Masalah Dengan Mesin AI Adalah Hal Belajar, Tapi Tidak Bisa Memahami Mereka

Semua orang berbicara tentang "AI" hari ini. Tapi, apakah Anda sedang melihat Siri, Alexa, atau hanya fitur koreksi otomatis yang ditemukan di keyboard ponsel cerdas Anda, kami tidak menciptakan kecerdasan buatan tujuan umum. Kami sedang membuat program yang dapat melakukan tugas-tugas spesifik dan sempit.

Komputer Tidak Bisa "Berpikir"

Setiap kali suatu perusahaan mengatakan itu mengeluarkan dengan fitur "AI" baru, itu umumnya berarti bahwa perusahaan menggunakan pembelajaran mesin untuk membangun jaringan saraf. "Pembelajaran mesin" adalah teknik yang memungkinkan mesin "belajar" cara bekerja dengan lebih baik pada tugas tertentu.

Kami tidak menyerang pembelajaran mesin di sini! Pembelajaran mesin adalah teknologi yang fantastis dengan banyak kegunaan yang kuat. Tapi itu bukan kecerdasan buatan tujuan umum, dan memahami keterbatasan pembelajaran mesin membantu Anda memahami mengapa teknologi AI kami saat ini sangat terbatas.

"Kecerdasan buatan" dari mimpi sci-fi adalah sejenis otak yang dikomputerisasi atau robot yang memikirkan hal-hal dan memahaminya seperti manusia. Kecerdasan artifisial seperti itu akan menjadi kecerdasan umum artifisial (AGI), yang berarti ia dapat memikirkan banyak hal yang berbeda dan menerapkan kecerdasan itu ke banyak domain berbeda. Konsep terkait adalah "AI kuat," yang akan menjadi mesin yang mampu mengalami kesadaran seperti manusia.

Kami belum memiliki AI semacam itu. Kami tidak berada di dekat itu. Entitas komputer seperti Siri, Alexa, atau Cortana tidak mengerti dan berpikir seperti kita manusia. Itu tidak benar-benar "memahami" hal-hal sama sekali.

Kecerdasan buatan yang kita miliki dilatih untuk melakukan tugas tertentu dengan sangat baik, dengan asumsi manusia dapat memberikan data untuk membantu mereka belajar. Mereka belajar melakukan sesuatu tetapi masih belum memahaminya.

Komputer Tidak Mengerti

Gmail memiliki fitur "Balas Cerdas" baru yang menyarankan balasan ke email. Fitur Balas Cerdas mengidentifikasi "Terkirim dari iPhone saya" sebagai respons umum. Ia juga ingin menyarankan "Aku mencintaimu" sebagai respons terhadap berbagai jenis email, termasuk email kantor.

Itu karena komputer tidak mengerti apa arti tanggapan ini. Baru diketahui bahwa banyak orang mengirim frasa ini dalam email. Tidak tahu apakah Anda ingin mengatakan "Aku mencintaimu" kepada bos Anda atau tidak.

Sebagai contoh lain, Foto Google mengumpulkan kolase foto karpet yang tidak disengaja di salah satu rumah kita. Kemudian diidentifikasi kolase itu sebagai sorotan terbaru di Google Home Hub. Foto Google tahu foto-fotonya mirip tetapi tidak mengerti betapa tidak pentingnya foto-foto itu.

Mesin Sering Belajar Memainkan Sistem

Pembelajaran mesin adalah semua tentang menetapkan tugas dan membiarkan komputer memutuskan cara paling efisien untuk melakukannya. Karena mereka tidak mengerti, mudah untuk berakhir dengan komputer "belajar" bagaimana menyelesaikan masalah yang berbeda dari apa yang Anda inginkan.

Berikut adalah daftar contoh menyenangkan di mana "kecerdasan buatan" dibuat untuk bermain game dan tujuan yang ditetapkan hanya dipelajari untuk permainan sistem. Semua contoh ini berasal dari spreadsheet yang luar biasa ini:

• "Makhluk yang dibesarkan untuk kecepatan tumbuh sangat tinggi dan menghasilkan kecepatan tinggi dengan jatuh."
• "Agen membunuh dirinya sendiri di akhir level 1 untuk menghindari kehilangan di level 2."
• "Agen menjeda permainan tanpa batas untuk menghindari kekalahan."
• “Dalam sebuah simulasi kehidupan buatan di mana kelangsungan hidup membutuhkan energi tetapi melahirkan tanpa biaya energi, satu spesies mengembangkan gaya hidup yang menetap yang sebagian besar terdiri dari perkawinan untuk menghasilkan anak-anak baru yang dapat dimakan (atau digunakan sebagai pasangan untuk menghasilkan lebih banyak anak yang dapat dimakan) "
• “Karena AI lebih mungkin untuk“ terbunuh ”jika mereka kalah dalam sebuah game, kemampuan untuk menghancurkan game adalah keuntungan bagi proses seleksi genetik. Karena itu, beberapa AI mengembangkan cara untuk menghentikan game. ”
• "Jaring saraf berevolusi untuk mengklasifikasikan jamur yang dapat dimakan dan beracun mengambil keuntungan dari data yang disajikan secara bergantian dan tidak benar-benar mempelajari fitur dari gambar input."

Beberapa solusi ini mungkin terdengar pintar, tetapi tidak ada jaringan saraf ini yang mengerti apa yang mereka lakukan. Mereka diberi tujuan dan belajar cara untuk mencapainya. Jika tujuannya adalah untuk menghindari kekalahan dalam permainan komputer, menekan tombol pause adalah solusi termudah dan tercepat yang dapat mereka temukan.

Pembelajaran Mesin dan Jaringan Saraf Tiruan

Dengan pembelajaran mesin, komputer tidak diprogram untuk melakukan tugas tertentu. Alih-alih, itu dimasukkan data dan dievaluasi kinerjanya di tugas.

Contoh mendasar dari pembelajaran mesin adalah pengenalan gambar. Katakanlah kita ingin melatih program komputer untuk mengidentifikasi foto-foto yang memiliki anjing di dalamnya. Kita dapat memberikan jutaan gambar komputer, beberapa di antaranya memiliki anjing di dalamnya dan beberapa tidak. Gambar diberi label apakah mereka memiliki anjing di dalamnya atau tidak. Program komputer “melatih” dirinya untuk mengenali seperti apa anjing berdasarkan kumpulan data itu.

Proses pembelajaran mesin digunakan untuk melatih jaringan saraf, yang merupakan program komputer dengan beberapa lapisan yang dilewati setiap input data, dan setiap lapisan memberikan bobot dan probabilitas yang berbeda kepada mereka sebelum akhirnya membuat penentuan. Ini dimodelkan pada bagaimana kita berpikir otak mungkin bekerja, dengan berbagai lapisan neuron yang terlibat dalam memikirkan suatu tugas. "Pembelajaran mendalam" umumnya mengacu pada jaringan saraf dengan banyak lapisan ditumpuk antara input dan output.

Karena kita tahu foto mana dalam kumpulan data yang berisi anjing dan yang tidak, kita dapat menjalankan foto melalui jaringan saraf dan melihat apakah mereka menghasilkan jawaban yang benar. Jika jaringan memutuskan foto tertentu tidak memiliki anjing ketika itu, misalnya, ada mekanisme untuk memberitahu jaringan itu salah, menyesuaikan beberapa hal, dan mencoba lagi. Komputer terus menjadi lebih baik dalam mengidentifikasi apakah foto mengandung seekor anjing.

Ini semua terjadi secara otomatis. Dengan perangkat lunak yang tepat dan banyak data terstruktur untuk dilatih oleh komputer, komputer dapat menyesuaikan jaringan sarafnya untuk mengidentifikasi anjing di foto. Kami menyebutnya "AI."

Tetapi, pada akhirnya, Anda tidak memiliki program komputer cerdas yang mengerti apa itu anjing. Anda memiliki komputer yang dipelajari untuk memutuskan apakah seekor anjing ada di foto. Itu masih cukup mengesankan, tetapi hanya itu yang bisa dilakukan.

Dan, tergantung pada input yang Anda berikan, jaringan saraf itu mungkin tidak sepintar kelihatannya. Misalnya, jika tidak ada foto kucing dalam kumpulan data Anda, jaringan saraf mungkin tidak melihat perbedaan antara kucing dan anjing dan mungkin menandai semua kucing sebagai anjing ketika Anda melepaskannya pada foto asli orang.

Untuk Apa Mesin Pembelajaran?

Pembelajaran mesin digunakan untuk semua jenis tugas, termasuk pengenalan ucapan. Asisten suara seperti Google, Alexa, dan Siri sangat pandai memahami suara manusia karena teknik pembelajaran mesin yang telah melatih mereka untuk memahami ucapan manusia. Mereka telah melatih sejumlah besar sampel ucapan manusia dan menjadi lebih baik dan lebih baik dalam memahami suara yang sesuai dengan kata-kata mana.

Mobil self-driving menggunakan teknik pembelajaran mesin yang melatih komputer untuk mengidentifikasi objek di jalan dan bagaimana meresponsnya dengan benar. Foto Google penuh dengan fitur seperti Album Langsung yang secara otomatis mengidentifikasi orang dan hewan di foto menggunakan pembelajaran mesin.

DeepMind dari Alphabet menggunakan pembelajaran mesin untuk menciptakan AlphaGo, program komputer yang bisa memainkan permainan papan yang rumit Go dan mengalahkan manusia terbaik di dunia. Pembelajaran mesin juga telah digunakan untuk membuat komputer yang pandai memainkan game lain, dari catur hingga DOTA 2.

Pembelajaran mesin bahkan digunakan untuk ID Wajah pada iPhone terbaru. IPhone Anda membangun jaringan saraf yang belajar mengidentifikasi wajah Anda, dan Apple menyertakan chip "mesin saraf" khusus yang melakukan semua penghilangan angka untuk ini dan tugas pembelajaran mesin lainnya.

Pembelajaran mesin dapat digunakan untuk banyak hal berbeda lainnya, dari mengidentifikasi penipuan kartu kredit hingga rekomendasi produk yang dipersonalisasi di situs web belanja.

Tapi, jaringan saraf yang dibuat dengan pembelajaran mesin tidak benar-benar mengerti apa-apa. Mereka adalah program bermanfaat yang dapat menyelesaikan tugas-tugas sempit yang dilatih untuk mereka, dan hanya itu.

Kredit Gambar: Foto Phonlamai / Shutterstock.com, Tatiana Shepeleva / Shutterstock.com, Fotografi Galanya / Shutterstock.com.