உங்கள் பூனைக்குட்டிக்குள் நீங்கள் என்ன நினைக்கிறீர்கள் என்று சொல்லுங்கள் - கருப்பு பெட்டி விளைவு

மேம்பட்ட AI அல்காரிதம்கள் கருப்புப் பெட்டி (1) போன்றது, அது எப்படி வந்தது என்பதை வெளிப்படுத்தாமல் அதைத் தூக்கி எறிந்துவிட்டு, சிலரை கவலையடையச் செய்கிறது மற்றும் சிலரை வருத்தமடையச் செய்கிறது.

2015 ஆம் ஆண்டில், நியூயார்க்கில் உள்ள மவுண்ட் சினாய் மருத்துவமனையில் உள்ள ஒரு ஆராய்ச்சி குழு உள்ளூர் நோயாளிகளின் விரிவான தரவுத்தளத்தை பகுப்பாய்வு செய்ய இந்த முறையைப் பயன்படுத்துமாறு கேட்டுக் கொள்ளப்பட்டது (2). இந்த மிகப்பெரிய சேகரிப்பில் நோயாளியின் தகவல்கள், பரிசோதனை முடிவுகள், மருத்துவரின் பரிந்துரைகள் மற்றும் பலவற்றைக் கொண்டுள்ளது.

விஞ்ஞானிகள் வேலையின் போது உருவாக்கப்பட்ட பகுப்பாய்வு திட்டத்தை அழைத்தனர். இது சுமார் 700 நபர்களிடமிருந்து தரவுகளைப் பயிற்றுவித்தது. மனிதர்கள், மற்றும் புதிய பதிவேடுகளில் பரிசோதிக்கப்படும் போது, ​​இது நோயை முன்னறிவிப்பதில் மிகவும் பயனுள்ளதாக இருப்பது நிரூபிக்கப்பட்டுள்ளது. மனித நிபுணர்களின் உதவியின்றி, கல்லீரல் புற்றுநோய் போன்ற நோய்க்கான பாதையில் எந்த நோயாளி இருக்கிறார் என்பதைக் குறிக்கும் வடிவங்களை மருத்துவமனை பதிவுகளில் அவர் கண்டுபிடித்தார். நிபுணர்களின் கூற்றுப்படி, கணினியின் முன்கணிப்பு மற்றும் கண்டறியும் திறன் மற்ற அறியப்பட்ட முறைகளை விட அதிகமாக இருந்தது.

2. நோயாளி தரவுத்தளங்களை அடிப்படையாகக் கொண்ட மருத்துவ செயற்கை நுண்ணறிவு அமைப்பு

அதே நேரத்தில், இது ஒரு மர்மமான முறையில் செயல்படுவதை ஆராய்ச்சியாளர்கள் கவனித்தனர். உதாரணமாக, இது சிறந்தது என்று மாறியது மனநல கோளாறுகளின் அங்கீகாரம்ஸ்கிசோஃப்ரினியா போன்றவை மருத்துவர்களுக்கு மிகவும் கடினமானவை. இது ஆச்சரியமாக இருந்தது, குறிப்பாக நோயாளியின் மருத்துவப் பதிவுகளின் அடிப்படையில் மட்டுமே AI அமைப்பு மனநோயை எவ்வாறு நன்றாகப் பார்க்கிறது என்பது யாருக்கும் தெரியாது. ஆம், அத்தகைய திறமையான இயந்திர கண்டறியும் நிபுணரின் உதவியுடன் நிபுணர்கள் மிகவும் மகிழ்ச்சியடைந்தனர், ஆனால் AI அதன் முடிவுகளுக்கு எவ்வாறு வருகிறது என்பதைப் புரிந்துகொண்டால் அவர்கள் மிகவும் திருப்தி அடைவார்கள்.

செயற்கை நியூரான்களின் அடுக்குகள்

ஆரம்பத்தில் இருந்தே, அதாவது, செயற்கை நுண்ணறிவு பற்றிய கருத்து அறியப்பட்ட தருணத்திலிருந்து, AI பற்றிய இரண்டு கருத்துக்கள் இருந்தன. அறியப்பட்ட கொள்கைகள் மற்றும் மனித தர்க்கத்தின்படி பகுத்தறியும் இயந்திரங்களை உருவாக்குவது மிகவும் நியாயமானது என்று முதலில் பரிந்துரைத்தார், அவற்றின் உள் செயல்பாடுகள் அனைவருக்கும் வெளிப்படையானவை. இயந்திரங்கள் கண்காணிப்பு மற்றும் மீண்டும் மீண்டும் பரிசோதனை மூலம் கற்றுக்கொண்டால், நுண்ணறிவு எளிதில் வெளிப்படும் என்று மற்றவர்கள் நம்பினர்.

பிந்தையது வழக்கமான கணினி நிரலாக்கத்தைத் தலைகீழாக மாற்றுவதாகும். ஒரு சிக்கலைத் தீர்க்க புரோகிராமர் எழுதும் கட்டளைகளுக்குப் பதிலாக, நிரல் உருவாக்குகிறது சொந்த வழிமுறை மாதிரி தரவு மற்றும் விரும்பிய முடிவு அடிப்படையில். இயந்திர கற்றல் முறைகள் பின்னர் இன்று அறியப்பட்ட மிகவும் சக்திவாய்ந்த AI அமைப்புகளாக உருவாகியுள்ளன, உண்மையில், இயந்திரமே நிரல்களாகும்.

இந்த அணுகுமுறை 60கள் மற்றும் 70களில் AI அமைப்புகள் ஆராய்ச்சியின் விளிம்பில் இருந்தது. முந்தைய தசாப்தத்தின் தொடக்கத்தில், சில முன்னோடி மாற்றங்கள் மற்றும் மேம்பாடுகளுக்குப் பிறகு, "ஆழமான" நரம்பியல் நெட்வொர்க்குகள் தானியங்கு உணர்வின் திறன்களில் தீவிர முன்னேற்றத்தை நிரூபிக்கத் தொடங்கியது. 

ஆழ்ந்த இயந்திரக் கற்றல் கணினிகளுக்கு அசாதாரண திறன்களைக் கொடுத்துள்ளது, அதாவது பேசும் வார்த்தைகளை மனிதனைப் போலவே துல்லியமாக அடையாளம் காணும் திறன். இது மிகவும் சிக்கலான திறன் ஆகும். இயந்திரம் அதன் சொந்த "நிரலை" உருவாக்க முடியும் பெரிய தரவுத்தொகுப்புகளில் பயிற்சி.

ஆழ்ந்த கற்றல் கணினி பட அங்கீகாரத்தையும் மாற்றியுள்ளது மற்றும் இயந்திர மொழிபெயர்ப்பின் தரத்தை பெரிதும் மேம்படுத்தியுள்ளது. இன்று, மருத்துவம், நிதி, உற்பத்தி மற்றும் பலவற்றில் அனைத்து வகையான முக்கிய முடிவுகளை எடுக்க இது பயன்படுத்தப்படுகிறது.

இருப்பினும், இவை அனைத்தையும் கொண்டு "உள்ளே" எவ்வாறு செயல்படுகிறது என்பதைப் பார்க்க ஆழமான நரம்பியல் வலையமைப்பிற்குள் நீங்கள் பார்க்க முடியாது. நெட்வொர்க் பகுத்தறிவு செயல்முறைகள் ஆயிரக்கணக்கான உருவகப்படுத்தப்பட்ட நியூரான்களின் நடத்தையில் உட்பொதிக்கப்பட்டுள்ளன, அவை டஜன் கணக்கான அல்லது நூற்றுக்கணக்கான சிக்கலான ஒன்றோடொன்று இணைக்கப்பட்ட அடுக்குகளாக ஒழுங்கமைக்கப்பட்டுள்ளன..

முதல் அடுக்கில் உள்ள ஒவ்வொரு நியூரான்களும் ஒரு படத்தில் உள்ள பிக்சலின் தீவிரம் போன்ற உள்ளீட்டைப் பெறுகின்றன, பின்னர் வெளியீட்டை வெளியிடும் முன் கணக்கீடுகளைச் செய்கின்றன. அவை சிக்கலான நெட்வொர்க்கில் அடுத்த அடுக்கின் நியூரான்களுக்கு அனுப்பப்படுகின்றன - மற்றும் இறுதி வெளியீட்டு சமிக்ஞை வரை. கூடுதலாக, தனிப்பட்ட நியூரான்களால் செய்யப்படும் கணக்கீடுகளை சரிசெய்தல் எனப்படும் ஒரு செயல்முறை உள்ளது, இதனால் பயிற்சி நெட்வொர்க் விரும்பிய முடிவை உருவாக்குகிறது.

நாய் பட அங்கீகாரம் தொடர்பான அடிக்கடி மேற்கோள் காட்டப்பட்ட எடுத்துக்காட்டில், குறைந்த அளவிலான AI வடிவம் அல்லது நிறம் போன்ற எளிய பண்புகளை பகுப்பாய்வு செய்கிறது. உயர்ந்தவர்கள் ரோமங்கள் அல்லது கண்கள் போன்ற சிக்கலான சிக்கல்களைக் கையாள்கின்றனர். மேல் அடுக்கு மட்டுமே அனைத்தையும் ஒன்றாகக் கொண்டுவருகிறது, முழு தகவலையும் ஒரு நாய் என்று அடையாளம் காட்டுகிறது.

இதே அணுகுமுறையை மற்ற வகை உள்ளீடுகளுக்குப் பயன்படுத்தலாம், இது இயந்திரம் தன்னைத்தானே கற்றுக் கொள்ள உதவுகிறது: பேச்சில் வார்த்தைகளை உருவாக்கும் ஒலிகள், எழுத்துகள் மற்றும் எழுதப்பட்ட உரையில் வாக்கியங்களை உருவாக்கும் வார்த்தைகள் அல்லது ஸ்டீயரிங், எடுத்துக்காட்டாக. வாகனம் ஓட்டுவதற்கு தேவையான இயக்கங்கள்.

கார் எதையும் தவிர்க்கவில்லை.

அத்தகைய அமைப்புகளில் சரியாக என்ன நடக்கிறது என்பதை விளக்கும் முயற்சி மேற்கொள்ளப்படுகிறது. 2015 ஆம் ஆண்டில், Google இன் ஆராய்ச்சியாளர்கள் ஒரு ஆழமான கற்றல் பட அங்கீகாரம் அல்காரிதத்தை மாற்றியமைத்தனர், இதனால் புகைப்படங்களில் உள்ள பொருட்களைப் பார்ப்பதற்குப் பதிலாக, அது அவற்றை உருவாக்கியது அல்லது மாற்றியது. அல்காரிதத்தை பின்னோக்கி இயக்குவதன் மூலம், ஒரு பறவை அல்லது கட்டிடத்தை அடையாளம் காண, சொல்ல, நிரல் பயன்படுத்தும் பண்புகளை கண்டறிய விரும்பினர்.

பொதுவில் தலைப்பு என அறியப்படும் இந்த சோதனைகள் (3) கோரமான, வினோதமான விலங்குகள், இயற்கைக்காட்சிகள் மற்றும் கதாபாத்திரங்களின் அற்புதமான சித்தரிப்புகளை உருவாக்கியது. இயந்திர உணர்வின் சில ரகசியங்களை வெளிப்படுத்துவதன் மூலம், சில வடிவங்கள் திரும்பத் திரும்ப திரும்பத் திரும்பத் திரும்பத் திரும்பத் திரும்பச் செய்யப்படுவது போன்றவை, மனிதக் கண்ணோட்டத்தில் இருந்து எவ்வளவு ஆழமான இயந்திரக் கற்றல் வேறுபடுகிறது என்பதையும் அவை காட்டுகின்றன - எடுத்துக்காட்டாக, நாம் புறக்கணிக்கும் கலைப்பொருட்களை விரிவுபடுத்துகிறது மற்றும் நகலெடுக்கிறது. சிந்திக்காமல் நமது உணர்வின் செயல்பாட்டில். .

3. திட்டத்தில் உருவாக்கப்பட்ட படம்

மூலம், மறுபுறம், இந்த சோதனைகள் நமது சொந்த அறிவாற்றல் வழிமுறைகளின் மர்மத்தை அவிழ்த்துவிட்டன. இயந்திரம் பொறுமையாக "முக்கியமற்ற" பொருள்களில் அதன் மறு செய்கைகளை மீண்டும் செய்யும் அதே வேளையில், உடனடியாக எதையாவது புரிந்துகொள்ளவும் புறக்கணிக்கவும் செய்யும் பல்வேறு புரிந்துகொள்ள முடியாத கூறுகள் உள்ளன என்பது நமது கருத்தில் இருக்கலாம்.

மற்ற சோதனைகள் மற்றும் ஆய்வுகள் இயந்திரத்தை "புரிந்து கொள்ளும்" முயற்சியில் மேற்கொள்ளப்பட்டன. ஜேசன் யோசின்ஸ்கி மூளையில் சிக்கிய ஒரு ஆய்வு போல செயல்படும் ஒரு கருவியை உருவாக்கினார், எந்த செயற்கை நியூரானையும் குறிவைத்து, அதை மிகவும் வலுவாக செயல்படுத்தும் படத்தைத் தேடினார். கடைசி பரிசோதனையில், பிணையத்தை "எட்டிப்பார்த்ததன்" விளைவாக சுருக்க படங்கள் தோன்றின, இது கணினியில் நடக்கும் செயல்முறைகளை இன்னும் மர்மமானதாக மாற்றியது.

இருப்பினும், பல விஞ்ஞானிகளுக்கு, அத்தகைய ஆய்வு ஒரு தவறான புரிதல் ஆகும், ஏனெனில், அவர்களின் கருத்துப்படி, அமைப்பைப் புரிந்துகொள்வதற்காக, சிக்கலான முடிவுகளை எடுக்கும் உயர் வரிசையின் வடிவங்கள் மற்றும் வழிமுறைகளை அங்கீகரிக்க, அனைத்து கணக்கீட்டு தொடர்புகள் ஒரு ஆழமான நரம்பு வலையமைப்புக்குள். இது கணித செயல்பாடுகள் மற்றும் மாறிகளின் மாபெரும் பிரமை. தற்போது அது நமக்குப் புரியாது.

கணினி தொடங்கவில்லையா? ஏன்?

மேம்பட்ட செயற்கை நுண்ணறிவு அமைப்புகளின் முடிவெடுக்கும் வழிமுறைகளைப் புரிந்துகொள்வது ஏன் முக்கியம்? எந்தக் கைதிகளை பரோலில் விடுவிக்கலாம், யாருக்குக் கடன் வழங்கலாம், யாருக்கு வேலை கிடைக்கும் என்பதைத் தீர்மானிக்க ஏற்கனவே கணித மாதிரிகள் பயன்படுத்தப்பட்டு வருகின்றன. ஆர்வமுள்ளவர்கள் இது ஏன் மற்றும் மற்றொரு முடிவு எடுக்கப்படவில்லை, அதன் அடிப்படை மற்றும் வழிமுறை என்ன என்பதை அறிய விரும்புகின்றனர்.

அவர் ஏப்ரல் 2017 இல் எம்ஐடி தொழில்நுட்ப மதிப்பாய்வில் ஒப்புக்கொண்டார். டாமி யாக்கோலா, இயந்திர கற்றலுக்கான பயன்பாடுகளில் பணிபுரியும் எம்ஐடி பேராசிரியர். -.

AI அமைப்புகளின் முடிவெடுக்கும் பொறிமுறையை ஆராய்ந்து புரிந்துகொள்ளும் திறன் ஒரு அடிப்படை மனித உரிமை என்று ஒரு சட்ட மற்றும் கொள்கை நிலைப்பாடு கூட உள்ளது.

2018 ஆம் ஆண்டு முதல், EU ஆனது, தானியங்கு அமைப்புகளால் எடுக்கப்பட்ட முடிவுகளைப் பற்றி நிறுவனங்கள் தங்கள் வாடிக்கையாளர்களுக்கு விளக்கங்களை வழங்க வேண்டும் என்பதில் பணிபுரிந்து வருகிறது. விளம்பரங்களைக் காட்ட அல்லது பாடல்களைப் பரிந்துரைக்க ஆழமான அறிவியலைப் பயன்படுத்தும் பயன்பாடுகள் மற்றும் இணையதளங்கள் போன்ற ஒப்பீட்டளவில் எளிமையானதாகத் தோன்றும் அமைப்புகளில் கூட இது சில நேரங்களில் சாத்தியமில்லை என்று மாறிவிடும்.

இந்த சர்வீஸ் புரோகிராம்களை தாங்களாகவே இயக்கும் கம்ப்யூட்டர்கள், நம்மால் புரிந்துகொள்ள முடியாத வகையில் அதைச் செய்கின்றன... இந்த அப்ளிகேஷன்களை உருவாக்கும் பொறியாளர்களால் கூட இது எவ்வாறு செயல்படுகிறது என்பதை முழுமையாக விளக்க முடியாது.