"Mobil perlu memutuskan siapa yang akan dikorbankan - mereka yang berada di dalam mobil, atau mereka yang bergegas di bawah roda," Tatyana Gavrilova, profesor di Departemen Teknologi Informasi di St. Petersburg State University, menjelaskan algoritma mana yang mendasari kecerdasan buatan dan kesulitan apa yang dihadapi para pengembangnya. Dari otak yang hidup ke kecerdasan buatan
Selama lima tahun terakhir, gelombang besar publikasi, pidato, ketakutan, serta hype - diskusi, hype dan iklan agresif telah meningkat seputar kecerdasan buatan. Ini menunjukkan spekulasi dan kata-kata kotor. Portal berita saling berlomba-lomba menceritakan bagaimana jaringan saraf mempelajari trik lain yang luar biasa. Harus dipahami bahwa jaringan saraf tiruan bukanlah model otak. Ahli saraf mencatat bahwa mekanisme otak masih kurang dipahami, dan modelnya jauh dari formalisasi matematika.
Pada 2013, Komisi Eropa mengevaluasi proyek penelitian Proyek Otak Manusia dan mengalokasikan hibah $ 1 miliar untuk penelitian. Tujuan dari proyek ini adalah untuk membuat model komputer yang berfungsi penuh dari otak manusia. Sajikan kompleksitas otak: bagaimana neuron terhubung dan berinteraksi satu sama lain, bagaimana ingatan terbentuk, dan keputusan dibuat. Pada Konferensi Eropa pada tahun 2019, sebuah presentasi dibuat oleh ahli neurobiologi, direktur dan pendiri Proyek Otak Manusia, Henry Markram. Dia dan tim menunjukkan gambar-gambar otak, diterangi pada tomograph dari sisi yang berbeda, menekankan bahwa semakin mereka masuk lebih dalam ke otak, semakin tidak jelas cara kerjanya. Selama ini mereka telah bergerak di sepanjang jalur miniaturisasi, tetapi jelas bahwa mereka membutuhkan model makro otak. Di sini Anda dapat menggambar analogi dengan metafora yang terkenal: tidak peduli berapa banyak semut merayap di dalam TV, ia masih tidak mengerti perangkat apa itu.
Chatbots berbicara tetapi tidak mengerti
Program percakapan pertama "Eliza" dikembangkan kembali di tahun 60an. Pekerjaannya seperti sesi psikoterapi. Contoh dialog mungkin terlihat seperti ini:
- Halo. Bagaimana perasaanmu
- Kepalaku sakit.
- Seberapa sering ini terjadi?
"Setiap kali aku berbicara dengan ibuku."
"Kamu punya masalah dengan ibumu." Ceritakan lebih lanjut tentang ini kepada kami.
Program ini berisi satu set kosong. Mengidentifikasi kata kunci dalam setiap kalimat dan menciptakan ilusi percakapan, tanpa makna sama sekali. Dengan demikian, Eliza dapat dengan terampil mempertahankan percakapan selama beberapa jam, membuat kesan yang baik pada orang-orang.
Alice hari ini dari Yandex adalah Elisa yang sama, dengan platform layanan yang terhubung dan kosakata yang lebih kaya. Semua kecerdasan bot obrolan seperti itu turun ke pelatihan ulang. Jika kita menandai untuk mereka jawaban itu buruk, tidak cocok, maka itu akan menyingkirkan mereka di masa depan, dan meninggalkan yang baik yang cocok. Rasionalitas program yang sebenarnya, kemampuannya tidak hanya untuk menentukan apa yang ditampilkan dalam gambar atau mengubah percakapan lisan menjadi teks, tetapi untuk memahami makna informasi dan berpikir, hanya akan muncul ketika terhubung ke basis pengetahuan. Ini adalah pemahaman tertentu tentang tatanan dunia. Belum ada program yang bisa melakukan ini. Kecerdasan buatan yang bekerja dengan basis pengetahuan disebut Symbolic AI (AI simbolik).
Sekarang dua arah secara aktif digunakan: jaringan saraf tiruan dan pembelajaran mesin. Pengembangan mereka tidak dilakukan di laboratorium ilmiah di bawah bimbingan para ilmuwan, tetapi di perusahaan IT. Pemrogram dan pengembang jaringan saraf tiruan mengakui bahwa tidak ada yang berpikir selain otak. Karena itu, jika mereka ingin membuat sistem yang cerdas, maka mereka dipaksa untuk mensimulasikan otak, karena tidak ada lagi. Tapi terobosan utama akan bagi mereka yang mampu melintasi model representasi pengetahuan dan pembelajaran mesin.
Ngomong-ngomong, beberapa perusahaan sudah aktif menggunakan robot untuk penempatan kerja. Mereka sangat bagus dalam pemutaran film massal, yang menerima lebih dari 1000 resume. Robot menganalisis kuesioner dan mengevaluasi kandidat untuk relevansi, tetapi keputusan akhir masih dibuat oleh orang tersebut. Para ilmuwan di Institut Teknologi Georgia telah menemukan dalam hal ini orang bersedia mempercayai robot. Ini terjadi jika mereka diberitahu sebelumnya bahwa itu dirancang untuk melakukan tugas tertentu. Robot semacam itu juga melakukan wawancara akhir pekan. Orang-orang memiliki dialog yang lebih jujur dengan mesin tentang alasan pemecatan dan tentang kesulitan apa yang mereka temui dalam proses kerja. Dengan demikian, robot mengumpulkan umpan balik yang sangat baik, dan yang paling penting signifikan. Selain itu, orang takut berbohong kepada robot. Mereka pikir mobil punya lebih banyak informasi. Misalnya, dua pertanyaan utama untuk memilih penjaga toko adalah: apakah Anda memiliki catatan kriminal dan apakah Anda minum alkohol? Dan orang-orang tanpa bersembunyi menjawab pertanyaan-pertanyaan ini kepada robot.
Apa yang salah dengan drone
Kendaraan tak berawak modern tidak sempurna dan memiliki beberapa kelemahan. Yang paling jelas terletak pada visi mesin. Masalahnya bahkan tidak dalam bidang teknis, masalah visi mesin belum diselesaikan secara konseptual. Kamera dan sensor memproses sinyal tertentu dengan kecepatan tinggi, sebagai akibatnya gambar biner terbentuk dalam memori komputer, yang harus ditafsirkan. Ini adalah kesulitan utama. Jika, misalnya, seorang pejalan kaki melintasi jalan, maka setiap pengemudi dengan mudah mempertimbangkan hal ini. Bukan karena visinya lebih baik daripada kamera drone, tetapi karena pengemudi memiliki model orang yang bergerak dalam pikirannya. Model penglihatan belum ada. Tidak diketahui bagaimana seseorang memproses informasi visual. Perangkat pemodelan sedang dirancang yang memungkinkan dengan tingkat kepercayaan tertentu untuk mengenali sejumlah objek.
Bayangkan Anda meminta seseorang yang tidak mengerti apa pun di mobil untuk membawa wishbone. Jelas, dia tidak akan bisa melakukan ini. Karena dia bukan mekanik mobil, dan dia tidak memiliki model tuas di kepalanya. Tetapi jika Anda mengatakan bahwa ini adalah sepotong besi dengan bentuk melengkung - seseorang akan membawanya. Semua orang tahu seperti apa sepotong besi itu, dan memahami seperti apa bentuk "melengkung" itu. Bahkan setelah penjelasan, robot tidak akan mengatasinya. Untuk melakukan ini, Anda perlu melatihnya, meletakkan konsep semua objek ini dari sudut yang berbeda dan dengan berbagai tingkat akses.
Saat berada di kantor, seseorang tidak harus memindahkan kursi dari meja untuk mengidentifikasi item. Lihat saja bagian belakang. Hanya karena orang memiliki model kursi yang lengkap, dan kami, di satu bagiannya, membuat ulang keseluruhannya. Kita tahu bahwa kursi adalah atribut penting dari interior kantor. Oleh karena itu, dari banyak pilihan objek yang dapat diciptakan kembali dari fragmen ini, kami memilih satu. Tidak ada program universal yang bisa melakukan ini. Tidak ada kecerdasan buatan yang sekarang memuat model dunia dan pengetahuan yang memungkinkannya menafsirkan gambar yang dilihatnya secara jelas.
Misalkan, di suatu tempat di balik semak-semak seorang pria bersembunyi, siap berlari keluar ke jalan. Bagian tubuhnya tersembunyi di balik dedaunan lebat. Bagian yang terlihat tidak akan cukup bagi mesin untuk dapat menganggap ini sebagai bahaya potensial. Apalagi, jika Anda melihat gajah bersembunyi di balik semak-semak, maka mungkin memutuskan bahwa ini adalah laki-laki dalam topeng gajah, karena di daerah kami gajah tidak ditemukan. Nah, mobil tentu tidak memiliki pengetahuan ini.
Masalah interpretasi mendekati resolusinya, dalam hal apapun ada kemajuan. Dalam algoritma pembelajaran mesin pada sampel besar, Anda dapat menempatkan 100 mobil, dan jelas bahwa 101, bahkan dari merek yang berbeda, dengan probabilitas tinggi, program akan mengenali dengan benar. Meskipun mobil ini tidak akan secara khusus diletakkan di dalamnya. Perlu juga dicatat bahwa untuk pelatihan program ini penting untuk mengamati variasi seleksi. Jika, misalnya, Anda hanya akan mempelajari program dalam sedan, dan kemudian konversi akan melaju, maka mungkin tidak akan mengenalinya, karena tidak ada mobil tanpa atap dalam sampel.
Tantangan kedua adalah dilema etis di mana sebuah mesin harus membuat pilihan moral. Katakanlah kendaraan tanpa awak membawa penumpang. Seorang pria melompat keluar untuk bertemu, dan satu-satunya cara untuk menghindari tabrakan adalah dengan berkendara ke pilar terdekat. Mobil harus memutuskan siapa yang akan dikorbankan - mereka yang ada di dalam mobil, atau mereka yang bergegas di bawah kemudi. Ini benar-benar tugas yang tidak terpecahkan baginya. Sudah ada kecelakaan pertama dan bahkan korban. Di Arizona, sebuah SUV milik Uber tak berawak menabrak pejalan kaki sampai mati. Kesalahan mereka adalah bahwa mereka merilis algoritma kasar yang tidak lulus semua tes di trek.
Masalah drone adalah, pertama-tama, kurangnya ide dasar tentang dunia. Orang selalu membuat keputusan dalam konteks. Tidak ada kecerdasan buatan yang memiliki gambaran lengkap tentang dunia yang dimiliki seseorang pada usia 18 tahun. Karena alasan ini, surat izin mengemudi dikeluarkan tepat sejak usia 18 tahun [di Rusia], meskipun visi tersebut sudah terbentuk pada usia 14 tahun. Sebelum mencapai usia dewasa, seseorang tidak dapat membuat keputusan yang tepat, termasuk yang etis dan emosional.
Kami berhadapan dengan algoritma yang sangat muda dan tidak matang yang membutuhkan penyempurnaan. Mereka mampu bekerja dengan baik, tetapi secara eksklusif di bawah kendali manusia.
Kecerdasan Buatan Poligrafi
Di pasar kecerdasan buatan, perusahaan-perusahaan terkemuka dunia secara aktif berinvestasi di bidang komputasi emosional. Teknologi ini mengungkapkan perubahan ekspresi wajah yang paling tidak terlihat. Program memilih sejumlah titik pada wajah dan membandingkannya dengan basis data foto-foto di mana emosi sudah dikenali.
Microsoft mengatakan bahwa mereka memiliki algoritma yang sama, tetapi tidak akan memberikannya kepada pemerintah. Ini adalah alat yang sangat berbahaya yang dapat digunakan untuk melawan manusia. Bayangkan bahwa Anda memasuki kantor bos, dan dia melihat bahwa Anda membencinya dan berpikir buruk tentangnya. Ada masalah etika yang serius.
Akan ada banyak lagi program "pengenal" serupa. Cantik, luar biasa termasuk. Mereka akan berguna, terutama dalam pengobatan. Mobil sudah membantu dokter mendiagnosis penyakit. Katakanlah program IBM Watson Amerika membuat diagnosis lebih baik daripada beberapa dokter pemula. Sebagai sampel pelatihan, enam ribu sejarah kasus diletakkan di dalamnya. Ini adalah pekerjaan raksasa dan, tentu saja, banyak uang.
Apakah mesin tahu cara menulis
Mesin tidak dapat menghasilkan sesuatu yang secara kualitatif baru. Lirik asli, ayat, komposisi musik - semua ini didasarkan pada prinsip permutasi, atau, lebih sederhana, permutasi. Adapun puisi, algoritme tindakan adalah sebagai berikut: program menemukan momen umum dan kombinasi tertentu. Dia mengambil kata kunci, menambahkan kata-kata penulis lain kepada mereka dan memutar mereka ke ritme yang diinginkan. Bahasa Rusia itu rumit, tetapi jika Anda tidak peduli dengan sajak, maka Anda dapat "menyusun" sajak putih.
Dengan musik masih lebih mudah. Program menentukan akord mana yang paling khas dari artis tertentu dan menggunakannya, tetapi dalam urutan yang berbeda. Dasar dari "kreativitas" ini adalah pengocokan skala dan penolakan terhadap hiruk pikuk.
Ada program yang mengarang cerita rakyat. Untuk melakukan ini, kami melakukan analisis skenario menggunakan buku oleh Vladimir Propp "Morphology of a Tale". Ternyata model pengembangan acara mencakup beberapa elemen yang jelas: dongeng selalu memiliki karakter positif dan negatif. Ada juga donor, jalan, hambatan dan akhir yang bahagia. Ciri khas dongeng semacam itu adalah eklektisisme. Program ini menggabungkan para pahlawan dan tindakan mereka, menceritakan, misalnya, tentang Ivan the Fool, yang bertarung dengan Serpent Gorynych. Kerugian mutlak adalah bahasa yang buruk dari cerita itu. Pendengar bosan. Seorang pendongeng yang hidup akan selalu menambahkan humor, dan di suatu tempat kecepatan bicara lucu. Untuk alasan yang sama, program tidak dapat menerjemahkan metafora atau unit ungkapan ke dalam bahasa lain. Penerjemah online bekerja dengan banyak informasi. Perlu dicatat bahwa kualitas terjemahan mereka telah meningkat secara signifikan dalam beberapa tahun terakhir. Sekarang mereka tidak menerjemahkan setiap kata satu per satu, seperti yang mereka lakukan sebelumnya, tetapi mencari seluruh kalimat di suatu tempat dalam teks. Kesulitan terbesar muncul dengan semantik. Ini membutuhkan basis pengetahuan untuk memahami makna ekspresi. Misalnya: ayam siap makan malam. Tidak jelas bagaimana menerjemahkan frasa ini dengan benar jika Anda tidak tahu di mana orang itu pada saat itu - di peternakan ayam (Ayam siap untuk makan malam) atau di restoran (Ayam disiapkan untuk makan siang).
Tanpa pengetahuan manusia, tidak ada aktivitas intelektual yang mungkin. Pengetahuan tidak bisa diganti oleh apa pun. Pertanyaannya adalah bagaimana mendigitalkan keterampilan ini. Bagaimana mengubah pengalaman menjadi beberapa skema yang bermakna, yang dapat dibagikan dengan mesin.