Zullen de intelligente algoritmen van de toekomst eruit zien als robots voor algemene doeleinden, als bedreven in idle Banter en leeskaarten als ze handig zijn in de keuken? Of lijken onze digitale assistenten meer op een grabbelton met gespecialiseerde gadgets - minder een enkele praatgrage masterchef dan een keuken vol apparaten?
Als een algoritme te veel probeert te doen, komt het in de problemen. Het recept hieronder werd gegenereerd door een kunstmatig neuraal netwerk, een type kunstmatige intelligentie (AI) dat bijvoorbeeld leert. Dit specifieke algoritme onderzocht de recepten van 30,000-kookboeken van allerlei soorten, van soepen tot pasteien en barbecues, en probeerde vervolgens zijn eigen recepten te verzinnen. De resultaten zijn, laten we zeggen, enigszins onorthodox:
(Noot van de redactie: Probeer deze recepten niet thuis, LOL)
Verspreid kippenrijst
kaas / eieren, salades, kaas
2 lb harten, gezaaid
1 beker gesnipperde verse munt of frambozen taart
1 / 2 kopje catrimas, geraspt
1 eetlepel plantaardige olie
1 zout
1 peper
2 1 / 2 tb suiker, suiker
Combineer schutbladen en roer tot het mengsel dik is. Voeg vervolgens eieren, suiker, honing en karwijzaad toe en kook op laag vuur. Voeg de glucosestroop, oregano en rozemarijn en de witte peper toe. Zet in de room door hitte. Kook voeg het resterende bakpoeder en zout van 1 theelepel toe. Bak bij 350F voor 2 naar 1 uur. Heet opdienen.
Opbrengst: 6-porties
Nu, hier is een voorbeeld van een recept dat is gegenereerd door hetzelfde basisalgoritme - maar in plaats van gegevens die allerlei soorten recepten bevatten, keek het alleen naar gebak. Het recept is niet perfect, maar het is veel, veel beter dan het vorige:
Carrot Cake (Vera Ladies ")
cakes, alcohol
1 pkg gele cakemix
3 bekermeel
1 theelepel bakpoeder
1 1 / 2 theelepel bakpoeder
1 / 4 theelepel zout
1 teaspoon ground cinnamon
1 theelepel gemberpoeder
1 / 2 theelepel gemalen kruidnagels
1 theelepel bakpoeder
1 / 2 theelepel zout
1 theelepel vanille
1-ei, kamertemperatuur
1 kopje suiker
1 theelepel vanille
1 beker gehakte pecannoten
Verwarm de oven voor op 350 graden. Vet een 9-inch springvorm in.
Om de cake te maken: Klop de eieren op hoge snelheid tot een dikke en gele kleur en zet opzij. Klop in een aparte kom het eiwit totdat het stijf is. Snel de eerste zoals het mengsel in de voorbereide pan en maak het beslag glad. Bak ongeveer 40 minuten in de oven of tot een houten tandenstoker die in het midden is gestoken er schoon uitziet. Koel gedurende 10 minuten in de pan. Uitkomen op een rooster om volledig af te koelen.
Haal de cake uit de pan om hem volledig af te koelen. Serveer warm.
HereCto Cookbook (1989) From the Kitchen & Hawn in the Canadian Living
Opbrengst: 16-porties
Zeker, als je de instructies nauwkeuriger bekijkt, produceert het slechts een enkele gebakken eigeel. Maar het is nog steeds een verbetering. Toen de AI zich mocht specialiseren, was er gewoon veel minder om bij te houden. Hij hoefde niet te bedenken wanneer hij chocolade moest gebruiken en wanneer hij aardappelen moest gebruiken, wanneer hij moest bakken of wanneer hij moest sudderen. Als het eerste algoritme een wonderdoos probeerde te zijn die rijst, ijs en pasteien kon produceren, probeerde het tweede algoritme iets meer als een broodrooster te zijn - gespecialiseerd voor slechts één taak.
Ontwikkelaars die algoritmen voor computerleren trainen, hebben ondervonden dat het vaak zinvol is om broodroosters te bouwen in plaats van wonderdozen. Dat lijkt contra-intuïtief, omdat de AI's van westerse science fiction lijken op C-3PO in Star Wars of WALL-E in de gelijknamige film - voorbeelden van kunstmatige algemene intelligentie (AGI), automaten die als een mens met de wereld kunnen communiceren en veel verschillende taken kunnen uitvoeren. Maar veel bedrijven zijn onzichtbaar - en met succes - bezig met machinaal leren om veel beperktere doelen te bereiken. Eén algoritme kan een chatbot zijn die een beperkt aantal basisvragen van klanten over hun telefoonrekening behandelt. Een andere kan voorspellingen doen over wat een klant belt om te bespreken, en geeft deze voorspellingen weer voor de menselijke vertegenwoordiger die de telefoon beantwoordt. Dit zijn voorbeelden van kunstmatig smal intelligentie (ANI) - beperkt tot zeer smalle functies. Aan de andere kant heeft Facebook onlangs zijn 'M'-chatbot met pensioen gestuurd, die nooit is geslaagd in zijn doel om hotelreserveringen te regelen, theatertickets te boeken, papegaaienbezoeken te regelen en meer.
De reden dat we een rooster-niveau ANI hebben in plaats van AGALL op WALL-E-niveau is dat elk algoritme dat probeert te generaliseren erger op de verschillende taken die het confronteert.
Voor voorbeeld, hier is een algoritme dat is getraind om een afbeelding te genereren op basis van een bijschrift.
Dit is de poging om een foto te maken van de zin: 'deze vogel is geel met zwart op zijn kop en heeft een zeer korte snavel'.
Toen het werd getraind op een dataset die volledig uit vogels bestond, deed hij het vrij goed (ondanks de vreemde eenhoornhoorn):
Maar toen het zijn taak was om te genereren iets - van stopborden tot boten tot koeien voor mensen - het had moeite. Hier is de poging om 'een afbeelding van een meisje dat een groot stuk pizza eet' te genereren:
We zijn niet gewend te denken dat er zo'n enorm gat is tussen een algoritme dat iets goed doet, en een algoritme dat veel dingen goed doet. Maar ons heden algoritmen hebben een zeer beperkte mentale kracht vergeleken met het menselijk brein, en elke nieuwe taak verspreidt ze dunner. Denk aan een apparaat met een broodrooster: het is eenvoudig om een paar gleuven en sommige verwarmingselementen te bouwen zodat het brood kan roosteren. Maar dat laat weinig ruimte voor iets anders. Als je ook rijststoom- en ijsbereidingsfunctionaliteit probeert toe te voegen, dan moet je tenminste een van de broodgroeven opgeven en waarschijnlijk zal het nergens goed voor zijn.
Er zijn trucs die programmeurs gebruiken om meer uit ANI-algoritmen te halen. Een daarvan is transfer learning: train een algoritme om een taak te doen, en het kan leren om een andere, maar nauw verwante taak te doen na minimale omscholing. Mensen gebruiken transfer learning om bijvoorbeeld algoritmen voor beeldherkenning te trainen. Een algoritme dat heeft geleerd om dieren te identificeren, heeft al veel ervaring opgedaan met randdetecterende en textuur-analyserende vaardigheden, die het kan overzetten naar de taak om fruit te identificeren. Maar als je het algoritme opnieuw leert om fruit te identificeren, wordt dit fenomeen genoemd catastrofaal vergeten betekent dat het zich niet langer kan herinneren hoe dieren geïdentificeerd moeten worden.
Een andere truc die de algoritmen van vandaag gebruiken is modulariteit. In plaats van een enkel algoritme dat elk probleem aankan, zijn de AI's van de toekomst waarschijnlijk een verzameling van zeer gespecialiseerde instrumenten. Een algoritme dat geleerd om het videospel Doom te spelen, had het bijvoorbeeld afzonderlijke, speciale vision-, controller- en geheugenmodules. Onderling verbonden modules kunnen ook redundantie bieden tegen falen en een mechanisme voor het stemmen over de beste oplossing voor een probleem op basis van meerdere verschillende benaderingen. Ze kunnen ook een manier zijn om algoritmische fouten op te sporen en op te lossen. Het is normaal moeilijk om erachter te komen hoe een individueel algoritme zijn beslissingen neemt, maar als een beslissing wordt genomen door samenwerkende subalgoritmen, kunnen we op zijn minst naar de uitvoer van elk sub-algoritme kijken.
Wanneer we ons de AI's van de verre toekomst voorstellen, zijn misschien WALL-E en C-3PO niet de droids waar we naar op zoek zijn. In plaats daarvan kunnen we ons iets meer voorstellen als een smartphone vol met apps of een keukenkast vol met gadgets. Terwijl we ons voorbereiden op een wereld van algoritmen, moeten we ervoor zorgen dat we niet van plan zijn te denken aan algemene wonderboxen die misschien nooit worden gebouwd, maar in plaats daarvan voor zeer gespecialiseerde broodroosters.
Over de auteur
Janelle Shane leidt neurale netwerken op om humor te schrijven op aiweirdness.com. Ze is ook wetenschappelijk onderzoeker in de optica en woont in Boulder, Colorado.
Dit artikel is oorspronkelijk gepubliceerd op eeuwigheid en is opnieuw gepubliceerd onder Creative Commons.
Related Books:
at InnerSelf Market en Amazon
