AI nedir, gerçekten mi?

Tasarımcılar için kültürel ve pratik bir giriş

Bu, Element AI’nın AI-Birinci Tasarımdaki Temelleri Serisinin ilk bölümüdür (AI1D). Her bölüm AI1D'nin bileşen parçalarını tanımlamayı ve bu yeni tasarım çağını keşfetmek için ortak bir dil oluşturmak amacıyla oluşturmayı amaçlamaktadır. Dizinin tanıtımını buradan okuyabilir ve bir sonraki bölüm için bizi izlemeye devam etmek için kayıt olabilirsiniz.

Bir tasarımcı olarak neden yapay zekayı anlayabilmelisiniz? Son zamanlarda medya ve teknoloji çevrelerinde, sanal kişisel asistanlardan, robotlardan, bilim-kurgu karakterlerinden veya en son derin öğrenme algoritmasından gelen herhangi bir şeyi tanımlayabilecek bir çeşit sorguya mahkum edilmiş bir terim. Belki de AI'da çalışıyorsunuz ve bu farklı alanlara ilişkin daha ayrıntılı bir anlayışa sahipsiniz veya belki de gelecek yıllarda çalışmalarınızın AI'dan bir şekilde etkileneceğini hissediyorsunuzdur, ancak bunun nasıl olduğundan emin değilsiniz.

Bunu akılda tutarak, yapay zekanın dilini saptamayı ve birçok tanımını tartışmayı hedeflediğimiz AI-Birinci Tasarım Temelleri Dizimizin ilk bölümüne hoş geldiniz. Bunu yaparken, bugün cevaplamak için geliştirebileceğimiz yapay zekanın ne olduğu fikrine inmeyi umuyoruz: AI-First Design nedir?

Bu bölüm mevcut AI peyzajını incelemeye ve ilk terimden beri AI'nın gördüğü çeşitli tanımlara göz atmaya yöneliktir. AI'nın tarihini gözden geçirip, zirveleri ve popülaritesini düşürüyor ve AI başarısındaki son artıştan bu yana ana kilometre taşlarını vurgulayacağız. Son olarak, AI’nın birçok tanımını ve herkesin aynı fikirde olabileceği bir sorunla karşı karşıya kaldığımız bazı zorlukları inceleyeceğiz. Heads up: daha uzun tarafta, bu yüzden rahat olun, daha fazla ilginizi çekebilecek bir bölüme atlayın veya aşağıdaki süper kısa sürümü okuyun.

TL; DR

AI incelememize 1950'lerde başlamaktan ziyade, zaman çizelgemiz, Homer’in İlyasında, heykelleri ve tanrıları insani niteliklere sahip hale getirmek istediğimizde çok daha erken başlar. O zamandan beri çok şey oldu! Bugün, AI’nın avans oranı, fonlama ve coşku açısından tüm zamanların en yüksek seviyesine ulaştık, ancak bilim kurgu beklentileri ve makineler tarafından gerçekleştirilebilecek gerçekler arasında hala büyük bir boşluk var. AI, insan benzeri genel zekaya ulaşmaktan çok uzak, ancak dar tanımlanmış görevlerin yerine getirilmesinde daha iyi ve daha iyi hale geliyor. Bugün AI'yı nasıl tanımladığımız ve neden bir tasarımcı olarak sizin için önemli olduğu ana bileşenleri:

  1. Büyük ölçüde verilere dayanmaktadır.
    AI'daki son gelişmeler, bağlı tüm cihazlarımız tarafından toplanan çok büyük miktarda veri ve onu saklama kabiliyeti olmadan mümkün olmazdı.
  2. Dar ve çok odaklı.
    AI, verilerdeki kalıpları bulmakta ve tanımladığımız belirli görevleri başarmakta çok iyidir, ancak önceden tanımlanmış parametrelerin dışında çok iyi genelleme yapmamaktadır.
  3. Hesaplamalarının sonucuyla ilgilenmez.
    İnsani karar vermenin doğasında var olan karmaşanın aksine, AI'nın karar verme kapasitesi, dış kaynaklı nedenlerden veya dün gece ne kadar uyuduğundan etkilenmez, ancak yalnızca eldeki işe odaklanır. Ancak, kötüden iyi bir şey bilmediğinden, verilerde var olan önyargılar sürdürülür.
  4. AI’nin yetenekleri programlanmış değil öğrenilir.
    AI, tekrarlı bir şekilde kendi başına gelişebilir - yolun her adımında programlanmadan, deneyimlerinden ders çıkarabilir ve gelecekteki tahmin ve kararları almada gelişebilir ve giderek daha karmaşık yetenekler ortaya çıkabilir.
  5. Gelişen bir terimdir.
    AI, farklı topluluklar tarafından farklı tanımlanmıştır ve tanımı teknolojideki gelecekteki ilerlemeler ile değişmeye devam edecektir.

Bunu bilerek, AI'nın bildiğimiz gibi tasarım alanında muazzam bir etkisi olacağına inanıyoruz. Tüm işletmelerin, ürünlerin, hizmetlerin ve (kullanıcı) deneyimlerinin tasarımını etkilemeye başladığında, birlikte çalıştığımıza dair temel bir anlayışa sahip olmamız ve potansiyelinden nasıl faydalanmak istediğimize karar vermemiz şarttır.

Hala merak ediyor musun? Dahası var!

AI Zamanında İniş ve Çıkışlar

Öncüler: tanrıları taklit etmek dileği

AI'yı düşündüğümüzde genellikle fütüristik bir şey düşünmemize rağmen, bu fikir yüzyıllar boyunca olmuştur. Örneğin, Homer’in İlyada’nda MÖ 750’de, sakat kalan Hephaestus, dolaşmasına yardımcı olmak için otomatalar yarattı:

Bunlar altındır ve görünüşe göre genç kadınlar yaşamaktadır. Kalplerinde zeka var, onlarda konuşma ve güç var, ölümsüz tanrılardan da bir şeyler yapmayı öğrendiler.

Düşünen Makineler Kitabında, Pamela McCorduck, Hephaestus'un çeşitli görevler için yarattığı, en azından birisinin aşina olduğu, bazı tehditkar durumdaysa, aşina olduğu çeşitli diğer yaratıkları anlatıyor: Pandora ve rezil kutusu.

Mekanize Düşünce

Kurgudaki bu örneklerin ötesinde, tüm bilgisayarlarda temel olarak kodlanmış dilimize temel oluşturan mantık ve mantıkta önemli gelişmeler vardı. Yapay zeka, özünde, düşüncenin mekanize edilebileceğini ve yeniden üretilebileceğini varsayar. Aristoteles, Syllogism'i geliştirmede mantıklı argümanlar halinde düşüncelerin örgütlenmesine öncülük eden ilk kişilerden biriydi;

Bütün erkekler ölümlüdür.
Sokrates bir erkek.
Bu yüzden Sokrates ölümlüdür.

Latince adı Algoritmi (ondan algoritma kelimesini türettiğimiz) olarak da bilinen Pers matematikçi Muhammed ibn Musa el-Hwarizmi, bugün AI'da verdiğimiz birçok kavramda da kilit bir rakam. Örneğin, cebir kelimesi, ikinci dereceden denklemleri çözmek için kullandığı iki işlemden biri olan "el-Jabr" kelimesinden türemiştir. 17. yüzyıl boyunca, Gottfried Wilhelm Leibniz, Thomas Hobbes, René Descartes gibi filozoflar tarafından cebir veya geometri kadar sistematik düşünmeyi amaçlayan bu gelişmeler üzerine inşa edilen ilerlemeler.

Sonraki yüzyıllarda günümüz yapay zekasına katkıda bulunan birçok matematiksel gelişme olsa da, 19. yüzyıl İngiliz matematikçisi Ada Lovelace, yaratıcı yaklaşımları ve bilgi işlem alanındaki çığır açan çalışmaları ile dikkat çekiyor. Charles Babbage’ın mekanik genel amaçlı bilgisayarı olan Analytical Engine’in hesaplamanın ötesinde yeteneklere sahip olabileceğini öneren ilk kişi oldu ve ardından dünyanın ilk bilgisayar programcısı ünvanını alarak ilk algoritmasını oluşturmaya devam etti.

Yapay zekanın doğuşu

Her ne kadar 20. yüzyılın başlarında hesaplamada gelişmeler görmüş olsak da, yapay zeka 1950'lerde gerçekten başladı, 1956'da Dartmouth Koleji'nde bir konferansla tüm öğrenme ve istihbaratın bir makine tarafından simüle edilecek şekilde tam olarak tanımlanabileceğini öne sürdü. Burada “yapay zeka” terimi, “insan zekasının makinelerin simülasyonu” anlamına geldiği için ilk kez kullanıldı. 50 yıl sonra Dartmouth atölye çalışmasını yansıtan organizatörlerden biri John McCarthy şunları söyledi: “Çalıştayın ürettiği sonuçlar için bilindiğini düşünürdüm. Aslında, “yapay zeka” terimini popülerleştirdiği için önemli ölçüde tanındı. ”

50'li yılların aşina olabileceği diğer büyük AI dönüm noktası ise ünlü “Turing Test” dir. Benedict Cumberbatch’ın Taklit Oyun’daki performansı ile popüler olan İngiliz bilgisayar bilimci Alan Turing, eğer bir makine bir insanla yapılan bir konuşmadan ayırt edilemeyen bir konuşma yapabilirse, o zaman “düşünen bir makinenin” makul olduğunu öne sürdü. Başka bir deyişle, bir bilgisayar ancak bir insanı insan olduğunu düşünmesine kandırabilseydi akıllı olurdu.

70'li yılların ortalarında ellili yaşların ortalarından sonra gelenler, hesaplamada büyük ilerlemeler ve hem coşku hem de devlet fonundaki artışlarla AI’nin “altın yılı” olarak anılıyordu. Spesifik olarak, Marvin Minsky, 1959'da Massachusetts Institute of Technology’nin AI laboratuvarını kurduğu ve 60’lı ve 70’li yıllarda tarlaya öncülük etmeye devam ettiği Dartmouth atölyesinden ivme kazandı. Oyun oynamak, kendini bilgisayar zekasını geliştirmek ve test etmek için ideal bir araç olarak ortaya koymaya başladı; IBM, 1951'de dama oynayabilecek bir program geliştirdi. 60'lı yıllarda, “en yakın komşu” algoritması, “seyahat eden satıcıyı” çözmek için yaratıldı. sorun ”:“ Bir şehir listesi ve her bir şehir çifti arasındaki mesafeler göz önüne alındığında, her bir şehri tam olarak bir kez ziyaret eden ve menşe şehirine geri dönen mümkün olan en kısa rota nedir? ”Sonuçta ortaya çıkan algoritma, temel örüntü tanımanın başlangıcını oluşturdu.

Bununla birlikte, 1969'da Marvin Minsky ve Seymour Papert, mevcut sinir ağı teknolojisinin bazı sınırlarını tartışan bir kitap olan Perceptrons'u yayımladı ve gelecek yıllarda belki de “AI kış” ın habercisi oldu.

70'li ve 80'li yıllarda AI kışları

50'li yıllardan 70'lere kadar süren bu başarılı çalışma ile, yalnızca bilimsel ilerlemelerle değil, aynı zamanda Stanley Kubrick'in 2001 A Space Odyssey'i ya da Isaac Asimov'un I, Robot'u gibi, AI'nın sınırlamaları olan bir çarpışma rotası gibi bilim kurgularının yarattığı kamu beklentilerini de arttırdı. kaçınılmazdı.

Temel olarak, bilgisayarlar herkesin gerçekçi olmayan yüksek beklentilerine cevap veremediğinde, fonlar ve coşkular kuruyarak dünyadaki AI laboratuvarlarının sökülmesine yol açtı. 1980'den 1987'ye Japonya'dan yapılan büyük bir yatırımla kısa bir ikinci rüzgâr olmasına rağmen, bu patlama 1987'den 1993'e kadar bir AI kışı ile kısa ömürlü ve rezerve edildi.

1970'li yılların ilk kışında hayatta kalan önde gelen AI araştırmacılarından Roger Schank ve Marvin Minsky, iş dünyasına “AI'nın coşkusunun 80'lerde kontrolden çıktığını ve bu hayal kırıklığının kesinlikle izleyeceğini” söyledi. AI coşkusu bugün devam ediyor. ABD ordusunun AI veya dost tankları tanımlamak için AI kullanımı ya da daha yakın zamanda Microsoft'un geçen yıl Twitter'da ırkçı ve anti-semitik davranışlarını hızlı bir şekilde sergileyen Microsoft'un Tay chatbot'u gibi son yıllarda AI'nın popüler olmayan birkaç kullanımı vardı. konuşursak, bugün AI gelişiminde, fon sağlamada ve coşku bakımından her zaman yüksek olduğumuzu söyleyebilirsiniz.

AI Manzara Bugün - Neden bu kadar sıcak?

Teknoloji yutturmaca ölçmek için popüler bir araç Gartner’ın Hype Döngüsü’dür. Medya araştırmalarının bilimsel araştırmalardan daha fazla bir göstergesi olarak kabul edilmekle birlikte, AI’nın güncel popülaritesine yol açan yasal olarak heyecan verici bazı ilerlemeler var. Yani, aslında hepsi hype mı? Tam değil. Şimdiki takıntılarımıza katkıda bulunan son altı yıldaki bazı önemli AI kilometre taşlarını inceleyelim.

Son AI Kilometre Taşları

  • 2011: Apple’ın Siri, soruları cevaplamak, tavsiyelerde bulunmak ve basit eylemler gerçekleştirmek ya da başarısız olmak için internette bir şeyler aramak için biraz doğal bir dil kullanarak tanıtıldı.
  • 2012: Konvolüsyonel Sinir Ağları (kısaca CNN'ler) ImageNet sınıflandırma yarışmasında - a.k.a. - “bilgisayarlı vizyonun yıllık olimpiyatları” - toplumda bir felaket yaratma ve derin öğrenmeye duyulan ilginin yeniden ortaya çıkmasına neden olan rekabeti yok etti.
  • Google, sevimli kedi özelliklerini ayırt etme konusunda hiçbir bilgi beslenmemesine rağmen, derin bir öğrenme algoritması kullanarak YouTube videolarındaki kedileri başarıyla tanımak için bir sinir ağı eğitiyor.
  • 2013: Asla Ending Image Learner olarak adlandırılan NEIL, Carnegie Mellon Üniversitesi'nde, farklı algılar arasındaki ilişkileri sürekli olarak karşılaştırmak ve analiz etmek amacıyla, sağduyu arzusu çok zor olan insan yeteneğini öğrenmeyi amaçlamak üzere serbest bırakıldı.
  • 2015: Facebook, Facebook kullanıcıları tarafından yüklenen dört milyon görüntü üzerinde eğitilen derin öğrenme yüz tanıma sistemi DeepFace'i piyasaya sürmeye başladı. Yüzleri% 97,35 hassasiyetle tanımlayabilir, önceki sistemlere göre% 27'den fazla bir gelişme sağlayabilir.
  • 2015: DeepMind'in Deep Q Networks'ü, derin pekiştirme öğreniminin geleceğine işaret eden Atari oyunları oynamayı öğrendi.
  • 2015–17: Google DeepMind’in AlphaGo’su, o zamanlar dünyadaki 1'inci sıradaki oyuncu olan Hui Hui, Lee Sedol ve Ke Jie'yi mağlup etti.
  • 2015: Google DeepDream, makinelerin sanat yapıp yapamayacağını, çevreci bir sinir ağı kullanarak trippy görüntüler üreterek, görüntüleri otomatik olarak sınıflandırmak amacıyla görüntülerde yüzleri ve diğer kalıpları algılamak için tasarlanmış yazılımlar olup olmadığını merak ediyor.
  • 2015'ten bu yana: Sanatçı Ross Goodwin, şiirsel “otomatik fotoğraf” anlatıcısı olan Word Camera ile makine öğrenmesini kullanarak yeni anlatılmış gerçeklik biçimlerini araştırıyor ve David Hasselhoff'un başrollerini paylaştığı bir film için senaryo yazmak üzere, kendinden geçmiş başlıklı AI “Benjamin” i programladı.
  • 2015'ten bugüne: Bir dizi AI kişisel asistanı evinize tanıtıldı; dikkatinizi çekmek için Apple’ın Siri’i şimdi Microsoft’un Cortana, Amazon’un Alexa ve Google Asistanı ile mücadele ediyor.
  • 2017: Carnegie Mellon profesörü Tuomas Sandholm ve yüksek lisans öğrencisi Noam Brown tarafından tasarlanan Libratus, pokerin karmaşık versiyonunda en iyi dört oyuncuya karşı - Texas Hold playersem kazandı.
  • 2017: Google’ın Deepmind'ı ve çok oyunculu uzay savaşı video oyunu StarCraft II'nin yaratıcıları AI araştırmacılarının insanlara karşı rekabet edebilecek botlar yaratmalarını sağlayacak araçları piyasaya sürdü. Botlar henüz kazanmadı ve bir süre için beklenmiyor, ancak kazandıklarında Go'da kazanmaktan çok daha büyük bir başarı olacak.

Makine Öğrenimi ve Derin Öğrenmede Gelişmeler

AI uygulayıcılarının yaşadığı yer

Bu dönüm noktalarının tümü, son on yılda yapay zekanın en heyecan verici alanlarında büyük ilerlemeler olmadan mümkün olmazdı: makine öğrenmesi ve derin öğrenme. Bu terimler benzer görünse de, tamamen aynı değillerdir. Açıklayalım.

90'ların sonundan ve 2000'lerin başlarından başlayarak, artan bilgisayar depolama ve işleme yetenekleri, AI sistemlerinin nihayetinde yeterli veriyi tutabildiği ve daha karmaşık işlemlerle başa çıkmak için yeterli gücü kullanabileceği anlamına geliyordu. Aynı zamanda, internet kullanımındaki ve bağlantılardaki patlama, makineleri eğitmek için kullanılabilecek görüntüler, metinler, haritalar veya işlem bilgileri gibi sürekli artan miktarda veri yarattı.

Eski programatik sistem olan “eğer öyleyse” kurallar ve iyi eski moda yapay zeka veya GOFAI'da olduğu gibi temel karar vermeyi yönlendirmek için binlerce satır kod gerektiren karmaşık sembolik mantık prosedürleri yerine, makine öğrenme geriye doğru çalışır. Büyük veri kümeleri kullanarak, algoritmalar yinelemeli olarak öğrenir ve gelecekteki girdileri anlamlandırmak için modeller arar. Makine öğrenmesi, 1959'da geri dönüşü “bilgisayarlara açıkça programlanmadan öğrenme olanağı sağlayan çalışma alanı” olarak nitelendirdiği makine öğrenmesi öncüsü Arthur Samuel tarafından güzel bir şekilde özetlendi. Makine öğrenmesi, geniş bir yelpazedeki alanı ele almak için kullanılıyor. Günümüzde kanser hücrelerini belirlemek, daha sonra hangi filmi izleyeceğinizi tahmin etmek, her türlü konuşulan dili anlamak veya evinizin pazar değerini belirlemek gibi konular.

Bu görüntüdeki kanserli hücreler hangileridir? Bir AI doktordan daha hızlı öğrenebilir. Image: Popüler Bilimde Gabriel Caponetti.

Makine öğrenimindeki son gelişmeler, büyük ölçüde makine öğreniminin bir alt alanı olan derin öğrenmenin büyümesinden kaynaklanmaktadır. Derin öğrenme, sinir ağında ilginç şeyler yapmak için birçok basit “nöron” benzeri yapıyı birbirine bağlayarak beynin yapısından ödünç alır. Bu yapay nöronların birçok katmanını bir araya getirerek (dolayısıyla “derin”), ağ bir bütün olarak karmaşık görevleri yapmayı öğrenebilir. İlginç bir şekilde, bu katmanlardaki nöronlar genellikle kenarları tanıma veya belirli bir nesnenin ana hatları gibi belirli roller üstlenirler. Derin öğrenmenin benzersiz gücü, genellikle “özellikler” olarak bilinen bu alt görevlerin, programcılar tarafından belirtilmek yerine doğrudan verilerden öğrenilmesidir. Bu, çözümlerin insanlar için açık olmadığı problemlerin üstesinden gelmeye derinlemesine öğrenme sağlar.

Gerçek hayattan bir örnek alalım: kanser hücrelerini tanımak. Klasik bir AI yaklaşımı, kendi karar alma süreçlerini damıtmaya çalışan ve ardından algoritmaya kodlayan bir insan uzmanına dayanacaktır. Örneğin, belirli bir boyuttan büyük olan veya bulanık bir anahattı veya kendine özgü bir şekli olan hücreleri işaretleyebiliriz. Bununla birlikte, derin öğrenme ile, kanserli olup olmadıklarını belirtmek için etiketli hücrelerin görüntülerini doğrudan besleyebiliriz ve sinir ağımız görüntünün bu özel görev için en kullanışlı özelliklerini seçmeyi öğrenir. Bu klasik bir “denetimli öğrenme” örneğidir: bazı girdiler ve bazı istenen çıktıları sağlarız ve algoritma birinden diğerine eşlenmeyi öğrenir.

Etiketleri tamamen ortadan kaldırabiliriz ve algoritmadan ortak bir şeyleri olan hücreleri gruplamalarını isteyebiliriz. Bu süreç kümelenme olarak bilinir ve bu bir çeşit denetimsiz öğrenmedir. Burada etiket biçiminde denetim sağlamıyoruz, verilerde yapı bulmak için derin öğrenmeyi kullanıyoruz. Örneğimize göre, belki de hücrelerimiz çok farklı türlerdir - cilt hücreleri, karaciğer hücreleri ve kas hücreleri - ve her bir kümedeki hangi hücrelerin kanserli olduğunu bulmaya çalışmadan önce bunları kümelemek faydalı olacaktır. Kümeleme için diğer yaygın uygulamalar, fotoğraflarınızdaki farklı yüzleri tanımlamayı, farklı müşteri türlerini anlamayı ve aynı konuyla ilgili haberleri harmanlamayı içerir.

Yutturmaca inanmıyorum: AI Mitleri vs Gerçekler

Öyleyse, son yıllarda AI’daki tüm bu hızlı gelişmeler sayesinde, hepimizin bu konuda doğru pompalanacağımızı mı düşünüyorsunuz? Şey, herkes değil. 50'li ve 60'lı yıllarda AI'nın ilk altın yıllarında olduğu gibi, bilim kurgu ve medyadaki tasvirlere dayanarak AI'nın beklentileri ile AI'nın gerçekte ne yapabileceği arasında hala büyük bir fark var. (Bu tahminlerle ilgili olarak sık sık görülen bozulma korkusundan, mahremiyet endişelerinden veya iş kaybından bahsetmeyin.)

Bu tartışmayı çerçevelemenin bir başka yolu “dar” ve “genel” yapay zeka arasındaki farktır. AI’nın şu ana kadarki en büyük başarılarının çoğu “dar” yapay zekada, yani Siri'nin sizin için dikte edilmiş bir metin mesajı yazması veya görüntüdeki bir kedinin tanınması gibi katı parametreler dahilinde belirli bir görevi yerine getirmiştir. Dar AI'da kişisel farkındalık veya genel problem çözme becerileri kavramı yoktur. Tersine, halkın on yıllardır hayalini tutanların çoğu, AI'nın eşit olması durumunda, Hal 9000, R2D2 veya Samantha'ya benzeyen, insan benzeri bir asistan biçimindeki “genel yapay zeka” fantezisidir. insanlardan daha büyük zeka değil.

Çok açık olmak gerekirse, genel AI'ya benzeyen her şeyden çok uzaktayız. Element AI’nın kurucularından biri olan Yoshua Bengio, bu konuda konuşurken açıkça açık - bunun ne zaman olacağına dair zamana dayalı bir tahmin yapmanın makul olacağına inanmıyor. Yakın tarihli bir konuşmada, henüz orada olmamamızın bazı özel nedenlerini ana hatlarıyla belirtti; ilki, bugüne kadarki tüm endüstriyel AI başarılarının yalnızca denetimli öğrenmeye dayanmasıydı. Eğitim sistemlerimiz hala oldukça basit, çünkü eğitim bağlamı dışında pek başarılı olmayan verilerdeki yüzeysel ipuçlarına güveniyorlar.

Google’ın sinir ağları tarafından oluşturulan, halter uzuvları ile birlikte oluşturulmuş halterleri. Resim: Google.

Örneğin, Google binlerce resme dayalı halter resimleri üretmek için bir sinir ağı eğittiğinde, neredeyse doğru oldu. Tabii, bir bara bağlı iki ağırlığımız var, ama o hayalet kolların orada ne işi var? Yapay sinir ağı, halterlerin ortak görsel özelliklerini başarılı bir şekilde tanımlayabilse de, kaynak görüntülerde daima halter tutan insanlar bulunduğundan, halterlerin de kolları olduğu varsayılmıştır.

Bu kadar önemli sınırlamalara rağmen, geçtiğimiz yaz Mark Zuckerberg ile Elon Musk spar'ın sesini duymak için, AI yakıtlı bir Dünya Savaşı'nın köşeyi döndüğünü düşünürsünüz. CEO'muz Jean-François Gagné, yakın tarihli bir blog yazısında bizi şu anki AI durumu hakkında temel noktalara geri getiriyor:

“AI çok dar ve kırılgan. Ayarlandığı kapsamın dışında iyi çalışmıyor. Sadece basit amaç fonksiyonlarını yönetebilir; bu yüzden, biz, insanlar, insan zekasını kullanarak bir işin otomatikleştirilebileceği noktaya etkili bir şekilde uygulamak için kullanıyoruz. ”

AI’nın birçok tanımı

Şimdi, AI'daki tarihsel gelişmeleri ve son gelişmeleri hızlandıracağımıza göre, yıllar boyunca onu tanımlamak için ortaya koyduğumuz tanımları inceleyelim. Bazıları son zamanlarda terimin anlamsız hale geldiği için aşırı kullanıldığını iddia etse de, ondan vazgeçmeye pek istekli değiliz.

“AI” terimi bugün nasıl kullanılıyor?

AI'yi tanımlamak için, zekayı inceleyerek başlayalım. Bir yandan, örneğin bir IQ puanına dayanan basit bir akıl kavramına sahip olabilirsiniz. Ama hepimiz biliyoruz ki istihbarat aslında çok daha katmanlı ve karmaşık. Oxford Sözlüğü bunu “bilgi ve becerileri edinme ve uygulama yeteneği” olarak tanımlarken, Cambridge Sözlüğü'nün yaklaşımı biraz farklıdır: “öğrenme, anlama, yargılama veya akla dayanan görüşlere sahip olma”. Diğerleri, Howard Gardner'in çoklu zeka kuramı gibi müzikal ritmik ve harmonik, görsel-mekansal, sözel-dilsel, mantıksal-matematiksel, bedensel-kinetik ve varoluşsal , diğerleri arasında. Üstlendiğimiz bu son tanımlamaya daha yakındır ve geniş bir bağlamda bilginin edinilmesine, işlenmesine ve uygulanmasına olanak tanır.

İstihbarat fikrimiz aynı zamanda çok antropomorfiktir: insanlar olarak bizler sorunları düşünme ve çözme şeklimize dayanır. Yapay Zekalı bir sistemin, bir insanın yaklaşımına benzeyen bir şekilde vardığı sonuçlara göre AI geniş çapta aynı şekilde anlaşılmaktadır. Bu düşünceye dayanarak, David C. Parkes ve Michael P. Wellman, AI kavramını “neoklasik iktisadın efsanevi, tamamen rasyonel olan rasyonel ajanı olan homo economus” olarak ortaya koyuyor. AI'yı eğitmek için kullanılan veriler, “mükemmel rasyonelliğin” değerlendirilmesini neredeyse imkansız kılan, insan veya diğer önyargı nedeniyle, genellikle doğal olarak hatalı.

AI hakkındaki 2016 Beyaz Saray Raporu, tutarlı bir tanımın ortaya çıkmasındaki zorlukların toplamıdır: “Uygulayıcılar tarafından evrensel olarak kabul edilen tek bir AI tanımı yoktur. Bazıları AI'yı gevşek bir şekilde, genellikle istihbarat gerektiren olarak düşünülen davranış sergileyen bilgisayarlı bir sistem olarak tanımlar. Diğerleri, AI'yı karmaşık problemleri rasyonel bir şekilde çözebilecek ya da gerçek dünya koşullarında ne olursa olsun hedeflerine ulaşmak için uygun eylemlerde bulunabilecek bir sistem olarak tanımlamaktadır. ” “davranış”.

İsveçli filozof Nick Bostrom, AI'da öğrenme ve uyarlama kavramına odaklanıyor. Superintelligence: Yollar, Tehlikeler, Stratejiler: “Öğrenme kapasitesi, genel istihbarat elde etme amaçlı bir sistemin temel tasarımının ayrılmaz bir özelliği olacaktır. belirsizlik ve olası bilgilerle başa çıkma kabiliyetine sahiptir. ”Makine Öğrenimi Girişinde Bilgisayar Mühendisliği Profesörü Ethem Alpaydın gibi diğerleri“ akıllı bir sistemin çevreye uyum sağlayabilmesi gerektiğini; hatalarını tekrar etmemeyi değil, başarılarını tekrar etmeyi öğrenmelidir. ”

Tanımlarımız

Diğerlerinin bugün AI'yı nasıl tanımladığını incelemenin yanı sıra, araştırmamızın bir kısmı da meslektaşlarımızdan yapay zekayı bir cümleyle (ya da iki veya üç) tanımlamasını isteyen bir şirket anketi göndermeyi içeriyordu. Anket sonuçlarında üç ana cevap kategorisi ortaya çıkmıştır:

  1. AI, bilgisayarın kullanabileceği verilere dayanarak karar verme veya tahmin etme yeteneğidir.
  2. AI, bilgisayarın algı, biliş, kontrol, planlama veya strateji gibi üst düzey beyin işlevlerini çoğaltma becerisidir.
  3. AI, veri ve hesaplama tarafından oluşturulmuş bir programdır, yani kodlanmış değildir.

Bugün amaçlarımız için bu tanımlar yeterli mi? Böylesine geniş ve sürekli gelişen bir konsepti tanımlamaya çalışırken bazı zorluklar nelerdir?

Neden bu kadar zor?

“Catchall” fenomeni AI hakkında konuştuğumuzda ortaya çıkan en büyük zorluklardan biridir. Terimin sıkça kullanılması, Antropolojide Stanford Doktora ve Intel'de Etkileşim ve Deneyim Araştırması Direktörü Genevieve Bell'in açıkladığı gibi, geniş bir uygulama yelpazesi ve içsel karışıklıkla sonuçlanmıştır:

“Benim için, yapay zeka çok zorlayıcı bir terimdir ve popülerlik içinde ve dışında popüler olan bir terimdir. Şu an geri döndü. Bilişsel hesaplama, makine öğrenmesi ve derin öğrenme ve algoritmalar hakkında konuşabileceğiniz bir terimdir. Bu bir meydan okuma çünkü aynı anda her şey ve hiçbir şey ifade etmiyor. Teknik olduğu kadar kültürel bir kategori. ”

Terim genellikle yanlış durumlarda (ya da kesin olmayan koşullarda) kullanılır, çünkü bu 2017 McKinsey Global Institute tartışma belgesinde belirtildiği gibi çok geniştir: AI: Bir sonraki dijital sınır:

“… Bağlamak zor, çünkü insanlar bireysel sorunlara çözüm üretmek için farklı teknolojileri karıştırıp eşleştiriyorlar. Bazen bunlar bağımsız teknolojiler, bazen diğer teknolojilerin alt grupları ve bazen de uygulamalar olarak ele alınmaktadır. Bazı sistemler AI teknolojilerini temel işlevlere göre gruplandırıyor, bazıları bunları iş uygulamalarına göre gruplandırıyor… ”

AI'nın tanımlanmasındaki bir diğer önemli zorluk, bilim ve uygulamalarının sürekli olarak gelişmekte olduğu gerçeğidir. Pamela McCorduck'un “Düşünen Makineler” kitabında açıkladığı gibi, genellikle yeni bir problem çözen akıllı bir sistem “sadece hesaplama” veya “gerçek istihbarat” olarak iskonto edilir. Filozof Bostrom bunu şöyle güzel özetliyor: “Bir çok modern AI, genel olarak AI olarak adlandırılmadan genel uygulamalara filtre uyguladı çünkü bir şey yeterince faydalı ve yeterince yaygın hale geldiğinde, artık AI olarak etiketlenmiyor.” Örneğin, dama oynayan IBM programı 1951’de o zaman çığır açan AI olarak kabul edilmiş olabilirdi, ancak bugün temel hesaplama olarak tanımlanacaktı. Ya da daha yakın zamanlarda, bazıları karamsar bir şekilde, AlphaGo'yu Lee Sedol'u yenen gibi herhangi bir “dar AI” hakkında “akıllı” bir şey olmadığını iddia eder.

Tüm bu zorlukları göz önünde bulundurarak, yargımızı bulanıklaştıran ve somut konulara odaklanan kültürel ve medya gürültüsünü azaltmanın bir yolu var mı? “AI” kelimesini kullandığımızda, genellikle doğal dil işleme, makine öğrenmesi veya makine görüşü gibi belirli bir teknolojiden bahsediyoruz. Bu yüzden mümkün olduğu kadar spesifik olmak, başlamak için iyi bir yer. Bununla birlikte, diğer durumlarda, “AI” teriminin kullanılması, hangi teknolojinin kullanıldığını tam olarak bilmediğimiz durumlarda olduğu gibi, yanlış değildir. Bu devam eden tartışmayı körükleyen tüm AI uygulayıcıları ve gazetecilerle birlikte, düşmemize karşı bağışıklığımız olmadığı bir tuzak.

İleriye bakmak

AI'nın “ne” olduğunu açıkça ifade etmeye çalışırken, farklı insanlar için oldukça farklı şeyler ifade ettiğini keşfettik. Hayal gücümüzü çok uzun bir süredir yakalayan bir fikir. Bilgisayar bilimine daraltsak bile, hala çok geniş. Bunu akılda tutarak, AI'nın yaşamımızı nasıl değiştirdiğine, bugün bu yutturmacaya yol açan atılımlara odaklanmanın önemli olduğunu düşünüyoruz. Kevin Kelly, son TED konuşmasında bunu güzelce özetledi:

“Şu anda AI uzmanı yok. Ona gidecek çok para var, milyarlarca dolar harcanıyor; çok büyük bir iş, ancak bundan 20 yıl sonra bildiklerimize göre uzman yok. Yani biz sadece başlangıcın başındayız, tüm bunların ilk saatindeyiz… 20 yıldan beri en popüler AI ürünü, herkesin kullandığı, henüz icat edilmedi. Bu, geç kalmadığın anlamına geliyor. ”

Başka bir deyişle, AI nosyonumuzun çoklu bakış açılarını ve bazen çelişkili fikirleri içermesi normaldir, çünkü şimdi gelişmekte ve gerçekleşmektedir. Bunun bir kopik olarak okunması kastedilmedi, daha doğrusu daha iyi hale getirmeye çalışırken içselliğini ve dağınıklığını benimseme çağrısı.

Tüm bunlar söylemek gerekirse, tanımı tanımlamayacağız. Bununla birlikte, AI'nın ve yeteneklerinin temel bir anlayışına sahip olmak için, günümüzde üretime giren teknolojiyle boğuşan tasarımcıların gelmesini istiyoruz. Tesler’in Teoremi’nin dediği gibi “AI henüz yapılmadıysa ne olursa olsun” ise, o zaman tam olarak bakmamız gereken yer budur - zaten yapılmış olana değil, mümkün olana veya çok yakında.

Özünde AI'nın muazzam bir öğrenme fırsatı olduğuna ve dikkatli bir şekilde geliştirilirse, insanları geniş kapsamlı ilerlemelere yönlendirebileceğine inanıyoruz. Atlı pulluklar, 1100'lerde tarımı çarpıcı biçimde devrimden geçirirken ve buhar motorları, 18. yüzyılda üretimi ve nakliyeyi yeni bir çağa itmiştir, AI'nın bir sonraki yüzyıldaki dijital yeniliğin altını çizdiğini görüyoruz. MIT Fizik Profesörü Max Tegmark'ın yakın zamanda belirttiği gibi, şimdi geleceği kaçınılmaz şekilde savunduğumuz önceden belirlenmiş bir olay olarak düşünmenin zamanı değil, ama kendimize “Ne tür bir gelecek tasarlamak istiyoruz?” Diye sormalıyız. AI ile? ”

Bundan zevk aldıysanız, AI-Birinci Tasarım Temelleri serimizdeki bir sonraki bölüme dikkat edin - Tasarım Nedir, Gerçekten mi?

Yazarlar ve Katkıda Bulunanlar

Rebecca West, Element AI'da AI1D Dergisi'nin editörü ve tasarım, teknoloji ve yaratıcılık kesişimindeki projelere odaklanan bir yazar.

Element AI'da Görsel Tasarımcı Dona Solo'nun çizimleri.

Applied Research Scientist Archy de Berker, Deneyim Tasarımcısı Masha Krol ve 2017 yaz araştırmacımız Louis-Félix La Roche-Morin'in katkılarıyla.