Il problema con le macchine di intelligenza artificiale sta imparando le cose, ma non riesco a capirle

Tutti parlano di "IA" in questi giorni. Ma, che tu stia guardando Siri, Alexa, o solo le funzioni di correzione automatica trovate nella tastiera dello smartphone, non stiamo creando un'intelligenza artificiale generica. Stiamo creando programmi in grado di eseguire attività specifiche e ristrette.

I computer non possono "pensare"

Ogni volta che una società dice che sta uscendo con una nuova funzione "AI", generalmente significa che la società sta utilizzando l'apprendimento automatico per costruire una rete neurale. "Machine learning" è una tecnica che consente a una macchina di "apprendere" come eseguire meglio su un'attività specifica.

Non stiamo attaccando l'apprendimento automatico qui! L'apprendimento automatico è una tecnologia fantastica con molti usi potenti. Ma non è un'intelligenza artificiale generica e comprendere i limiti dell'apprendimento automatico ti aiuta a capire perché la nostra attuale tecnologia IA è così limitata.

L '"intelligenza artificiale" dei sogni di fantascienza è una sorta di cervello computerizzato o robotico che pensa alle cose e le capisce come fanno gli umani. Tale intelligenza artificiale sarebbe un'intelligenza generale artificiale (AGI), il che significa che può pensare a più cose diverse e applicare tale intelligenza a più domini diversi. Un concetto correlato è "intelligenza artificiale forte", che sarebbe una macchina capace di sperimentare la coscienza umana.

Non abbiamo ancora quel tipo di intelligenza artificiale. Non siamo da nessuna parte vicino ad esso. Un'entità informatica come Siri, Alexa o Cortana non capisce e pensa come noi umani. In realtà non "capisce" veramente le cose.

Le intelligenze artificiali che abbiamo sono addestrate a svolgere un compito specifico molto bene, assumendo che gli esseri umani possano fornire i dati per aiutarli ad apprendere. Imparano a fare qualcosa ma ancora non lo capiscono.

I computer non capiscono

Gmail ha una nuova funzione "Smart Reply" che suggerisce le risposte alle e-mail. La funzione Smart Reply ha identificato "Inviato dal mio iPhone" come una risposta comune. Voleva anche suggerire "Ti amo" come risposta a molti tipi diversi di e-mail, incluse le e-mail di lavoro.

Questo perché il computer non capisce cosa significano queste risposte. Si è appena appreso che molte persone inviano queste frasi nelle e-mail. Non sa se vuoi dire "Ti amo" al tuo capo o no.

Come altro esempio, Google Photos ha creato un collage di foto accidentali del tappeto in una delle nostre case. Ha quindi identificato quel collage come un momento saliente recente su un Google Home Hub. Google Foto sapeva che le foto erano simili ma non capivano quanto fossero insignificanti.

Le macchine imparano spesso a giocare al sistema

L'apprendimento automatico consiste nell'assegnare un'attività e lasciare che un computer decida il modo più efficiente per farlo. Perché non capiscono, è facile finire con un computer che "apprende" come risolvere un problema diverso da quello che volevi.

Ecco una lista di divertenti esempi in cui le "intelligenze artificiali" create per giocare e gli obiettivi assegnati hanno imparato a giocare al sistema. Questi esempi provengono tutti da questo eccellente foglio di calcolo:

• "Le creature allevate per la velocità crescono veramente alte e generano alte velocità cadendo".
• "L'agente si uccide alla fine del livello 1 per evitare di perdere nel livello 2."
• "L'Agente mette in pausa il gioco indefinitamente per evitare di perdere."
• "In una simulazione di vita artificiale in cui la sopravvivenza richiedeva energia ma il parto non aveva costi energetici, una specie si è evoluta in uno stile di vita sedentario consistente principalmente in accoppiamento per produrre nuovi bambini che potevano essere mangiati (o usati come compagni per produrre più bambini commestibili) “.
• "Dato che le IA erano più probabilità di essere" uccise "se perdevano una partita, essere in grado di mandare in crash il gioco era un vantaggio per il processo di selezione genetica. Pertanto, diverse IA hanno sviluppato dei modi per bloccare il gioco. "
• "Le reti neurali si sono evolute per classificare i funghi commestibili e velenosi sfruttando i dati presentati in ordine alternato e in realtà non hanno acquisito alcuna caratteristica delle immagini di input."

Alcune di queste soluzioni possono sembrare intelligenti, ma nessuna di queste reti neurali ha capito cosa stavano facendo. Gli è stato assegnato un obiettivo e imparato un modo per realizzarlo. Se l'obiettivo è quello di evitare di perdere in un gioco per computer, la pressione del pulsante di pausa è la soluzione più semplice e veloce che riescono a trovare.

Machine Learning e reti neurali

Con l'apprendimento automatico, un computer non è programmato per eseguire un'attività specifica. Invece, è alimentato i dati e valutato sulle sue prestazioni nel compito.

Un esempio elementare di machine learning è il riconoscimento dell'immagine. Diciamo che vogliamo addestrare un programma per identificare le foto che contengono un cane. Possiamo dare a un computer milioni di immagini, alcune delle quali contengono dei cani e altre no. Le immagini sono etichettate se hanno un cane o no. Il programma per elaboratore si "addestra" a riconoscere ciò che i cani assomigliano in base a quel set di dati.

Il processo di apprendimento automatico viene utilizzato per addestrare una rete neurale, che è un programma per computer con più livelli attraversati da ogni input di dati, e ogni livello assegna loro pesi e probabilità diversi prima di effettuare una determinazione definitiva. È modellato su come pensiamo che il cervello possa funzionare, con diversi strati di neuroni coinvolti nel pensare attraverso un compito. "Apprendimento profondo" si riferisce generalmente a reti neurali con molti livelli impilati tra l'input e l'output.

Poiché sappiamo quali foto nel set di dati contengono cani e quali no, possiamo eseguire le foto attraverso la rete neurale e vedere se risultano nella risposta corretta. Se la rete decide che una determinata foto non ha un cane quando lo fa, ad esempio, c'è un meccanismo per dire alla rete che era sbagliato, aggiustare alcune cose e riprovare. Il computer continua a migliorare l'identificazione se le foto contengono un cane.

Questo succede automaticamente. Con il software giusto e molti dati strutturati su cui il computer può allenarsi, il computer può sintonizzare la rete neurale per identificare i cani nelle foto. Chiamiamo questo "AI".

Ma, alla fine, non hai un programma per computer intelligente che capisca cosa sia un cane. Hai un computer che ha imparato a decidere se un cane è o meno in una foto. Questo è ancora piuttosto impressionante, ma è tutto ciò che può fare.

E, a seconda dell'input che hai dato, quella rete neurale potrebbe non essere così intelligente come sembra. Ad esempio, se non ci fossero foto di gatti nel set di dati, la rete neurale potrebbe non vedere una differenza tra cani e gatti e potrebbe taggare tutti i gatti come cani quando li si rilascia nelle foto reali delle persone.

A cosa serve l'apprendimento automatico?

L'apprendimento automatico viene utilizzato per tutti i tipi di attività, incluso il riconoscimento vocale. Assistenti vocali come Google, Alexa e Siri sono così bravi a comprendere le voci umane grazie a tecniche di apprendimento automatico che li hanno addestrati a comprendere il linguaggio umano. Si sono allenati su una quantità enorme di campioni di parlato umano e sono diventati sempre più bravi a capire quali suoni corrispondono a quali parole.

Le auto a guida automatica utilizzano tecniche di apprendimento automatico che istruiscono il computer per identificare gli oggetti sulla strada e come rispondere correttamente a tali oggetti. Google Foto è pieno di funzioni come gli album live che identificano automaticamente persone e animali nelle foto utilizzando l'apprendimento automatico.

DeepMind di Alphabet ha utilizzato machine learning per creare AlphaGo, un programma per computer in grado di riprodurre il complesso gioco da tavolo Go e battere i migliori umani del mondo. L'apprendimento automatico è stato anche utilizzato per creare computer che sono bravi a giocare con altri giochi, dagli scacchi a DOTA 2.

L'apprendimento automatico viene persino utilizzato per Face ID sugli ultimi iPhone. Il tuo iPhone costruisce una rete neurale che impara a identificare il tuo volto, e Apple include un chip dedicato "motore neurale" che esegue tutto il numero di crunch per questo e altri compiti di apprendimento automatico.

L'apprendimento automatico può essere utilizzato per molte altre cose, dall'individuazione delle frodi con carta di credito ai consigli personalizzati sui siti di shopping.

Ma le reti neurali create con l'apprendimento automatico non comprendono veramente nulla. Sono programmi utili che possono portare a termine i compiti più stretti per cui sono stati addestrati, e basta.

Immagine di credito: Phonlamai Photo / Shutterstock.com, Tatiana Shepeleva / Shutterstock.com, Sundry Photography / Shutterstock.com.