तुमच्या मांजरीच्या पिल्लाला तुम्ही आत काय विचार करता ते सांगा - ब्लॅक बॉक्स प्रभाव
प्रगत AI अल्गोरिदम हे ब्लॅक बॉक्स (1) सारखे आहेत हे वस्तुस्थिती आहे की ते कसे आले हे उघड न करता निकाल फेकून देतात आणि काहींना अस्वस्थ करतात.
2015 मध्ये, न्यूयॉर्कमधील माउंट सिनाई हॉस्पिटलमधील एका संशोधन संघाला स्थानिक रुग्णांच्या विस्तृत डेटाबेसचे विश्लेषण करण्यासाठी ही पद्धत वापरण्यास सांगितले होते (2). या प्रचंड संग्रहामध्ये रुग्णांची माहिती, चाचणी परिणाम, डॉक्टरांच्या प्रिस्क्रिप्शन आणि बरेच काही समाविष्ट आहे.
शास्त्रज्ञांनी कामाच्या दरम्यान विकसित केलेल्या विश्लेषणात्मक कार्यक्रमास म्हणतात. सुमारे 700 लोकांच्या डेटाचे प्रशिक्षण दिले. मानवी, आणि नवीन नोंदणींमध्ये चाचणी केली असता, ते रोगाचा अंदाज लावण्यात अत्यंत प्रभावी असल्याचे सिद्ध झाले आहे. मानवी तज्ज्ञांच्या मदतीशिवाय, त्याने हॉस्पिटलच्या नोंदींमधील नमुने शोधून काढले जे सूचित करतात की कोणता रुग्ण यकृताच्या कर्करोगासारख्या आजाराच्या मार्गावर आहे. तज्ञांच्या मते, प्रणालीची रोगनिदानविषयक आणि निदान कार्यक्षमता इतर ज्ञात पद्धतींपेक्षा खूप जास्त होती.
2. रुग्णांच्या डेटाबेसवर आधारित वैद्यकीय कृत्रिम बुद्धिमत्ता प्रणाली
त्याच वेळी, संशोधकांच्या लक्षात आले की ते रहस्यमय पद्धतीने कार्य करते. हे बाहेर वळले, उदाहरणार्थ, ते आदर्श आहे मानसिक विकार ओळखणेजसे की स्किझोफ्रेनिया, जे डॉक्टरांसाठी अत्यंत कठीण आहे. हे आश्चर्यकारक होते, विशेषत: केवळ रुग्णाच्या वैद्यकीय नोंदींवर आधारित एआय प्रणाली मानसिक आजार कसे पाहू शकते याची कोणालाही कल्पना नव्हती. होय, अशा कार्यक्षम मशीन डायग्नोस्टीशियनच्या मदतीने तज्ञांना खूप आनंद झाला, परंतु एआय त्याच्या निष्कर्षापर्यंत कसे पोहोचते हे त्यांना समजले तर ते अधिक समाधानी होतील.
कृत्रिम न्यूरॉन्सचे स्तर
अगदी सुरुवातीपासून, म्हणजे कृत्रिम बुद्धिमत्तेची संकल्पना ज्या क्षणापासून ज्ञात झाली, त्या क्षणापासून एआयबद्दल दोन दृष्टिकोन होते. पहिल्याने सुचवले की ज्ञात तत्त्वे आणि मानवी तर्कांनुसार तर्क देणारी मशीन तयार करणे सर्वात वाजवी असेल, ज्यामुळे त्यांचे अंतर्गत कार्य प्रत्येकासाठी पारदर्शक होईल. इतरांचा असा विश्वास होता की जर यंत्रे निरीक्षणे आणि वारंवार प्रयोग करून शिकली तर बुद्धिमत्ता अधिक सहजपणे विकसित होईल.
नंतरचे म्हणजे ठराविक संगणक प्रोग्रामिंग उलट करणे. प्रोग्रामर समस्या सोडवण्यासाठी आज्ञा लिहिण्याऐवजी, प्रोग्राम तयार करतो स्वतःचे अल्गोरिदम नमुना डेटा आणि इच्छित परिणामांवर आधारित. मशीन लर्निंग पद्धती ज्या नंतर आज ज्ञात असलेल्या सर्वात शक्तिशाली एआय सिस्टीममध्ये विकसित झाल्या आहेत, खरं तर, मशीन स्वतः प्रोग्राम करते.
हा दृष्टीकोन 60 आणि 70 च्या दशकात एआय सिस्टीम संशोधनाच्या मार्जिनवर राहिला. केवळ मागील दशकाच्या सुरुवातीला, काही अग्रेसर बदल आणि सुधारणांनंतर, "डीप" न्यूरल नेटवर्क स्वयंचलित धारणेच्या क्षमतांमध्ये आमूलाग्र सुधारणा दर्शविण्यास सुरुवात केली.
डीप मशीन लर्निंगने संगणकांना विलक्षण क्षमता प्रदान केल्या आहेत, जसे की बोललेले शब्द जवळजवळ मानवाप्रमाणेच अचूकपणे ओळखण्याची क्षमता. वेळेपूर्वी प्रोग्राम करण्यासाठी हे खूप गुंतागुंतीचे कौशल्य आहे. द्वारे मशीन स्वतःचा "प्रोग्राम" तयार करण्यास सक्षम असणे आवश्यक आहे प्रचंड डेटासेटवर प्रशिक्षण.
सखोल शिक्षणामुळे संगणकाची प्रतिमा ओळख बदलली आहे आणि मशीन भाषांतराची गुणवत्ता मोठ्या प्रमाणात सुधारली आहे. आज, औषध, वित्त, उत्पादन आणि बरेच काही यामधील सर्व प्रकारचे प्रमुख निर्णय घेण्यासाठी याचा वापर केला जातो.
तथापि, या सर्वांसह "आत" कसे कार्य करते हे पाहण्यासाठी तुम्ही फक्त खोल न्यूरल नेटवर्कमध्ये पाहू शकत नाही. नेटवर्क रिझनिंग प्रक्रिया हजारो सिम्युलेटेड न्यूरॉन्सच्या वर्तनात अंतर्भूत असतात, डझनभर किंवा अगदी शेकडो गुंतागुंतीच्या आंतरकनेक्ट केलेल्या स्तरांमध्ये आयोजित केल्या जातात..
पहिल्या लेयरमधील प्रत्येक न्यूरॉन्सला इनपुट प्राप्त होते, जसे की प्रतिमेतील पिक्सेलची तीव्रता, आणि नंतर आउटपुट आउटपुट करण्यापूर्वी गणना करते. ते एका जटिल नेटवर्कमध्ये पुढील लेयरच्या न्यूरॉन्समध्ये प्रसारित केले जातात - आणि असेच, अंतिम आउटपुट सिग्नलपर्यंत. याव्यतिरिक्त, एक प्रक्रिया आहे जी वैयक्तिक न्यूरॉन्सद्वारे केलेली गणना समायोजित करणे म्हणून ओळखली जाते जेणेकरून प्रशिक्षण नेटवर्क इच्छित परिणाम देईल.
कुत्र्याच्या प्रतिमा ओळखण्याशी संबंधित वारंवार उद्धृत केलेल्या उदाहरणामध्ये, AI चे खालचे स्तर आकार किंवा रंग यासारख्या साध्या वैशिष्ट्यांचे विश्लेषण करतात. उच्च लोक फर किंवा डोळे यांसारख्या अधिक जटिल समस्यांना सामोरे जातात. माहितीचा संपूर्ण संच कुत्रा म्हणून ओळखून केवळ वरचा थर हे सर्व एकत्र आणतो.
हाच दृष्टीकोन इतर प्रकारच्या इनपुटवर लागू केला जाऊ शकतो जो मशीनला स्वतः शिकण्याची शक्ती देतो: भाषणातील शब्द, अक्षरे आणि शब्द जे लिखित मजकुरात वाक्य बनवतात किंवा स्टीयरिंग व्हील, उदाहरणार्थ. वाहन चालविण्यासाठी आवश्यक हालचाली.
कार काहीही वगळत नाही.
अशा यंत्रणांमध्ये नेमके काय होते हे सांगण्याचा प्रयत्न केला जातो. 2015 मध्ये, Google मधील संशोधकांनी सखोल शिक्षण इमेज रेकग्निशन अल्गोरिदम सुधारित केले जेणेकरुन फोटोंमध्ये वस्तू दिसण्याऐवजी, ते व्युत्पन्न किंवा सुधारित केले. अल्गोरिदम पाठीमागे चालवून, त्यांना पक्षी किंवा इमारत ओळखण्यासाठी प्रोग्राम वापरत असलेली वैशिष्ट्ये शोधायची होती.
सार्वजनिकपणे शीर्षक म्हणून ओळखल्या जाणार्‍या या प्रयोगांनी (3) विचित्र, विचित्र प्राणी, भूदृश्ये आणि पात्रांचे आश्चर्यकारक चित्रण तयार केले. मशीनच्या आकलनाची काही रहस्ये उघड करून, जसे की विशिष्ट नमुने वारंवार परत येतात आणि पुनरावृत्ती होते, त्यांनी हे देखील दाखवून दिले की मशीन लर्निंग मानवी आकलनापेक्षा किती वेगळे आहे - उदाहरणार्थ, ते विस्तारित करते आणि त्या कलाकृतींचे डुप्लिकेट बनवते ज्याकडे आपण दुर्लक्ष करतो. विचार न करता आपल्या आकलन प्रक्रियेत. .
3. प्रकल्पात तयार केलेली प्रतिमा
तसे, दुसरीकडे, या प्रयोगांनी आपल्या स्वतःच्या संज्ञानात्मक यंत्रणेचे रहस्य उलगडले आहे. कदाचित आपल्या समजुतीमध्ये असे विविध अनाकलनीय घटक आहेत जे आपल्याला लगेच काहीतरी समजण्यास आणि दुर्लक्ष करण्यास प्रवृत्त करतात, तर मशीन संयमाने "महत्त्वाच्या" वस्तूंवर पुनरावृत्ती करते.
मशीनला "समजून घेण्याच्या" प्रयत्नात इतर चाचण्या आणि अभ्यास केले गेले. जेसन योसिंस्की त्याने एक साधन तयार केले जे मेंदूमध्ये अडकलेल्या तपासणीसारखे कार्य करते, कोणत्याही कृत्रिम न्यूरॉनला लक्ष्य करते आणि त्यास सर्वात मजबूतपणे सक्रिय करणारी प्रतिमा शोधते. शेवटच्या प्रयोगात, नेटवर्क लाल हाताने "डोकावून" घेतल्याच्या परिणामी अमूर्त प्रतिमा दिसू लागल्या, ज्यामुळे सिस्टममध्ये होणार्‍या प्रक्रिया आणखी रहस्यमय झाल्या.
तथापि, बर्याच शास्त्रज्ञांसाठी, असा अभ्यास एक गैरसमज आहे, कारण, त्यांच्या मते, प्रणाली समजून घेण्यासाठी, जटिल निर्णय घेण्याच्या उच्च क्रमाचे नमुने आणि यंत्रणा ओळखण्यासाठी, सर्व संगणकीय परस्परसंवाद खोल न्यूरल नेटवर्कच्या आत. हे गणितीय कार्ये आणि चलांचे एक मोठे चक्रव्यूह आहे. सध्या ते आपल्यासाठी अनाकलनीय आहे.
संगणक सुरू होणार नाही? का?
प्रगत कृत्रिम बुद्धिमत्ता प्रणालीची निर्णय घेण्याची यंत्रणा समजून घेणे का महत्त्वाचे आहे? कोणत्या कैद्यांना पॅरोलवर सोडले जाऊ शकते, कोणाला कर्ज दिले जाऊ शकते, कोणाला नोकरी मिळू शकते हे ठरवण्यासाठी गणितीय मॉडेल्स आधीच वापरल्या जात आहेत. ज्यांना स्वारस्य आहे त्यांना हे जाणून घ्यायचे आहे की हा आणि दुसरा निर्णय का घेतला गेला नाही, त्याची कारणे आणि यंत्रणा काय आहेत.
एप्रिल 2017 मध्ये त्यांनी एमआयटी टेक्नॉलॉजी रिव्ह्यूमध्ये कबूल केले. टॉमी याक्कोला, एक MIT प्रोफेसर मशीन लर्निंगसाठी ऍप्लिकेशन्सवर काम करत आहेत. -.
एआय सिस्टीमची निर्णय घेण्याची यंत्रणा तपासण्याची आणि समजून घेण्याची क्षमता हा मूलभूत मानवी हक्क आहे अशी कायदेशीर आणि राजकीय स्थिती देखील आहे.
2018 पासून, EU कंपन्यांनी त्यांच्या ग्राहकांना स्वयंचलित प्रणालींद्वारे घेतलेल्या निर्णयांबद्दल स्पष्टीकरण प्रदान करणे आवश्यक करण्यावर काम करत आहे. असे दिसून आले की हे काहीवेळा तुलनेने सोप्या वाटणाऱ्या सिस्टीममध्येही शक्य नसते, जसे की अॅप्स आणि वेबसाइट्स जे जाहिराती दाखवण्यासाठी किंवा गाण्याची शिफारस करण्यासाठी सखोल विज्ञान वापरतात.
हे सेवा कार्यक्रम स्वतः चालवणारे संगणक, आणि ते आम्हाला समजू शकत नाही अशा प्रकारे करतात... हे अनुप्रयोग तयार करणारे अभियंते देखील ते कसे कार्य करतात हे पूर्णपणे स्पष्ट करू शकत नाहीत.
