4550b861de
|
||
|---|---|---|
| .. | ||
| README.md | ||
| assignment.md | ||
README.md
Introduksjon til AI
Tegning av Tomomi Imura
Quiz fĂžr forelesning
Kunstig intelligens er en spennende vitenskapelig disiplin som studerer hvordan vi kan fÄ datamaskiner til Ä vise intelligent atferd, f.eks. gjÞre de tingene som mennesker er gode til Ä gjÞre.
Opprinnelig ble datamaskiner oppfunnet av Charles Babbage for Ă„ operere pĂ„ tall ved Ă„ fĂžlge en veldefinert prosedyre â en algoritme. Moderne datamaskiner, selv om de er betydelig mer avanserte enn den opprinnelige modellen foreslĂ„tt pĂ„ 1800-tallet, fĂžlger fortsatt samme idĂ© om kontrollerte beregninger. Dermed er det mulig Ă„ programmere en datamaskin til Ă„ gjĂžre noe hvis vi kjenner den nĂžyaktige sekvensen av trinn som mĂ„ utfĂžres for Ă„ oppnĂ„ mĂ„let.
Foto av Vickie Soshnikova
â Ă definere alderen til en person ut fra et fotografi er en oppgave som ikke kan programmeres eksplisitt, fordi vi ikke vet hvordan vi kommer frem til et tall i hodet vĂ„rt nĂ„r vi gjĂžr det.
Det finnes imidlertid noen oppgaver som vi ikke eksplisitt vet hvordan vi skal lÞse. Tenk pÄ det Ä bestemme alderen til en person ut fra et fotografi. Vi lÊrer oss dette pÄ en eller annen mÄte, fordi vi har sett mange eksempler pÄ mennesker i ulike aldre, men vi kan ikke eksplisitt forklare hvordan vi gjÞr det, og heller ikke programmere en datamaskin til Ä gjÞre det. Dette er akkurat den typen oppgaver som er interessante for kunstig intelligens (forkortet AI).
â Tenk pĂ„ noen oppgaver du kunne overlate til en datamaskin som ville dra nytte av AI. Tenk pĂ„ omrĂ„der som finans, medisin og kunst â hvordan drar disse omrĂ„dene nytte av AI i dag?
Svak AI vs. Sterk AI
| Svak AI | Sterk AI |
|---|---|
| Svak AI refererer til AI-systemer som er designet og trent for en spesifikk oppgave eller et smalt sett av oppgaver. | Sterk AI, eller kunstig generell intelligens (AGI), refererer til AI-systemer med menneskelig nivÄ av intelligens og forstÄelse. |
| Disse AI-systemene er ikke generelt intelligente; de utmerker seg i Ä utfÞre en forhÄndsdefinert oppgave, men mangler ekte forstÄelse eller bevissthet. | Disse AI-systemene har evnen til Ä utfÞre enhver intellektuell oppgave som et menneske kan gjÞre, tilpasse seg ulike domener og besitte en form for bevissthet eller selvforstÄelse. |
| Eksempler pÄ svak AI inkluderer virtuelle assistenter som Siri eller Alexa, anbefalingsalgoritmer brukt av strÞmmetjenester, og chatboter designet for spesifikke kundeserviceoppgaver. | à oppnÄ sterk AI er et langsiktig mÄl for AI-forskning og vil kreve utvikling av AI-systemer som kan resonnere, lÊre, forstÄ og tilpasse seg pÄ tvers av et bredt spekter av oppgaver og kontekster. |
| Svak AI er hÞyt spesialisert og har ikke menneskelignende kognitive evner eller generell problemlÞsningsevne utenfor sitt smale domene. | Sterk AI er forelÞpig et teoretisk konsept, og ingen AI-systemer har nÄdd dette nivÄet av generell intelligens. |
For mer informasjon, se Artificial General Intelligence (AGI).
Definisjonen av intelligens og Turing-testen
Et av problemene med begrepet intelligens er at det ikke finnes noen klar definisjon av dette begrepet. Man kan argumentere for at intelligens er knyttet til abstrakt tenkning eller selvbevissthet, men vi kan ikke definere det ordentlig.
Foto av Amber Kipp fra Unsplash
For Ă„ se hvor tvetydig begrepet intelligens er, prĂžv Ă„ svare pĂ„ spĂžrsmĂ„let: "Er en katt intelligent?". Ulike mennesker har en tendens til Ă„ gi ulike svar pĂ„ dette spĂžrsmĂ„let, siden det ikke finnes noen universelt akseptert test for Ă„ bevise om pĂ„standen er sann eller ikke. Og hvis du tror det finnes â prĂžv Ă„ gi katten din en IQ-test...
â Tenk et Ăžyeblikk pĂ„ hvordan du definerer intelligens. Er en krĂ„ke som kan lĂžse en labyrint for Ă„ fĂ„ tak i mat intelligent? Er et barn intelligent?
NĂ„r vi snakker om AGI, trenger vi en mĂ„te Ă„ avgjĂžre om vi har skapt et virkelig intelligent system. Alan Turing foreslo en metode kalt Turing-testen, som ogsĂ„ fungerer som en definisjon av intelligens. Testen sammenligner et gitt system med noe som er iboende intelligent â et ekte menneske, og fordi enhver automatisk sammenligning kan omgĂ„s av et dataprogram, bruker vi en menneskelig dommer. SĂ„, hvis et menneske ikke klarer Ă„ skille mellom en ekte person og et datasystem i en tekstbasert dialog â anses systemet som intelligent.
En chatbot kalt Eugene Goostman, utviklet i St. Petersburg, kom nĂŠr Ă„ bestĂ„ Turing-testen i 2014 ved Ă„ bruke et smart personlighetstriks. Den annonserte pĂ„ forhĂ„nd at den var en 13 Ă„r gammel ukrainsk gutt, noe som forklarte mangelen pĂ„ kunnskap og noen uoverensstemmelser i teksten. Botten overbeviste 30 % av dommerne om at den var menneskelig etter en 5-minutters dialog, en metrikk som Turing trodde en maskin ville kunne oppnĂ„ innen Ă„r 2000. Men man bĂžr forstĂ„ at dette ikke indikerer at vi har skapt et intelligent system, eller at et datasystem har lurt den menneskelige dommeren â systemet lurte ikke menneskene, men snarere bot-skaperne gjorde det!
â Har du noen gang blitt lurt av en chatbot til Ă„ tro at du snakker med et menneske? Hvordan overbeviste den deg?
Ulike tilnĂŠrminger til AI
Hvis vi vil at en datamaskin skal oppfÞre seg som et menneske, mÄ vi pÄ en eller annen mÄte modellere vÄr mÄte Ä tenke pÄ inne i datamaskinen. FÞlgelig mÄ vi prÞve Ä forstÄ hva som gjÞr et menneske intelligent.
For Ă„ kunne programmere intelligens inn i en maskin, mĂ„ vi forstĂ„ hvordan vĂ„re egne beslutningsprosesser fungerer. Hvis du gjĂžr litt selvransakelse, vil du innse at det er noen prosesser som skjer underbevisst â f.eks. vi kan skille en katt fra en hund uten Ă„ tenke over det â mens andre involverer resonnering.
Det finnes to mulige tilnĂŠrminger til dette problemet:
| Top-down-tilnĂŠrming (symbolsk resonnering) | Bottom-up-tilnĂŠrming (nevrale nettverk) |
|---|---|
| En top-down-tilnÊrming modellerer mÄten en person resonerer for Ä lÞse et problem. Det innebÊrer Ä trekke ut kunnskap fra et menneske og representere det i en datamaskinlesbar form. Vi mÄ ogsÄ utvikle en mÄte Ä modellere resonnering inne i en datamaskin. | En bottom-up-tilnÊrming modellerer strukturen til en menneskelig hjerne, bestÄende av et stort antall enkle enheter kalt nevroner. Hvert nevron fungerer som et vektet gjennomsnitt av sine innganger, og vi kan trene et nettverk av nevroner til Ä lÞse nyttige problemer ved Ä gi treningsdata. |
Det finnes ogsÄ noen andre mulige tilnÊrminger til intelligens:
-
En Emergent, Synergetisk eller multi-agent tilnÊrming er basert pÄ det faktum at kompleks intelligent atferd kan oppnÄs gjennom interaksjon mellom et stort antall enkle agenter. IfÞlge evolusjonÊr kybernetikk kan intelligens oppstÄ fra enklere, reaktiv atferd i prosessen med metasystemovergang.
-
En EvolusjonÊr tilnÊrming, eller genetisk algoritme, er en optimaliseringsprosess basert pÄ prinsippene for evolusjon.
Vi vil se nÊrmere pÄ disse tilnÊrmingene senere i kurset, men akkurat nÄ vil vi fokusere pÄ to hovedretninger: top-down og bottom-up.
Top-Down-TilnĂŠrmingen
I en top-down-tilnÊrming prÞver vi Ä modellere vÄr resonnering. Fordi vi kan fÞlge tankene vÄre nÄr vi resonerer, kan vi prÞve Ä formalisere denne prosessen og programmere den inn i datamaskinen. Dette kalles symbolsk resonnering.
Folk har en tendens til Ä ha noen regler i hodet som styrer deres beslutningsprosesser. For eksempel, nÄr en lege diagnostiserer en pasient, kan han eller hun innse at en person har feber, og dermed kan det vÊre en betennelse i kroppen. Ved Ä bruke et stort sett med regler pÄ et spesifikt problem kan en lege komme frem til en endelig diagnose.
Denne tilnĂŠrmingen er sterkt avhengig av kunnskapsrepresentasjon og resonnering. Ă trekke ut kunnskap fra en menneskelig ekspert kan vĂŠre den vanskeligste delen, fordi en lege i mange tilfeller ikke vet nĂžyaktig hvorfor han eller hun kommer frem til en bestemt diagnose. Noen ganger dukker lĂžsningen bare opp i hodet uten eksplisitt tenkning. Noen oppgaver, som Ă„ bestemme alderen til en person ut fra et fotografi, kan overhodet ikke reduseres til Ă„ manipulere kunnskap.
Bottom-Up-TilnĂŠrmingen
Alternativt kan vi prĂžve Ă„ modellere de enkleste elementene i hjernen vĂ„r â et nevron. Vi kan konstruere et sĂ„kalt kunstig nevralt nettverk inne i en datamaskin, og deretter prĂžve Ă„ lĂŠre det Ă„ lĂžse problemer ved Ă„ gi det eksempler. Denne prosessen ligner pĂ„ hvordan et nyfĂždt barn lĂŠrer om omgivelsene sine ved Ă„ gjĂžre observasjoner.
â GjĂžr litt research pĂ„ hvordan babyer lĂŠrer. Hva er de grunnleggende elementene i en babys hjerne?
Hva med ML? En del av kunstig intelligens som er basert pĂ„ at datamaskiner lĂŠrer Ă„ lĂžse et problem basert pĂ„ noen data, kalles maskinlĂŠring. Vi vil ikke gĂ„ inn pĂ„ klassisk maskinlĂŠring i dette kurset â vi henviser deg til et eget MaskinlĂŠring for nybegynnere-pensum.
En Kort Historie om AI
Kunstig intelligens startet som et felt pĂ„ midten av det tjuende Ă„rhundre. Opprinnelig var symbolsk resonnering en dominerende tilnĂŠrming, og det fĂžrte til en rekke viktige suksesser, som ekspertsystemer â dataprogrammer som kunne opptre som en ekspert innenfor noen begrensede problemomrĂ„der. Det ble imidlertid raskt klart at en slik tilnĂŠrming ikke skalerer godt. Ă trekke ut kunnskap fra en ekspert, representere det i en datamaskin og holde kunnskapsbasen nĂžyaktig viste seg Ă„ vĂŠre en svĂŠrt kompleks oppgave, og for kostbar til Ă„ vĂŠre praktisk i mange tilfeller. Dette fĂžrte til den sĂ„kalte AI-vinteren pĂ„ 1970-tallet.
Bilde av Dmitry Soshnikov
Etter hvert som tiden gikk, ble databehandlingsressurser billigere, og mer data ble tilgjengelig, slik at tilnÊrminger med nevrale nettverk begynte Ä vise stor ytelse i Ä konkurrere med mennesker pÄ mange omrÄder, som datamaskinsyn eller talegjenkjenning. I det siste tiÄret har begrepet kunstig intelligens stort sett blitt brukt som et synonym for nevrale nettverk, fordi de fleste AI-suksessene vi hÞrer om er basert pÄ dem.
Vi kan observere hvordan tilnĂŠrmingene har endret seg, for eksempel i utviklingen av et sjakkspillende dataprogram:
- Tidlige sjakkprogrammer var basert pĂ„ sĂžk â et program prĂžvde eksplisitt Ă„ estimere mulige trekk fra en motstander for et gitt antall fremtidige trekk, og valgte et optimalt trekk basert pĂ„ den optimale posisjonen som kunne oppnĂ„s i lĂžpet av noen fĂ„ trekk. Dette fĂžrte til utviklingen av den sĂ„kalte alpha-beta pruning-sĂžkealgoritmen.
- SÞkesstrategier fungerer godt mot slutten av spillet, der sÞkeomrÄdet er begrenset av et lite antall mulige trekk. Imidlertid, i begynnelsen av spillet, er sÞkeomrÄdet enormt, og algoritmen kan forbedres ved Ä lÊre av eksisterende kamper mellom menneskelige spillere. PÄfÞlgende eksperimenter brukte sÄkalt case-based reasoning, der programmet lette etter tilfeller i kunnskapsbasen som lignet veldig pÄ den nÄvÊrende posisjonen i spillet.
- Moderne programmer som vinner over menneskelige spillere er basert pĂ„ nevrale nettverk og forsterkende lĂŠring, der programmene lĂŠrer Ă„ spille utelukkende ved Ă„ spille lenge mot seg selv og lĂŠre av sine egne feil â omtrent som mennesker gjĂžr nĂ„r de lĂŠrer Ă„ spille sjakk. Imidlertid kan et dataprogram spille mange flere spill pĂ„ mye kortere tid, og dermed lĂŠre mye raskere.
â GjĂžr litt research pĂ„ andre spill som har blitt spilt av AI.
PÄ samme mÄte kan vi se hvordan tilnÊrmingen til Ä lage "snakkende programmer" (som kan bestÄ Turing-testen) har endret seg:
- Tidlige programmer av denne typen, som Eliza, var basert pÄ svÊrt enkle grammatiske regler og omformulering av inndata-setningen til et spÞrsmÄl.
- Moderne assistenter, som Cortana, Siri eller Google Assistant, er alle hybridsystemer som bruker nevrale nettverk for Ä konvertere tale til tekst og gjenkjenne vÄr intensjon, og deretter benytter noe resonnering eller eksplisitte algoritmer for Ä utfÞre nÞdvendige handlinger.
- I fremtiden kan vi forvente en komplett nevrale-basert modell som hÄndterer dialog helt pÄ egen hÄnd. De nylige GPT- og Turing-NLG-familiene av nevrale nettverk viser stor suksess i dette.
> Bilde av Dmitry Soshnikov, [foto](https://unsplash.com/photos/r8LmVbUKgns) av [Marina Abrosimova](https://unsplash.com/@abrosimova_marina_foto), Unsplash
Nyere AI-forskning
Den enorme veksten i forskning pÄ nevrale nettverk startet rundt 2010, da store offentlige datasett begynte Ä bli tilgjengelige. En stor samling bilder kalt ImageNet, som inneholder rundt 14 millioner annoterte bilder, ga opphav til ImageNet Large Scale Visual Recognition Challenge.
Bilde av Dmitry Soshnikov
I 2012 ble Convolutional Neural Networks fÞrst brukt i bildegjenkjenning, noe som fÞrte til en betydelig reduksjon i klassifiseringsfeil (fra nesten 30 % til 16,4 %). I 2015 oppnÄdde ResNet-arkitekturen fra Microsoft Research menneskelig nivÄ av nÞyaktighet.
Siden den gang har nevrale nettverk vist seg Ă„ vĂŠre svĂŠrt vellykkede i mange oppgaver:
| à r | Menneskelig nivÄ oppnÄdd |
|---|---|
| 2015 | Bildeklassifisering |
| 2016 | Samtalebasert talegjenkjenning |
| 2018 | Automatisk maskinoversettelse (Kinesisk-til-engelsk) |
| 2020 | Bildebeskrivelse |
De siste Ärene har vi vÊrt vitne til store suksesser med store sprÄkmodeller, som BERT og GPT-3. Dette skjedde hovedsakelig fordi det finnes mye generell tekstdata tilgjengelig som gjÞr det mulig Ä trene modeller til Ä fange opp strukturen og meningen i tekster, forhÄndstrene dem pÄ generelle tekstsamlinger, og deretter spesialisere disse modellene for mer spesifikke oppgaver. Vi vil lÊre mer om Natural Language Processing senere i dette kurset.
đ Utfordring
Utforsk internett for Ă„ finne ut hvor, etter din mening, AI brukes mest effektivt. Er det i en kartleggingsapp, eller en tale-til-tekst-tjeneste eller et videospill? UndersĂžk hvordan systemet ble bygget.
Quiz etter forelesning
Gjennomgang & Selvstudium
GÄ gjennom historien til AI og ML ved Ä lese denne leksjonen. Ta et element fra sketchnoten Þverst i den leksjonen eller denne, og undersÞk det i stÞrre dybde for Ä forstÄ den kulturelle konteksten som har pÄvirket utviklingen.
Oppgave: Game Jam
Ansvarsfraskrivelse:
Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten Co-op Translator. Selv om vi tilstreber nÞyaktighet, vÊr oppmerksom pÄ at automatiserte oversettelser kan inneholde feil eller unÞyaktigheter. Det originale dokumentet pÄ sitt opprinnelige sprÄk bÞr anses som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for eventuelle misforstÄelser eller feiltolkninger som oppstÄr ved bruk av denne oversettelsen.