Apakah algoritma pintar di masa depan akan menjadi seperti robot untuk keperluan umum yang dapat menangani percakapan dan membaca kartu seperti halnya tugas dapur? Atau akankah asisten digital kami lebih mirip gadget khusus - artinya, ia tidak akan menjadi koki yang banyak bicara, melainkan dapur yang penuh dengan peralatan rumah tangga?
Jika suatu algoritma mencoba melakukan terlalu banyak, masalah akan dimulai. Resep di bawah ini dibuat oleh jaringan saraf tiruan - sejenis kecerdasan buatan yang belajar dengan contoh. Algoritma ini dengan cermat mempelajari sekitar 30.000 resep, dari sup dan pai hingga barbekyu, dan kemudian mencoba memberikan resep Anda sendiri. Hasilnya, katakanlah, tidak ortodoks.
Pasta Ayam dengan Nasi
2 pon hati yang dikupas
1 cangkir mint segar atau pai raspberry
1/2 cangkir katrimas parut
1 sendok makan minyak sayur
1 garam
1 lada
2 1/2 sendok makan gula
Campur tanpa daun dan aduk sampai campuran menjadi kental. Tambahkan telur, gula, madu, biji jintan, dan masak dengan api kecil. Tambahkan sirup jagung, oregano, rosemary, dan lada putih. Tambahkan krim saat dipanaskan. Bersiaplah untuk menambahkan sisa sendok teh baking powder dan garam. Masak pada suhu 350 ° F selama 2 hingga 1 jam. Sajikan panas.
Untuk 6 porsi.
Dan di sini adalah contoh resep yang dibuat oleh algoritma yang sama, tetapi hanya alih-alih mempelajari semua resep secara berurutan, ia hanya berlatih membuat kue. Resepnya tidak sempurna, tetapi jauh lebih baik dari yang sebelumnya.
Kue wortel
1 bungkus campuran kue kuning
3 cangkir tepung
1 sendok teh baking powder
1 1/2 sendok teh soda
1/4 sendok teh garam
1 sendok teh kayu manis
1 sendok teh jahe
1/2 sendok teh cengkeh
1 sendok teh baking powder
1/4 sendok teh garam
1 sendok teh vanila
1 butir telur pada suhu kamar
1 gelas gula
1 sendok teh vanila
1 cangkir pecan cincang
Memanaskan lebih dulu oven ke 350 derajat. Olesi loyang 9 inci.
Kocok telur dengan cepat sampai kuning tua. Sisihkan. Kocok putih hingga keras dalam cangkir terpisah. Percepat campuran pertama ke dalam bentuk siap dan melunakkan minyak. Panggang dalam oven selama 40 menit sampai tusuk gigi yang dimasukkan di tengah pai tetap bersih. Dinginkan dalam bentuk 10 menit. Pasang dudukan kawat sampai dingin.
Keluarkan kue dari cetakan sampai benar-benar dingin. Sajikan hangat.
Untuk 16 porsi.
Tentu saja, jika Anda melihat lebih dekat pada instruksi, akan menjadi jelas bahwa di pintu keluar Anda hanya akan menerima kuning telur yang dipanggang. Namun ini masih merupakan perbaikan. Ketika AI diizinkan untuk membatasi diri pada spesialisasi tertentu, jumlah yang perlu dipantau hanya berkurang. Dia tidak harus memilih kapan harus menggunakan cokelat, dan kapan - kentang, kapan memanggang, dan kapan mendidih. Jika algoritma pertama mencoba menjadi kotak ajaib yang mampu mengirimkan nasi, es krim, dan pai, yang kedua mencoba menjadi sesuatu yang menyerupai pemanggang roti - alat khusus untuk satu tugas.
Pengembang yang melatih algoritme pembelajaran mesin telah menemukan bahwa seringkali masuk akal untuk membuat toaster alih-alih kotak ajaib. Ini mungkin tidak intuitif, karena AI dalam fiksi Barat lebih seperti C-3PO dari Star Wars atau WALL-E dari film dengan nama yang sama. Ini adalah contoh kecerdasan buatan tujuan umum (ION), automata yang mampu berinteraksi dengan dunia seperti orang-orang dan melakukan banyak tugas berbeda. Namun, banyak perusahaan diam-diam - dan berhasil - menggunakan pembelajaran mesin untuk mencapai tujuan yang jauh lebih terbatas. Salah satu algoritme dapat berupa bot obrolan yang melayani sejumlah pertanyaan dasar pelanggan tentang tagihan telepon. Yang lain mungkin memberikan prediksi tentang apa yang penelepon ingin diskusikan dan menunjukkan prediksi ini di layar untuk orang yang menjawab panggilan. Ini adalah contoh kecerdasan buatan spesialisasi sempit (IIMS) - dibatasi oleh serangkaian fungsi yang sangat kecil. Di sisi lain, Facebook baru-baru ini menghentikan bot obrolannya “M”, yang tidak dapat mengatasi pemesanan hotel, tiket teater, dan banyak lagi.
Alasan bahwa kita memiliki IIMS daripada IALL tingkat WALL-E adalah bahwa setiap algoritma yang mencoba untuk menggeneralisasi tugas mulai untuk mengatasi lebih buruk dengan tugas yang diberikan. Misalnya,
ada algoritma yang dilatih untuk menghasilkan gambar berdasarkan deskripsi. Dia berusaha membuat gambar dari teks: "itu adalah burung kuning dengan bintik-bintik hitam di kepalanya dan paruh yang sangat pendek." Ketika ia dilatih tentang kumpulan data yang hanya terdiri dari burung, ia berhasil dengan cukup baik (tanpa memperhitungkan tanduk aneh):
Tetapi ketika dia diperintahkan untuk membuat apa saja mulai dari tanda berhenti dan perahu sampai sapi dan manusia, dia mengalami kesulitan. Ini adalah hasil dari mencoba menggambar "gambar seorang gadis yang makan sepotong pizza":
Kita tidak terbiasa berpikir bahwa ada kesenjangan yang sangat besar antara suatu algoritma yang melakukan satu hal dengan baik dan algoritma yang melakukan banyak hal dengan baik. Tetapi kemampuan mental dari algoritma kami saat ini sangat terbatas dibandingkan dengan otak manusia, dan setiap tugas baru bahkan lebih memuatnya. Bayangkan perangkat rumah tangga seukuran pemanggang roti: mudah untuk membuat beberapa slot di dalamnya, memasang gulungan pemanas, dan menggoreng roti. Tetapi setelah itu, tidak ada lagi yang bisa dilakukan. Jika Anda mencoba untuk menambahkan penanak nasi dan pembuat es krim di sana, Anda harus meninggalkan setidaknya slotnya, dan alat semacam itu mungkin akan dapat bekerja dengan baik.
Pemrogram menggunakan trik yang berbeda untuk menekan pengembalian maksimum dari algoritma IMS. Satu ditransmisikan pelatihan: melatih algoritma untuk bekerja dengan satu tugas, dan itu akan belajar untuk melakukan yang lain, terkait erat dengan tugas ini, setelah berlatih berlebihan minimal. Orang-orang menggunakan pembelajaran yang ditransmisikan untuk melatih algoritma pengenalan gambar. Algoritma, yang belajar mengenali hewan, telah mengumpulkan banyak informasi mengenai penentuan kontur dan analisis tekstur, yang dapat ditransfer ke tugas menentukan buah. Tetapi ketika melakukan overtraining algoritma untuk pengenalan buah, algoritme akan mengalami “pelepasan bencana”, yaitu, ia tidak akan lagi ingat bagaimana mengidentifikasi hewan.
Fokus lain dari algoritma saat ini adalah modularitas. Alih-alih berubah menjadi algoritma tunggal yang dapat memecahkan masalah, AI di masa depan kemungkinan besar akan menjadi rakitan alat yang sangat khusus. Algoritma, yang dipelajari untuk bermain Doom, akan memiliki sistem terpisah untuk penglihatan, kontrol, dan memori komputer. Modul yang saling berhubungan dapat memberikan redundansi untuk mencegah kegagalan, dan mekanisme pemungutan suara untuk solusi terbaik untuk masalah berdasarkan berbagai pendekatan. Mungkin ada cara untuk mendeteksi dan memperbaiki kesalahan algoritma. Biasanya cukup sulit untuk memahami bagaimana algoritma tertentu membuat keputusan, tetapi jika keputusan itu dibuat melalui interaksi dari algoritma, kita dapat mempelajari output dari masing-masing algoritma.
Mungkin kita seharusnya tidak membayangkan algoritma masa depan yang jauh dalam bentuk WALL-E dan C-3PO. Sebagai gantinya, kita dapat membayangkan sesuatu seperti smartphone yang penuh dengan semua jenis aplikasi, atau meja dapur yang penuh dengan gadget. Saat mempersiapkan dunia yang dipenuhi dengan algoritma, Anda perlu memastikan bahwa kami berencana untuk bertemu bukan dengan memikirkan kotak ajaib tujuan umum yang mungkin tidak pernah muncul, tetapi dengan pemanggang roti yang sangat terspesialisasi.