68b3c9c9e7
|
||
|---|---|---|
| .. | ||
| README.md | ||
| assignment.md | ||
README.md
Introduktion till AI
Skiss av Tomomi Imura
Quiz före förelÀsningen
Artificiell intelligens Àr en spÀnnande vetenskaplig disciplin som studerar hur vi kan fÄ datorer att uppvisa intelligent beteende, t.ex. göra sÄdant som mÀnniskor Àr bra pÄ att göra.
Ursprungligen uppfanns datorer av Charles Babbage för att arbeta med siffror enligt en vÀl definierad procedur - en algoritm. Moderna datorer, Àven om de Àr betydligt mer avancerade Àn den ursprungliga modellen som föreslogs pÄ 1800-talet, följer fortfarande samma idé om kontrollerade berÀkningar. Det Àr alltsÄ möjligt att programmera en dator att göra nÄgot om vi vet den exakta sekvensen av steg som behövs för att uppnÄ mÄlet.
Foto av Vickie Soshnikova
â Att bestĂ€mma en persons Ă„lder frĂ„n ett fotografi Ă€r en uppgift som inte kan programmeras explicit, eftersom vi inte vet hur vi kommer fram till ett nummer i vĂ„rt huvud nĂ€r vi gör det.
Det finns dock vissa uppgifter som vi inte vet exakt hur vi ska lösa. TÀnk pÄ att bestÀmma en persons Älder frÄn ett fotografi. Vi lÀr oss pÄ nÄgot sÀtt att göra det, eftersom vi har sett mÄnga exempel pÄ mÀnniskor i olika Äldrar, men vi kan inte explicit förklara hur vi gör det, och vi kan inte heller programmera datorn att göra det. Det Àr precis den typen av uppgifter som Àr av intresse för artificiell intelligens (AI).
â Fundera pĂ„ nĂ„gra uppgifter som du skulle kunna överlĂ„ta till en dator som skulle dra nytta av AI. TĂ€nk pĂ„ omrĂ„den som finans, medicin och konst - hur drar dessa omrĂ„den nytta av AI idag?
Svag AI vs. Stark AI
| Svag AI | Stark AI |
|---|---|
| Svag AI avser AI-system som Àr designade och trÀnade för en specifik uppgift eller en begrÀnsad uppsÀttning uppgifter. | Stark AI, eller artificiell generell intelligens (AGI), avser AI-system med mÀnsklig nivÄ av intelligens och förstÄelse. |
| Dessa AI-system Àr inte generellt intelligenta; de Àr utmÀrkta pÄ att utföra en fördefinierad uppgift men saknar verklig förstÄelse eller medvetenhet. | Dessa AI-system har förmÄgan att utföra alla intellektuella uppgifter som en mÀnniska kan göra, anpassa sig till olika omrÄden och besitter en form av medvetenhet eller sjÀlvinsikt. |
| Exempel pÄ svag AI inkluderar virtuella assistenter som Siri eller Alexa, rekommendationsalgoritmer som anvÀnds av streamingtjÀnster och chatbots som Àr designade för specifika kundtjÀnstuppgifter. | Att uppnÄ stark AI Àr ett lÄngsiktigt mÄl för AI-forskning och skulle krÀva utveckling av AI-system som kan resonera, lÀra sig, förstÄ och anpassa sig över ett brett spektrum av uppgifter och sammanhang. |
| Svag AI Àr mycket specialiserad och har inte mÀnskliga kognitiva förmÄgor eller generell problemlösningsförmÄga utanför sitt begrÀnsade omrÄde. | Stark AI Àr för nÀrvarande ett teoretiskt koncept, och inget AI-system har nÄtt denna nivÄ av generell intelligens. |
För mer information, se Artificial General Intelligence (AGI).
Definitionen av intelligens och Turing-testet
Ett av problemen med termen intelligens Àr att det inte finns nÄgon tydlig definition av begreppet. Man kan argumentera för att intelligens Àr kopplad till abstrakt tÀnkande eller sjÀlvmedvetenhet, men vi kan inte definiera det ordentligt.
Foto av Amber Kipp frÄn Unsplash
För att se tvetydigheten i termen intelligens, försök att svara pĂ„ frĂ„gan: "Ăr en katt intelligent?". Olika mĂ€nniskor tenderar att ge olika svar pĂ„ denna frĂ„ga, eftersom det inte finns nĂ„got universellt accepterat test för att bevisa att pĂ„stĂ„endet Ă€r sant eller inte. Och om du tror att det finns - försök att lĂ„ta din katt göra ett IQ-test...
â Fundera en stund pĂ„ hur du definierar intelligens. Ăr en krĂ„ka som kan lösa en labyrint för att fĂ„ mat intelligent? Ăr ett barn intelligent?
NÀr vi talar om AGI behöver vi ha ett sÀtt att avgöra om vi har skapat ett verkligt intelligent system. Alan Turing föreslog ett sÀtt som kallas Turing-testet, vilket ocksÄ fungerar som en definition av intelligens. Testet jÀmför ett givet system med nÄgot som Àr inneboende intelligent - en riktig mÀnniska, och eftersom alla automatiska jÀmförelser kan kringgÄs av ett datorprogram, anvÀnder vi en mÀnsklig förhörsledare. SÄ, om en mÀnniska inte kan skilja mellan en riktig person och ett datorsystem i en textbaserad dialog - anses systemet vara intelligent.
En chatbot vid namn Eugene Goostman, utvecklad i St. Petersburg, kom nÀra att klara Turing-testet 2014 genom att anvÀnda ett smart personlighetsknep. Den meddelade direkt att den var en 13-Ärig ukrainsk pojke, vilket skulle förklara bristen pÄ kunskap och vissa diskrepanser i texten. Botten övertygade 30% av domarna att den var mÀnsklig efter en 5-minuters dialog, en mÄttstock som Turing trodde att en maskin skulle kunna klara av Är 2000. Men man bör förstÄ att detta inte indikerar att vi har skapat ett intelligent system, eller att ett datorsystem har lurat den mÀnskliga förhörsledaren - systemet lurade inte mÀnniskorna, utan snarare botens skapare gjorde det!
â Har du nĂ„gonsin blivit lurad av en chatbot att tro att du pratar med en mĂ€nniska? Hur övertygade den dig?
Olika tillvÀgagÄngssÀtt för AI
Om vi vill att en dator ska bete sig som en mÀnniska, mÄste vi pÄ nÄgot sÀtt modellera vÄrt sÀtt att tÀnka inuti datorn. Följaktligen mÄste vi försöka förstÄ vad som gör en mÀnniska intelligent.
För att kunna programmera intelligens i en maskin mĂ„ste vi förstĂ„ hur vĂ„ra egna beslutsprocesser fungerar. Om du gör lite sjĂ€lvreflektion kommer du att inse att det finns vissa processer som sker undermedvetet â t.ex. vi kan skilja en katt frĂ„n en hund utan att tĂ€nka pĂ„ det - medan andra involverar resonemang.
Det finns tvÄ möjliga tillvÀgagÄngssÀtt för detta problem:
| Top-down-ansats (symboliskt resonemang) | Bottom-up-ansats (neurala nÀtverk) |
|---|---|
| En top-down-ansats modellerar hur en person resonerar för att lösa ett problem. Det innebÀr att extrahera kunskap frÄn en mÀnniska och representera den i en datorlÀsbar form. Vi mÄste ocksÄ utveckla ett sÀtt att modellera resonemang inuti en dator. | En bottom-up-ansats modellerar strukturen av en mÀnsklig hjÀrna, bestÄende av ett stort antal enkla enheter som kallas neuroner. Varje neuron fungerar som ett viktat medelvÀrde av sina ingÄngar, och vi kan trÀna ett nÀtverk av neuroner att lösa anvÀndbara problem genom att tillhandahÄlla trÀningsdata. |
Det finns ocksÄ nÄgra andra möjliga tillvÀgagÄngssÀtt för intelligens:
-
En Emergent, Synergetisk eller multi-agent-ansats baseras pÄ att komplex intelligent beteende kan uppnÄs genom interaktion mellan ett stort antal enkla agenter. Enligt evolutionÀr cybernetik kan intelligens uppstÄ frÄn enklare, reaktivt beteende i processen av metasystemövergÄng.
-
En EvolutionÀr ansats, eller genetisk algoritm, Àr en optimeringsprocess baserad pÄ evolutionens principer.
Vi kommer att övervÀga dessa tillvÀgagÄngssÀtt senare i kursen, men just nu kommer vi att fokusera pÄ tvÄ huvudriktningar: top-down och bottom-up.
Top-down-ansatsen
I en top-down-ansats försöker vi modellera vÄrt resonemang. Eftersom vi kan följa vÄra tankar nÀr vi resonerar, kan vi försöka formalisera denna process och programmera den i datorn. Detta kallas symboliskt resonemang.
MÀnniskor tenderar att ha vissa regler i sitt huvud som styr deras beslutsprocesser. Till exempel, nÀr en lÀkare diagnostiserar en patient, kan han eller hon inse att en person har feber, och dÀrför kan det finnas nÄgon inflammation i kroppen. Genom att tillÀmpa ett stort antal regler pÄ ett specifikt problem kan en lÀkare komma fram till den slutliga diagnosen.
Denna ansats bygger starkt pÄ kunskapsrepresentation och resonemang. Att extrahera kunskap frÄn en mÀnsklig expert kan vara den svÄraste delen, eftersom en lÀkare i mÄnga fall inte skulle veta exakt varför han eller hon kommer fram till en viss diagnos. Ibland dyker lösningen bara upp i hans eller hennes huvud utan explicit tÀnkande. Vissa uppgifter, sÄsom att bestÀmma en persons Älder frÄn ett fotografi, kan inte alls reduceras till att manipulera kunskap.
Bottom-up-ansatsen
Alternativt kan vi försöka modellera de enklaste elementen i vĂ„r hjĂ€rna â en neuron. Vi kan konstruera ett sĂ„ kallat artificiellt neuralt nĂ€tverk i en dator och sedan försöka lĂ€ra det att lösa problem genom att ge det exempel. Denna process liknar hur ett nyfött barn lĂ€r sig om sin omgivning genom att göra observationer.
â Gör lite forskning om hur bebisar lĂ€r sig. Vilka Ă€r de grundlĂ€ggande elementen i en bebis hjĂ€rna?
Vad sÀgs om ML? Den del av artificiell intelligens som bygger pÄ att datorn lÀr sig att lösa ett problem baserat pÄ viss data kallas maskininlÀrning. Vi kommer inte att behandla klassisk maskininlÀrning i denna kurs - vi hÀnvisar dig till en separat Machine Learning for Beginners-kursplan.
En kort historia om AI
Artificiell intelligens startade som ett omrĂ„de i mitten av 1900-talet. Inledningsvis var symboliskt resonemang en dominerande ansats, och det ledde till ett antal viktiga framgĂ„ngar, sĂ„som expertsystem â datorprogram som kunde agera som en expert inom vissa begrĂ€nsade problemomrĂ„den. Men det blev snart klart att en sĂ„dan ansats inte skalar bra. Att extrahera kunskap frĂ„n en expert, representera den i en dator och hĂ„lla den kunskapsbasen korrekt visade sig vara en mycket komplex uppgift och för dyr för att vara praktisk i mĂ„nga fall. Detta ledde till den sĂ„ kallade AI-vintern pĂ„ 1970-talet.
Bild av Dmitry Soshnikov
Med tiden blev datorresurser billigare, och mer data blev tillgÀnglig, sÄ ansatser med neurala nÀtverk började visa stor prestanda i att konkurrera med mÀnniskor inom mÄnga omrÄden, sÄsom datorseende eller talförstÄelse. Under det senaste decenniet har termen artificiell intelligens mestadels anvÀnts som en synonym för neurala nÀtverk, eftersom de flesta AI-framgÄngar vi hör om bygger pÄ dem.
Vi kan observera hur ansatserna har förÀndrats, till exempel vid skapandet av ett schackspelande datorprogram:
- Tidiga schackprogram baserades pĂ„ sökning â ett program försökte explicit uppskatta möjliga drag frĂ„n en motstĂ„ndare för ett givet antal kommande drag och valde ett optimalt drag baserat pĂ„ den optimala positionen som kan uppnĂ„s inom nĂ„gra drag. Detta ledde till utvecklingen av den sĂ„ kallade alpha-beta pruning-sökningsalgoritmen.
- Sökningsstrategier fungerar bra mot slutet av spelet, dÀr sökrymden Àr begrÀnsad av ett litet antal möjliga drag. Men i början av spelet Àr sökrymden enorm, och algoritmen kan förbÀttras genom att lÀra sig frÄn befintliga matcher mellan mÀnskliga spelare. Efterföljande experiment anvÀnde sÄ kallad case-based reasoning, dÀr programmet letade efter fall i kunskapsbasen som liknade den aktuella positionen i spelet.
- Moderna program som vinner över mĂ€nskliga spelare bygger pĂ„ neurala nĂ€tverk och förstĂ€rkningsinlĂ€rning, dĂ€r programmen lĂ€r sig att spela enbart genom att spela lĂ€nge mot sig sjĂ€lva och lĂ€ra sig av sina egna misstag â ungefĂ€r som mĂ€nniskor gör nĂ€r de lĂ€r sig spela schack. Men ett datorprogram kan spela mĂ„nga fler spel pĂ„ mycket kortare tid och dĂ€rmed lĂ€ra sig mycket snabbare.
â Gör lite forskning om andra spel som har spelats av AI.
PÄ samma sÀtt kan vi se hur ansatsen för att skapa "pratande program" (som kan klara Turing-testet) har förÀndrats:
- Tidiga program av denna typ, sÄsom Eliza, baserades pÄ mycket enkla grammatiska regler och omformulering av inmatningsmeningen till en frÄga.
- Moderna assistenter, sÄsom Cortana, Siri eller Google Assistant, Àr alla hybridsystem som anvÀnder neurala nÀtverk för att konvertera tal till text och kÀnna igen vÄr avsikt, och sedan anvÀnder vissa resonemang eller explicita algoritmer för att utföra nödvÀndiga ÄtgÀrder.
- I framtiden kan vi förvÀnta oss en komplett neuralbaserad modell som hanterar dialoger sjÀlv. Den senaste GPT- och Turing-NLG-familjen av neurala nÀtverk visar stor framgÄng i detta.
Bild av Dmitry Soshnikov, foto av Marina Abrosimova, Unsplash
Ny AI-forskning
Den enorma tillvÀxten inom forskning om neurala nÀtverk började runt 2010, nÀr stora offentliga dataset blev tillgÀngliga. En stor samling bilder kallad ImageNet, som innehÄller cirka 14 miljoner annoterade bilder, gav upphov till ImageNet Large Scale Visual Recognition Challenge.
Bild av Dmitry Soshnikov
à r 2012 anvÀndes konvolutionella neurala nÀtverk för första gÄngen inom bildklassificering, vilket ledde till en betydande minskning av klassificeringsfel (frÄn nÀstan 30 % till 16,4 %). à r 2015 uppnÄdde ResNet-arkitekturen frÄn Microsoft Research mÀnniskoliknande noggrannhet.
Sedan dess har neurala nÀtverk visat mycket framgÄngsrikt beteende inom mÄnga uppgifter:
| à r | MÀnniskoliknande prestation uppnÄdd |
|---|---|
| 2015 | Bildklassificering |
| 2016 | Konversationell taligenkÀnning |
| 2018 | Automatisk maskinöversÀttning (Kinesiska till engelska) |
| 2020 | Bildbeskrivning |
Under de senaste Ären har vi bevittnat stora framgÄngar med stora sprÄkmodeller, sÄsom BERT och GPT-3. Detta skedde frÀmst tack vare att det finns mycket generell textdata tillgÀnglig, vilket gör det möjligt att trÀna modeller för att fÄnga textens struktur och innebörd, förtrÀna dem pÄ generella textsamlingar och sedan specialisera dessa modeller för mer specifika uppgifter. Vi kommer att lÀra oss mer om naturlig sprÄkbehandling senare i den hÀr kursen.
đ Utmaning
Gör en rundtur pĂ„ internet för att avgöra var AI, enligt din mening, anvĂ€nds mest effektivt. Ăr det i en kartapp, nĂ„gon tal-till-text-tjĂ€nst eller ett videospel? Undersök hur systemet byggdes.
Quiz efter förelÀsningen
Granskning & SjÀlvstudier
GÄ igenom AI:s och maskininlÀrningens historia genom att lÀsa igenom den hÀr lektionen. Ta ett element frÄn sketchnoten högst upp i den lektionen eller denna och undersök det mer ingÄende för att förstÄ den kulturella kontexten som pÄverkat dess utveckling.
Uppgift: Game Jam
Ansvarsfriskrivning:
Detta dokument har översatts med hjĂ€lp av AI-översĂ€ttningstjĂ€nsten Co-op Translator. Ăven om vi strĂ€var efter noggrannhet, bör du vara medveten om att automatiserade översĂ€ttningar kan innehĂ„lla fel eller felaktigheter. Det ursprungliga dokumentet pĂ„ dess ursprungliga sprĂ„k bör betraktas som den auktoritativa kĂ€llan. För kritisk information rekommenderas professionell mĂ€nsklig översĂ€ttning. Vi ansvarar inte för eventuella missförstĂ„nd eller feltolkningar som uppstĂ„r vid anvĂ€ndning av denna översĂ€ttning.