; ხელოვნური ინტელექტის მითი და რეალობა: ხელოვნური ინტელექტი და მანქანების შესწავლა ერთი და იგივეა? - IT Academy STEP Tbilisi ხელოვნური ინტელექტის მითი და რეალობა: ხელოვნური ინტელექტი და მანქანების შესწავლა ერთი და იგივეა? - IT Academy STEP Tbilisi

თბილისი, ჯანო ბაგრატიონის 6

ხელოვნური ინტელექტის მითი და რეალობა: ხელოვნური ინტელექტი და მანქანების შესწავლა ერთი და იგივეა?

ეს არის მრავალფეროვანი სტატიის პირველი ნაწილი, რომელიც გამოვლენს მითებს და მცდარ შეხედულებებს ხელოვნური ინტელექტის შესახებ.

მითი: ხელოვნური ინტელექტი, მანქანების შესწავლა და საფუძვლიანი შესწავლა ერთი და იგივე რამ არის.

როცა Google DeepMind’s AlphaGo პროგრამამ დაამარცხა სამხრეთ კორეის Master Lee Se-dol-ი სამაგიდო თამაშში Go, ტერმინები ხელოვნური ინტელექტი და მანქანების შესწავლა (და ყველაზე მცირე დოზით საფუძვლიანი შესწავლა) მედიაში გამოიყენეს იმის ასაღწერად თუ როგორ მოიგო DeepMind-მა. ხალხმა თანაბრად შეაფასა ხელოვნური ინტელექტი და მანქანების შესწავლა. მიუხედავად იმისა, რომ მათ ყველამ წვლილი შეიტანეს ამ ეტაპის მიღწევაში, ისინი ერთი და იგივე არ არის.

რეალობა: გრძელ ისტორიას მოკლედ მოგიყვებით. არა, არ არის.

ხელოვნურ ინტელექტში შედის ერთი დიდი სფერო, რომელსაც მანქანების შესწავლა (ML) ჰქვია. ამ სფეროს განმარტავენ, როგორც კვლევის სფეროს, რომელიც მანქანებს პირდაპირ, დაპროგრამების გარეშე, სწავლის საშუალებას აძლევს. მანქანები სწავლობენ პროცესით, სახელწოდებით „ვარჯიში“ და არ მოითხოვენ მორგებულ პროგრამებს პრობლემების გადასაწყვეტად. მანქანების შესწავლა შეიძლება იყოს „ორკესტრირებული“ რომ გამოავლინოს ნიმუშები მონაცემებიდან პირდაპირი პროგრამირების გარეშე. ის ჩვეულებრივ კარგია ერთი კონკრეტული ამოცანის გადასაჭრელად (რაც არის „ვიწრო ხელოვნური ინტელექტი“). მანქანების შესწავლა მოითხოვს კარგად გააზრებულ მონაცემების აღქმის სტრატეგიას. ხელოვნური ინტელექტი კი არის ზოგადი ტერმინი კომპიუტერული ტექნიკის ფართო კომპლექტისთვის, რომელშიც შედის მანქანების შესწავლა, წესებზე დაფუძნებული სისტემები, ოპტიმიზაციის ტექნიკები და ბუნებრივი ენის დამუშავება (NLP).

განსხვავების გამოსავლენად, შეგვიძლია ვიფიქროთ ხელოვნურ ინტელექტზე, მანქანების შესწავლაზე და საფუძვლიან შესწავლაზე, როგორც კონცენტრირებულ წრეებზე, სადაც ხელოვნური ინტელექტი (იდეა, რომელიც პირველი გაჩნდა) დიდი დოზით შედის, შემდეგ მოდის მანქანების შესწავლა (რომელიც შემდგომ განვითარდა) და ბოლოს, საფუძვლიანი შესწავლა (რომელიც მართავს დღევანდელი ხელოვნური ინტელექტის აფეთქებას), რაც ორივეს ესადაგება.

1956 წელს, როცა ხელოვნური ინტელექტის პიონერებმა დაიწყეს რთული მანქანების შექმნა, ხელოვნური ინტელექტის მათი კონცეფცია იყო რასაც ახლა ჩვენ „ზოგად ხელოვნურ ინტელექტს“ ვეძახით. ზოგადი ხელოვნური ინტელექტი არის შესანიშნავი მანქანა, რომელსაც უნდა ჰქონდეს ჩვენი ყველა გრძნობა (ან მეტი!), ჩვენი ყველა მიზეზი და ჩვენსავით უნდა იფიქროს. ასეთი მანქანები, ადამიანების მსგავსად, შეიძლება მეგობრებიც (C-3PO?) და მტრებიც (Hello, Terminator!) გახდნენ. თუმცა, ზოგადი ხელოვნური ინტელექტის მანქანები მხოლოდ ფილმებში და სამეცნიერო ფანტასტიკურ რომანებში დარჩა კარგი მიზნებით. თემიდან ახლა ვერ გადავუხვევთ.

რასაც ჩვენ ვაკეთებთ „ვიწრო ხელოვნური ინტელექტის“ კონცეფციაში შედის. მსგავს ვიწრო ხელოვნურ ინტელექტს შეუძლია შეასრულოს კონკრეტული დავალებებიც, შეიძლება ჩვენზე უკეთესადაც. ვიწრო ხელოვნური ინტელექტის მაგალითები არის ისეთი რაღაცეები, როგორიცაა გამოსახულების კლასიფიკაცია სერვისზე, როგორც ვთქვათ სახის ამოცნობა ფეისბუქზე. ასეთი ტექნოლოგიები ასახავენ ადამიანის ინტელექტის ზოგიერთ ასპექტებს. მაგრამ როგორ? საიდან მოდის ეს ინტელექტი? ამას მივყავართ შემდეგ პუნქტამდე, ეს არის მანქანების შესწავლა.    

მანქანების შესწავლის ძირითად პრინციპს წარმოადგენს ალგორითმების გამოყენების პრაქტიკა მონაცემთა ანალიზისთვის. ისწავლეთ და შემდეგ მიიღეთ გადაწყვეტილება ან გააკეთეთ პროგნოზირება რამის შესახებ მსოფლიოში. ხელით პროგრამების კოდის წერის რუტინის ნაცვლად ინსტრუქციების კონკრეტული კომპლექტით კონკრეტული ამოცანის შესასრულებლად, მანქანას „ამზადებენ“ დიდი რაოდენობით მონაცემების და ალგორითმების გამოყენებით, რომელიც საშუალებას აძლევს მას ისწავლოს თუ როგორ შეასრულოს დავალება.

მანქანების შესწავლა უშუალოდ ადრეული ხელოვნური ინტელექტის გულშემატკივარი ადამიანებისგან წამოვიდა და მრავალი ალგორითმული მიდგომა ექსპერიმენტის პროცესში იყო. ეს პროცესი არ შეწყვეტილა. რამდენადაც ვიცით, მანქანების შესწავლისთვის განაცხადის ერთერთი საუკეთესო სფერო იყო კომპიუტერული ხედვა მრავალი წლის განმავლობაში, თუმცა ის მაინც მოითხოვდა ვრცელი კოდის ხელით დაწერას დავალების შესასრულებლად. ხალხი მოდიოდა და ხელით კოდირებულ კლასიფიკატორებს წერდა, როგორიცაა ზღვარზე აღმოჩენის ფილტრები, ამიტომ პროგრამას შეეძლო იდენტიფიცირება სად დაიწყო და დამთავრდა ობიექტი. ფორმის გამოვლენა იმის დასადგენად აქვს თუ არა მას რვა მხარე. კლასიფიკატორი “S-T-O-P” ასოების ამოსაცნობად. ყველა ამ ხელით კოდირებული კლასიფიკატორებით ისინი შეიმუშავებდნენ ალგორითმებს გამოსახულების გააზრებისთვის და „სწავლობდნენ“ იმის გადაწყვეტას იყო თუ არა ეს გაჩერების ნიშანი. კარგად ჟღერს, მაგრამ ძლიან გადასარევიც არ არის. განსაკუთრებით ნისლიან დღეს, როცა ნიშანი სრულყოფილად არ ჩანს ან მის ნაწილს ხე ფარავს. არსებობს მიზეზი, რის გამოც კომპიუტერული ხედვა და გამოსახულების გამოვლენა ერთმანეთს ვერ დაუახლოვდა. ამის გამო ადამიანებს ამ დრომდე განსხვავებული აზრები აქვთ. ეს იყო მეტად მცდარი და არაზუსტი. სწორედ აქ შემოდის სიღრმისეული სწავლება.

ადრეული მანქანების შემსწავლელი ადამიანებისგან კიდევ ერთი ალგორითმული მიდგომა, ხელოვნური ნერვული ქსელები, შემოვიდა და ათწლეულების მანძილზე გაგრძელდა. ხელოვნური ინტელექტის კვლევის საზოგადოებამ ძირითადად უგულებელყო ეს ტექნიკა, რადგან ის უზრუნველყოფს ძალიან ცოტა „ინტელექტს“. პრობლემა ის იყო, რომ ძირითადი ნერვული ქსელების უმეტესობა კომპიუტერულად ძალიან ინტენსიური იყო. ის არ იყო უბრალოდ პრაქტიკული მიდგომა GPU-ს მქონე სუპერ კომპიუტერების გამოჩენამდე, რომლებსაც შეეძლო პარალელური გამოთვლების შესრულება. Andrew Ng-მ გუგლში გადატრიალება მოახდინა 2012 წელს. მან ძირითადად გააკეთა უზარმაზარი ნერვული ქსელები ნეირონების და ფენების გაზრდით და შემდეგ გაუშვა მონაცემების მასიური რაოდენობა (10 მილიონი YouTube ვიდეო) სისტემაში ამ სისტემის გასავარჯიშებლად. Ng-მ ჩადო „სიღრმე“ სიღრმისეულ სწავლებაში, რომელიც აღწერს ყველა ფენას აღნიშნულ ნერვულ ქსელებში. და ბოლოს, სიღრმისეული სწავლების გზით გავარჯიშებული მანქანების მიერ გამოსახულების ამოცნობა ზოგ სიტუაციაში ადამიანზე უკეთესია.


ახალი ამბები