benar memahami jalannya komputer dan apakah itu rusak. Ternyata, meskipun bertentangan dengan akal sehat, langkah ke-37 memungkinkan AlphaGo untuk membangun struktur yang tidak dapat diatasi di tengah papan. Program Google pada dasarnya memenangkan permainan dengan langkah yang tidak akan dipikirkan oleh siapa pun.

Kemenangan AlphaGojuga mengesankan karena permainan kuno sering dilihat sebagai ujian kecerdasan intuitif. Aturannya sederhana. Dua pemain bergiliran meletakkan batu hitam atau putih di persimpangan garis horizontal dan vertikal papan, mencoba mengelilingi batu lawan dan mengeluarkannya dari papan. Tetapi bermain dengan baik sangat sulit.

Jika pemain catur dapat menghitung permainan beberapa langkah di depan, maka dengan cepat itu menjadi tugas yang sulit dibayangkan, di samping itu, tidak ada taruhan klasik dalam permainan. Juga tidak ada cara mudah untuk mengukur manfaat, dan bahkan untuk pemain berpengalaman bisa sulit untuk menjelaskan mengapa ia melakukan langkah seperti itu. Karena itu, tidak mungkin untuk menulis seperangkat aturan sederhana yang akan diikuti oleh program bermain di tingkat ahli.

AlphaGo tidak diajari bermain go. Program ini menganalisis ratusan ribu game dan memainkan jutaan pertandingan dengan sendirinya. Di antara berbagai teknik AI, ia menggunakan metode yang semakin populer yang dikenal sebagai pembelajaran yang mendalam. Ini didasarkan pada perhitungan matematis, metode yang terinspirasi oleh bagaimana lapisan neuron yang saling berhubungan di otak diaktifkan ketika memproses informasi baru. Program ini mengajar dirinya sendiri selama berjam-jam latihan, secara bertahap mengasah rasa intuitif strategi. Dan fakta bahwa ia kemudian mampu mengalahkan salah satu pemain go terbaik di dunia adalah tonggak baru dalam kecerdasan mesin dan AI.



Beberapa jam setelah langkah ke-37, AlphaGo memenangkan pertandingan dan mulai memimpin 2-0 dalam pertandingan lima pertandingan. Setelah itu, Sedol berdiri di depan kerumunan wartawan dan fotografer dan dengan sopan meminta maaf karena mengecewakan umat manusia. "Aku terdiam," katanya, berkedip di bawah semburan kilat.

Keberhasilan luar biasa dari AlphaGo menunjukkan betapa banyak kemajuan telah dibuat dalam AI selama beberapa tahun terakhir, setelah puluhan tahun keputusasaan dan tantangan yang digambarkan sebagai "musim dingin AI." Pembelajaran yang mendalam memungkinkan mesin untuk belajar sendiri bagaimana melakukan tugas-tugas kompleks, solusi yang beberapa tahun lalu tidak dapat dibayangkan tanpa partisipasi dari kecerdasan manusia. Robomobiles sudah menjulang di cakrawala. Dalam waktu dekat, sistem pembelajaran yang dalam akan membantu mendiagnosis penyakit dan memberikan rekomendasi perawatan.

Namun terlepas dari kemajuan yang mengesankan ini, salah satu kemungkinan utama tidak diberikan oleh AI: bahasa. Sistem seperti Siri dan IBM Watson dapat mengenali perintah verbal dan tertulis yang sederhana dan menjawab pertanyaan sederhana, tetapi mereka tidak dapat mempertahankan percakapan atau benar-benar memahami kata-kata yang digunakan. Agar AI mengubah dunia kita, ini harus berubah.

Meskipun AlphaGo tidak berbicara, ia memiliki teknologi yang dapat memberikan pemahaman bahasa yang lebih baik. Di Google, Facebook, Amazon, dan laboratorium sains, para peneliti berusaha untuk memecahkan masalah yang membandel ini dengan menggunakan alat AI yang sama - termasuk pembelajaran yang mendalam - yang bertanggung jawab atas keberhasilan AlphaGo dan kebangkitan AI. Keberhasilan mereka akan menentukan ruang lingkup dan properti dari apa yang sudah mulai berubah menjadi revolusi AI. Ini akan menentukan masa depan kita - akankah kita memiliki mesin yang mudah untuk berkomunikasi, atau sistem dengan AI akan tetap menjadi kotak hitam yang misterius, meskipun lebih otonom. "Tidak ada cara untuk membuat sistem humanoid dengan AI kecuali jika didasarkan pada bahasa," kata Josh Tenenbaum, profesor ilmu kognitif dan komputasi di MIT. "Ini adalah salah satu hal yang paling jelas yang mendefinisikan kecerdasan manusia."

Mungkin teknologi yang sama yang memungkinkan AlphaGo menaklukkan akan memungkinkan komputer menguasai bahasa, atau hal lain akan dibutuhkan. Tetapi tanpa memahami bahasa, dampak AI akan berbeda. Tentu saja, kita masih akan memiliki program yang kuat dan cerdas yang tidak realistis seperti AlphaGo. Tapi hubungan kita dengan AI tidak akan begitu dekat, dan mungkin tidak ramah. "Pertanyaan terbesar dari awal penelitian adalah" Bagaimana jika Anda mendapatkan perangkat yang cerdas dalam hal efisiensi, tetapi tidak seperti kami dalam hal kurangnya empati terhadap siapa kami? "Kata Terry Winograd, Yang Terhormat profesor di Universitas Stanford. "Anda dapat membayangkan mesin yang tidak berdasarkan pada kecerdasan manusia, bekerja dengan data besar dan mengendalikan dunia."

Berbicara dengan mobil


Beberapa bulan setelah kemenangan AlphaGo, saya pergi ke Lembah Silikon, jantung dari booming AI. Saya ingin bertemu dengan para peneliti yang telah membuat kemajuan signifikan dalam aplikasi praktis AI dan sedang mencoba memberi mesin pemahaman bahasa.

Saya mulai dengan Vinohrad, yang tinggal di pinggiran kota di ujung selatan kampus Stanford di Palo Alto, tidak jauh dari kantor pusat Google, Facebook, dan Apple. Rambutnya yang abu-abu keriting dan kumis tebal memberinya penampilan ilmuwan yang terhormat, dan ia menginfeksi dengan antusiasmenya.

Pada tahun 1968, Grapes melakukan salah satu upaya paling awal untuk mengajarkan mesin cara berbicara. Sebagai ahli matematika dengan hasrat akan bahasa, ia datang ke lab AI AI baru untuk mendapatkan gelarnya. Dia memutuskan untuk membuat program yang berkomunikasi dengan orang-orang melalui input teks dalam bahasa sehari-hari. Pada saat itu, sepertinya itu bukan tujuan yang berani. Langkah yang sangat besar diambil dalam pengembangan AI, dan tim lain di MIT membangun sistem visi komputer yang canggih dan manipulator robot. "Ada perasaan kemungkinan yang tidak diketahui dan tidak terbatas," kenangnya.



Tetapi tidak semua orang percaya bahwa bahasa sangat mudah ditaklukkan. Beberapa kritik, termasuk ahli bahasa yang berpengaruh dan profesor MIT Noam Chomsky, berpikir akan sangat sulit bagi para peneliti AI untuk mengajarkan mesin untuk memahami, karena mekanisme bahasa pada manusia sangat kurang dipahami. Grapes mengenang pesta di mana seorang siswa Chomsky berjalan menjauh darinya setelah mendengar bahwa ia bekerja di laboratorium AI.

Tetapi ada alasan untuk optimisme. Joseph Weizenbaum, seorang profesor di MIT keturunan Jerman, membuat program chatbot pertama beberapa tahun yang lalu. Namanya ELIZA dan dia diprogram untuk merespons seperti seorang psikolog dari kartun, mengulangi bagian-bagian penting dari pernyataan atau mengajukan pertanyaan yang menginspirasi untuk melanjutkan percakapan. Jika Anda mengatakan kepadanya bahwa Anda marah dengan ibumu, program itu mungkin berkata, "Apa lagi yang muncul di benakmu ketika kamu memikirkan ibumu?". Trik murah yang berhasil dengan sangat baik. Weisenbaum terkejut ketika beberapa subjek mulai memverifikasi rahasia gelap mereka dengan mobilnya.

Buah anggur ingin melakukan sesuatu yang secara meyakinkan bisa berpura-pura mengerti bahasa itu. Dia mulai dengan mengurangi ruang lingkup masalah. Dia menciptakan lingkungan virtual sederhana, "dunia blok", yang terdiri dari serangkaian objek fiksi di atas meja fiksi. Dia kemudian menciptakan sebuah program, menamakannya SHRDLU, yang dapat mem-parsing semua kata benda, kata kerja, dan aturan tata bahasa sederhana yang diperlukan untuk berkomunikasi dalam dunia virtual yang disederhanakan ini. SHRDLU (kata yang tidak berarti yang terdiri dari sederetan huruf dari keyboard linotype) dapat menggambarkan objek, menjawab pertanyaan tentang hubungan mereka, dan mengubah dunia blok dalam menanggapi perintah input. Dia bahkan memiliki ingatan tertentu dan jika Anda memintanya untuk memindahkan "kerucut merah", dan kemudian menulis tentang kerucut tertentu, dia berasumsi bahwa Anda memikirkan kerucut merah ini, dan bukan yang lain.



SHRDLU telah menjadi panji kemajuan luar biasa dalam AI. Tapi itu hanya ilusi. Ketika Vinograd mencoba memperluas dunia blok program, aturan yang diperlukan untuk menjelaskan kata-kata tambahan dan kesulitan tata bahasa menjadi tidak terkendali. Hanya beberapa tahun kemudian, dia menyerah dan meninggalkan bidang AI, berkonsentrasi pada studi lain. "Pembatasan itu jauh lebih kuat daripada yang terlihat saat itu," katanya.

Grapes memutuskan bahwa dengan alat yang tersedia pada waktu itu tidak mungkin untuk mengajarkan mesin untuk benar-benar memahami bahasa. Masalahnya, menurut Hubert Dreyfus, seorang profesor filsafat di Universitas California di Berkeley, seperti yang diungkapkan olehnya pada tahun 1972, What Computers Can't Do, adalah bahwa banyak tindakan manusia memerlukan pemahaman naluriah. yang tidak dapat diatur oleh seperangkat aturan sederhana. Itulah sebabnya, sebelum dimulainya pertandingan antara Sedol dan AlphaGo, banyak ahli meragukan bahwa mesin-mesin itu akan mampu menguasai permainan go.



Tetapi ketika Dreyfus membuktikan pendapatnya, beberapa peneliti mengembangkan pendekatan yang pada akhirnya akan memberi mesin jenis kecerdasan yang mereka butuhkan. Terinspirasi oleh ilmu saraf, mereka bereksperimen dengan jaringan saraf tiruan - lapisan simulasi matematika dari neuron yang dapat dilatih untuk mengaktifkan dalam menanggapi data input tertentu. Pada awalnya, sistem ini bekerja sangat lambat dan pendekatannya ditolak karena tidak praktis untuk logika dan penalaran. Namun, fitur kunci dari jaringan saraf adalah kemampuan untuk mempelajari apa yang tidak diprogram secara manual, dan kemudian ternyata berguna untuk tugas-tugas sederhana seperti pengenalan tulisan tangan. Keterampilan ini digunakan secara komersial pada 1990-an untuk membaca angka dari cek. Pendukung metode yakin bahwa seiring waktu, jaringan saraf akan memungkinkan mesin untuk melakukan lebih banyak.Mereka mengklaim bahwa suatu hari teknologi ini akan membantu dan mengenali bahasa.

Selama beberapa tahun terakhir, jaringan saraf menjadi lebih kompleks dan kuat. Pendekatan ini berkembang berkat peningkatan matematika utama, dan, yang lebih penting, perangkat keras komputer yang lebih cepat dan munculnya sejumlah besar data. Pada 2009, para peneliti dari University of Toronto menunjukkan bahwa jaringan pembelajaran dalam yang berlapis-lapis dapat mengenali pembicaraan dengan akurasi catatan. Dan pada tahun 2012, kelompok yang sama memenangkan kompetisi visi mesin menggunakan algoritma pembelajaran yang mendalam yang menunjukkan akurasi luar biasa.

Jaringan saraf pembelajaran yang dalam mengenali objek dalam gambar dengan trik sederhana. Lapisan neuron yang disimulasikan menerima input sebagai gambar dan beberapa neuron diaktifkan sebagai respons terhadap intensitas masing-masing piksel. Sinyal yang dihasilkan melewati banyak lapisan neuron yang saling berhubungan sebelum mencapai lapisan keluaran, yang menandakan pengamatan suatu objek. Teknik matematika yang disebut "backpropagation" digunakan untuk menyesuaikan sensitivitas neuron jaringan untuk menciptakan jawaban yang benar. Langkah inilah yang memberi sistem kesempatan untuk belajar. Lapisan berbeda di jaringan merespons properti seperti tepi, warna, atau tekstur. Sistem seperti saat ini mampu mengenali benda, binatang atau wajah dengan akurasi yang menyaingi manusia.

Ada masalah yang nyata dengan penerapan teknologi pembelajaran mendalam ke bahasa tersebut. Kata-kata adalah karakter yang berubah-ubah, dan beginilah perbedaannya dari gambar. Dua kata dapat memiliki arti yang sama dan mengandung huruf yang sama sekali berbeda. Dan kata yang sama dapat berarti berbagai hal tergantung pada konteksnya.

Pada 1980-an, para peneliti muncul dengan ide rumit untuk mengubah bahasa menjadi sejenis masalah yang bisa ditangani oleh jaringan saraf. Mereka menunjukkan bahwa kata-kata dapat direpresentasikan sebagai vektor matematika, yang memungkinkan kita untuk menghitung kesamaan kata-kata terkait. Misalnya, "perahu" dan "air" dekat dalam ruang vektor, meskipun terlihat berbeda. Para peneliti di Universitas Montreal yang dipimpin oleh Yoshua Bengio dan tim Google lainnya menggunakan ide ini untuk membangun jaringan di mana setiap kata dalam kalimat digunakan untuk membangun representasi yang lebih kompleks. Geoffrey Hinton, seorang profesor di University of Toronto dan seorang peneliti pembelajaran mendalam terkemuka yang juga bekerja untuk Google, menyebut ini sebagai "vektor mental."

Dengan menggunakan dua jaringan tersebut, Anda dapat menerjemahkan dari satu bahasa ke bahasa lain dengan akurasi yang sangat baik. Dan dengan menggabungkan jenis-jenis jaringan ini dengan jaringan yang mengenali objek dalam gambar, Anda bisa mendapatkan subtitle yang sangat akurat.

Makna hidup


Duduk di ruang konferensi di jantung kantor pusat Google yang ramai di Mountain View, California, salah satu peneliti perusahaan yang mengembangkan pendekatan ini, Quoc Le, membahas gagasan mesin yang mampu mendukung percakapan nyata. Ambisi Lee menjelaskan bagaimana mesin bicara bisa berguna. "Saya perlu cara untuk mensimulasikan pemikiran di dalam mobil," katanya. "Dan jika kamu ingin berpura-pura berpikir, maka kamu bisa bertanya pada mobil apa yang dia pikirkan."



Google sudah mengajarkan komputernya dasar-dasar bahasa. Pada bulan Mei, perusahaan meluncurkan sistem Parsey McParseface, yang dapat mengenali sintaks, kata benda, kata kerja, dan elemen teks lainnya. Sangat mudah untuk melihat bagaimana memahami suatu bahasa dapat membantu perusahaan. Algoritme pencarian Google hanya sekali melacak kata kunci dan tautan antara halaman web. Sekarang sistem RankBrain membaca teks halaman untuk memahami maknanya dan meningkatkan hasil pencarian. Lee ingin mendorong gagasan ini lebih jauh. Mengadaptasi sistem, yang ternyata berguna untuk terjemahan dan tanda tangan gambar, ia dan rekan-rekannya menciptakan Balas Cerdas, yang membaca konten surat di Gmail dan menawarkan kemungkinan jawaban. Mereka juga menciptakan sebuah program yang dipelajari melalui obrolan dukungan Google untuk menjawab pertanyaan teknis sederhana.

Lee baru-baru ini menciptakan sebuah program yang dapat menghasilkan jawaban yang layak untuk pertanyaan-pertanyaan sulit. Dia dilatih dalam dialog dari 18.900 film. Beberapa jawaban secara mengejutkan mengenai sasaran. Sebagai contoh, Lee bertanya "Apa tujuan hidup?" Dan program itu menjawab "Demi kebaikan yang lebih tinggi". "Itu jawaban yang bagus," kenangnya sambil tersenyum. "Mungkin lebih baik daripada aku akan menjawab sendiri."

Hanya ada satu masalah yang menjadi jelas ketika melihat lebih banyak respons sistem. Ketika Lee bertanya, "Berapa banyak kaki yang dimiliki kucing?", Sistem itu menjawab, "Saya pikir empat." Lalu dia bertanya, "Berapa kaki yang dimiliki seekor kelabang?" Dan menerima jawaban aneh "Delapan." Faktanya, program Lee tidak mengerti apa yang dia bicarakan. Dia memahami bahwa beberapa kombinasi simbol digabungkan bersama, tetapi tidak memahami dunia nyata. Dia tidak tahu seperti apa kelabang itu, atau bagaimana ia bergerak. Ini masih ilusi kecerdasan, tanpa akal sehat, yang orang anggap remeh. Sistem pembelajaran yang dalam agak goyah dalam hal ini. Sistem dari Google yang membuat teks untuk gambar terkadang membuat kesalahan aneh, misalnya, menggambarkan tanda jalan sebagai kulkas dengan makanan.

Karena kebetulan yang aneh, tetangga Terry Vinohrad di Palo Alto ternyata adalah seorang pria yang dapat membantu komputer lebih memahami arti kata yang sebenarnya. Fei-Fei Li, direktur Stanford Artificial Intelligence Laboratory, sedang cuti hamil selama kunjungan saya, tetapi dia mengundang saya pulang dan dengan bangga memperkenalkan saya kepada bayinya yang berumur tiga bulan, Phoenix. "Perhatikan bahwa dia menatapmu lebih dari dia menatapku," kata Lee ketika Phoenix menatapku. - Ini karena kamu baru; ini merupakan pengenalan wajah dini. "

Untuk sebagian besar karirnya, Lee telah mempelajari pembelajaran mesin dan visi komputer. Beberapa tahun yang lalu, di bawah kepemimpinannya, upaya dilakukan untuk membuat database jutaan gambar objek, yang masing-masing ditandatangani dengan kata kunci yang sesuai. Tetapi Lee percaya bahwa mesin membutuhkan pemahaman yang lebih rumit tentang apa yang terjadi di dunia, dan tahun ini timnya merilis basis data lain dengan gambar, penjelasan yang jauh lebih kaya. Untuk setiap gambar, orang-orang membuat lusinan tanda tangan: "Anjing di atas skateboard", "Anjing itu memiliki bulu yang tebal", "Jalan dengan retakan" dan sebagainya. Mereka berharap bahwa sistem pembelajaran mesin akan belajar untuk memahami dunia fisik. "Bagian linguistik otak menerima banyak informasi, termasuk dari sistem visual," kata Lee. "Bagian penting AI adalah integrasi sistem ini."

Proses ini lebih dekat dengan mengajar anak-anak untuk menghubungkan kata-kata dengan objek, hubungan, dan tindakan. Tetapi analogi dengan mengajar orang tidak terlalu jauh. Anak-anak tidak perlu melihat anjing di skateboard untuk membayangkan atau menggambarkannya dengan kata-kata. Lee percaya bahwa alat untuk AI dan pembelajaran mesin saat ini tidak akan cukup untuk membuat AI nyata. "Ini tidak hanya akan menjadi pembelajaran yang mendalam dengan set data yang besar," katanya. "Kita manusia melakukan sangat buruk dengan perhitungan data besar, tetapi sangat baik dengan abstraksi dan kreativitas."

Tidak ada yang tahu bagaimana memberi mesin kualitas manusia ini dan apakah ini mungkin. Apakah ada sesuatu yang eksklusif manusia dalam kualitas yang tidak memungkinkan AI untuk memilikinya?

Pakar sains kognitif, seperti Tenenbaum dari MIT, percaya bahwa jaringan saraf saat ini tidak memiliki komponen penting dari pikiran - terlepas dari ukuran jaringan ini. Orang-orang dapat belajar dengan relatif cepat pada jumlah data yang relatif kecil, dan mereka memiliki kemampuan bawaan untuk secara efektif mensimulasikan dunia tiga dimensi. "Bahasa ini dibangun di atas kemungkinan lain, mungkin terletak lebih dalam dan ada pada bayi bahkan sebelum mereka mulai menguasai bahasa: persepsi visual tentang dunia, bekerja dengan peralatan motorik kami, memahami fisika dunia dan niat makhluk lain," kata Tenenbaum.

Jika dia benar, maka tanpa mencoba mensimulasikan proses belajar manusia, membuat model mental dan psikologi, akan sangat sulit untuk menciptakan kembali pemahaman bahasa dalam AI.

Jelaskan


Kantor Noah Goodman di Departemen Psikologi Stanford hampir kosong, dengan pengecualian beberapa lukisan asractic di salah satu dinding dan beberapa tanaman yang tumbuh terlalu besar. Goodman menuliskan sesuatu di laptopnya pada saat kedatangan saya, meletakkan kakinya yang telanjang di atas meja. Kami berjalan di sekitar kampus yang diterangi matahari untuk membeli kopi es. "Keunikan bahasa adalah bahwa ia tidak hanya bergantung pada sejumlah besar informasi tentang bahasa, tetapi juga pada pemahaman universal dunia di sekitar kita dan kedua bidang pengetahuan ini secara implisit terkait satu sama lain," jelasnya.

Goodman dan murid-muridnya mengembangkan bahasa pemrograman Webppl, yang dapat digunakan untuk memberikan komputer akal sehat probabilistik, yang cukup penting dalam percakapan. Satu versi eksperimental mampu mengenali permainan kata, dan yang lainnya adalah hiperbola. Jika dia mengatakan bahwa beberapa orang harus menghabiskan "keabadian" menunggu meja di restoran, dia akan secara otomatis memutuskan bahwa menggunakan arti literal dari kata ini dalam kasus ini tidak mungkin dan bahwa orang cenderung menunggu lama dan merasa terganggu. Sistem belum dapat disebut kecerdasan sebenarnya, tetapi ini menunjukkan bagaimana pendekatan baru dapat membantu program AI berbicara sedikit lebih jelas.

Contoh Goodman juga menunjukkan betapa sulitnya mengajarkan mesin bahasa. Memahami makna istilah "keabadian" dalam konteks tertentu adalah contoh dari apa yang harus dipelajari sistem AI, dan ini sebenarnya adalah hal yang cukup sederhana dan belum sempurna.

Namun demikian, terlepas dari kompleksitas dan kompleksitas tugas, keberhasilan awal para peneliti menggunakan pembelajaran mendalam untuk mengenali gambar atau bermain game memberi harapan bahwa kita berada di ambang terobosan dalam bidang bahasa. Dalam hal ini, terobosan ini tiba tepat pada waktunya. Jika AI harus menjadi alat universal, membantu orang melengkapi dan memperkuat kecerdasan mereka sendiri dan melakukan tugas dalam mode simbiosis bebas masalah, maka bahasa adalah kunci untuk mencapai keadaan ini. Apalagi jika sistem AI akan semakin menggunakan pembelajaran yang mendalam dan teknologi lainnya untuk pemrograman mandiri.

"Secara umum, sistem pembelajaran yang mendalam terpesona," kata John Leonard, seorang profesor kendaraan robot di MIT. "Di sisi lain, pekerjaan mereka cukup sulit untuk dipahami."

Toyota, yang sedang meneliti berbagai teknologi mengemudi otonom, telah meluncurkan proyek penelitian di MIT yang dipimpin oleh Gerald Sussman, seorang ahli dalam AI dan bahasa pemrograman, untuk mengembangkan sistem mengemudi otonom yang dapat menjelaskan mengapa di beberapa titik itu atau tindakan lain. Cara yang jelas untuk memberikan penjelasan seperti itu adalah verbal. “Menciptakan sistem yang berpengetahuan luas adalah tantangan besar,” kata Leonard, yang menjalankan proyek Toyota lain di MIT. "Tapi, ya, idealnya mereka seharusnya tidak hanya memberikan jawaban, tetapi juga sebuah penjelasan."

Beberapa minggu setelah kembali dari California, saya bertemu dengan David Silver, seorang peneliti Google DeepMind dan pengembang AlphaGo. Dia berbicara tentang pertandingan melawan Sedol di sebuah konferensi ilmiah di New York. Silver menjelaskan bahwa ketika program di game kedua membuat langkah yang menentukan, timnya terkejut tidak kurang dari yang lain. Mereka hanya bisa melihat bahwa AlphaGo meramalkan peluang menang, dan prediksi ini tidak banyak berubah setelah gerakan ke-37. Hanya beberapa hari kemudian, setelah menganalisis permainan dengan hati-hati, tim membuat penemuan: dengan mencerna permainan sebelumnya, program menghitung bahwa pemain manusia dapat bergerak seperti itu dengan probabilitas 1 banding 10.000. Dan permainan latihannya menunjukkan bahwa manuver seperti itu memberikan keuntungan posisi yang luar biasa kuat. .

Jadi, dalam arti tertentu, mobil itu tahu bahwa langkah ini akan mengenai titik lemah Sedol.

Silver mengatakan bahwa Google sedang mempertimbangkan beberapa cara untuk mengkomersialkan teknologi ini, termasuk asisten pintar dan alat perawatan kesehatan. Setelah ceramah, saya bertanya kepadanya tentang pentingnya berkomunikasi dengan AI yang mengendalikan sistem semacam itu. "Pertanyaan yang menarik," katanya setelah terdiam. - Untuk beberapa aplikasi, ini mungkin berguna. Misalnya, dalam perawatan kesehatan mungkin penting untuk mengetahui mengapa keputusan tertentu dibuat. ”

Faktanya, AI menjadi semakin kompleks dan membingungkan dan sangat sulit untuk membayangkan bagaimana kita akan bekerja dengan mereka tanpa bahasa - tanpa kemampuan untuk bertanya kepada mereka, “Mengapa?”. Selain itu, kemampuan untuk berkomunikasi dengan komputer dengan mudah akan membuatnya lebih bermanfaat dan terlihat seperti sulap. Bagaimanapun, bahasa adalah cara terbaik kita untuk memahami dunia dan berinteraksi dengannya. Sudah waktunya bagi mobil untuk mengejar kami.

Source: https://habr.com/ru/post/id396977/

More articles:


All Articles