Τεχνητή νοημοσύνη “γεννά” τεχνητή νοημοσύνη

Τεχνητή νοημοσύνη (AI) της Google δημιούργησε δική της AI, που ξεπερνάει κάθε τεχνητή νοημοσύνη δημιουργημένη από τους ανθρώπους. Πρέπει, άραγε, να ανησυχούμε; Μετάφραση, επιμέλεια από τον Θωμά Αργυρέα

Τον Μάιο του 2017, οι ερευνητές της Google Brain ανακοίνωσαν τη δημιουργία της AutoML, μιας τεχνητής νοημοσύνης (AI) που είναι ικανή να παράγει τις δικές της AI. Πιο πρόσφατα, αποφάσισαν να παρουσιάσουν την AutoML καθώς αντιμετώπισε επιτυχώς τη μεγαλύτερη πρόκλησή της, μέχρι σήμερα. Δημιούργησε ένα «παιδί» που ξεπέρασε όλα τα ανθρώπινα ομολόγα δημιουργήματα τεχνητής νοημοσύνης.

Οι ερευνητές της Google αυτοματοποίησαν το σχεδιασμό των μοντέλων μηχανικής μάθησης χρησιμοποιώντας μια προσέγγιση που ονομάζεται ενίσχυση μάθησης. Η AutoML λειτουργεί ως το ελεγκτικό νευρωνικό δίκτυο που, στην συνέχεια, αναπτύσσει ένα θυγατρικό δίκτυο AI για μια συγκεκριμένη εργασία.

artificial intelligence machine learning reinforcement learning automlΤο συγκεκριμένο “παιδί AI”, το οποίο οι ερευνητές ονόμασαν NASNet, είχε ως εργασία, να αναγνωρίσει αντικείμενα – ανθρώπους, αυτοκίνητα, φανάρια, τσάντες, σακίδια κ.λπ. – σε ένα προβαλλόμενο βίντεο, σε πραγματικό χρόνο.

Η AutoML αξιολογούσε την απόδοση του NASNet και χρησιμοποιούσε αυτές τις πληροφορίες για να το βελτιώσει, επαναλαμβάνοντας τη διαδικασία χιλιάδες φορές.

Όταν εξετάστηκαν διάφορες ΑΙ στην ταξινόμηση εικόνων ImageNet και σε σύνολα δεδομένων ανίχνευσης αντικειμένων COCO, τα οποία οι ερευνητές της Google θεωρούν ως “δύο από τα πιο αναγνωρισμένα σύνολα ακαδημαϊκών δεδομένων μεγάλης κλίμακας στην όραση υπολογιστών”, το NASNet υπερέβη τα υπόλοιπα συστήματα ηλεκτρονικής όρασης.

Σύμφωνα με τους ερευνητές, το NASNet ήταν 82,7% ακριβές στην πρόβλεψη εικόνων στο πακέτο δεδομένων αξιολόγησης (validation set) του ImageNet. Αυτό είναι 1,2% καλύτερο από οποιοδήποτε προηγουμένως δημοσιευμένο αποτέλεσμα, και το σύστημα είναι επίσης 4% πιο αποτελεσματικό, με μια 43,1% μέση ακρίβεια (mAP).

Επιπλέον, μια λιγότερο απαιτητική -υπολογιστικά- έκδοση του NASNet υπερέβη τα καλύτερα μοντέλα παρόμοιου μεγέθους για κινητές πλατφόρμες κατά 3,1%.

Μια άποψη του μέλλοντος

Η μηχανική μάθηση είναι αυτό που δίνει σε πολλά συστήματα AI την ικανότητά τους να εκτελούν συγκεκριμένα καθήκοντα. Αν και, η ιδέα πίσω από αυτό, είναι αρκετά απλή – ένας αλγόριθμος που μαθαίνει, τροφοδοτούμενος με έναν τεράστιο όγκο δεδομένων – η διαδικασία απαιτεί πάρα πολύ χρόνο και προσπάθεια.

Με την αυτοματοποίηση της διαδικασίας για δημιουργία ακριβέστερων και αποδοτικών συστημάτων AI, μία AI που μπορεί να δημιουργήσει νέα AI, αναλαμβάνει το κύριο βάρος αυτής της εργασίας. Τελικά, αυτό σημαίνει ότι η AutoML θα μπορούσε να διευρύνει το πεδίο της μηχανικής μάθησης και της AI σε μη ειδικούς.

Όσο για το NASNet συγκεκριμένα, αναζητούνται ακριβείς και αποτελεσματικοί αλγόριθμοι ηλεκτρονικής όρασης, ιδιαίτερα λόγω του πλήθους των πιθανών εφαρμογών. Θα μπορούσαν να χρησιμοποιηθούν για την δημιουργία εξελιγμένων ρομπότ, που λειτουργούν με AI, για να βοηθήσουν τους ανθρώπους με προβλήματα όρασης να ανακτήσουν την όραση, όπως πρότεινε ένας ερευνητής.

Θα μπορούσαν επίσης να βοηθήσουν τους σχεδιαστές να βελτιώσουν τις τεχνολογίες αυτο-οδήγησης οχημάτων. Όσο πιο γρήγορα, ένα αυτόνομο όχημα, μπορεί να αναγνωρίσει αντικείμενα στην πορεία του, τόσο πιο γρήγορα μπορεί να αντιδράσει σε αυτά, αυξάνοντας έτσι την ασφάλεια αυτών των οχημάτων.

 Οι ερευνητές της Google αναγνωρίζουν ότι το NASNet θα μπορούσε να αποδειχθεί χρήσιμο για ένα ευρύ φάσμα εφαρμογών και να είναι ανοιχτού κώδικα AI για συμπεράσματα σχετικά με την ταξινόμηση εικόνων και την ανίχνευση αντικειμένων.

“Ελπίζουμε ότι μια μεγαλύτερη κοινότητα από ΑΙ μηχανικής μάθησης, θα μπορέσει να βασιστεί σε αυτά τα μοντέλα, για να αντιμετωπίσει πλήθη προβλημάτων ηλεκτρονικής όρασης που δεν έχουμε φανταστεί ακόμα”, έγραψαν οι ερευνητές στην ανάρτησή τους στο blog.

Αν και οι εφαρμογές για το NASNet και το AutoML είναι άφθονες, η δημιουργία ενός AI που μπορεί να δημιουργήσει AI, εγείρει ορισμένες ανησυχίες. Για παράδειγμα, τι μπορεί να εμποδίσει τον “γονέα” ΑΙ να περάσει ανεπιθύμητες προκαταλήψεις στο “παιδί” του;

Τι γίνεται αν η AutoML δημιουργεί συστήματα τόσο γρήγορα ώστε η κοινωνία να μην μπορεί να συμβαδίσει; Δεν είναι πολύ δύσκολο να δούμε πώς θα μπορούσε να χρησιμοποιηθεί το NASNet σε αυτοματοποιημένα συστήματα επιτήρησης στο εγγύς μέλλον, ίσως νωρίτερα από ότι θα μπορούσαν να τεθούν σε ισχύ κανονισμοί για τον έλεγχο τέτοιων συστημάτων.

Ευτυχώς, οι ηγέτες του κόσμου εργάζονται γρήγορα για να εξασφαλίσουν ότι τέτοια συστήματα δεν θα οδηγήσουν σε οποιοδήποτε είδος δυστοπικού μέλλοντος.

Η Amazon, το Facebook, η Apple και αρκετοί άλλοι είναι όλοι μέλη της “Εταιρικής σχέσης για τις AI για να Επωφεληθούν οι Άνθρωποι και η Κοινωνία” (Partnership on AI to Benefit People and Society), ενός οργανισμού που επικεντρώνεται στην ανάπτυξη των AI με υπευθυνότητα.

Το Ινστιτούτο Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών (IEE) πρότεινε δεοντολογικά πρότυπα (ethical standards for AI), και η DeepMind, μια ερευνητική εταιρεία που ανήκει στην μητρική εταιρία Alphabet της Google, ανακοίνωσε, πρόσφατα, τη δημιουργία ομάδας που επικεντρώνεται στις ηθικές και δεοντολογικές επιπτώσεις των AI.

Διάφορες κυβερνήσεις εργάζονται επίσης, σε κανονισμούς που να εμποδίζουν τη χρήση AI για επικίνδυνους σκοπούς, όπως αυτόνομα όπλα, και όσο ο άνθρωπος διατηρεί τον έλεγχο της συνολικής κατεύθυνσης της ανάπτυξης των AI, τα οφέλη από την ύπαρξη “AI που μπορεί να χτίσει AI” θα ξεπερνούν κατά πολύ τις πιθανές παγίδες.

Αυτό το άρθρο δημοσιεύθηκε αρχικά από τον Futurism. Διαβάστε το αρχικό άρθρο.
Πηγή: DOM GALEON & KRISTIN HOUSER, FUTURISM
2 DEC 2017

Σχετικά άρθρα στους Αποδυόπτες
(με αντίστροφη χρονολογική σειρά)

  1. Video-προειδοποίηση κατά των αυτόνομων όπλων
  2. Ποιος χρειάζεται ανθρώπους;
  3. ΑΙ και ανθρώπινη υπερφυσικότητα, η μεταμόρφωση του νευρωνικού μας κώδικα
  4. Τεχνητή νοημοσύνη vs βιολογική: Game over.
  5. Ρομπότ του Έλον Μασκ έφτιαξαν τη δική τους γλώσσα!
  6. Η απίθανη σειρά ρομπότ εμπνευσμένη από ζώα μας προκαλεί ερωτηματικά (δείτε το βίντεο)

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  Change )

Google+ photo

You are commenting using your Google+ account. Log Out /  Change )

Twitter picture

You are commenting using your Twitter account. Log Out /  Change )

Facebook photo

You are commenting using your Facebook account. Log Out /  Change )

w

Connecting to %s

This site uses Akismet to reduce spam. Learn how your comment data is processed.