Czym jest sztuczna inteligencja? Jak działają systemy uczenia maszynowego

Sztuczna inteligencja (AI) to dziedzina technologii, która pozwala komputerom i maszynom symulować uczenie się człowieka, zrozumienie, rozwiązywanie problemów, podejmowanie decyzji, kreatywność i autonomię, zgodnie z definicją IBM.

Wąski AI kontra ogólny AI

IBM rozróżnia dwie szerokie kategorie. Wąski AI, zwany również słabym AI, obejmuje systemy zbudowane do jednego konkretnego zadania, takiego jak asystent głosowy lub chatbot. Ogólny AI, lub silny AI, odnosi się do teoretycznego systemu z szerokim zrozumieniem wielu zadań na poziomie człowieka lub wyższym; IBM stwierdza, że takie systemy nie istnieją obecnie.

Uczenie maszynowe: silnik większości systemów AI

Uczenie maszynowe (ML) to podzbiór AI skoncentrowany na algorytmach, które uczą się wzorców z danych treningowych, a następnie wyciągają wnioski na temat nowych danych, wyjaśnia IBM. Kluczowa różnica w stosunku do tradycyjnego programowania polega na tym, że programista nie musi wypisywać każdej reguły. IBM podaje przykład wykrywania spamu: program oparty na regułach potrzebuje człowieka do zdefiniowania, jak wygląda spam, podczas gdy model ML uczy się charakterystyk spamu, samodzielnie badając wiele przykładowych wiadomości e-mail.

Trzy główne typy uczenia

Według IBM systemy uczenia maszynowego są zwykle trenowane na jeden z trzech sposobów. Uczenie nadzorowane wykorzystuje oznakowane dane ze znanymi prawidłowymi odpowiedziami dla zadań takich jak klasyfikacja elementów lub prognozowanie wartości ciągłej, takiej jak cena. Uczenie nienadzorowane pracuje z nieoznakowanymi danymi i szuka ukrytej struktury, na przykład grupując podobnych klientów razem. Uczenie ze wzmocnieniem trenuje system poprzez próby i błędy, nagradzając działania, które zbliżają go do celu, dzięki czemu stopniowo uczy się optymalnej strategii.

Gdzie AI już się pojawia

IBM wymienia chatboty obsługi klienta, wykrywanie oszustw, spersonalizowane rekomendacje marketingowe, wspomagane ekranowanie rekrutacyjne, narzędzia do generowania kodu i konserwację predykcyjną jako bieżące zastosowania. Osobno przegląd uczenia maszynowego IBM dodaje do listy technologii opartych na ML już w użyciu: pojazdy autonomiczne, filtrowanie spamu w poczcie e-mail, wsparcie diagnostyki medycznej, silniki rekomendacji i tłumaczenie maszynowe.

Znane ograniczenia: halucynacje i uprzedzenia

Systemy generatywne AI mogą produkować «halucynacje» — sfabrykowane informacje, które wyglądają autentycznie, według grupy Teaching & Learning Technologies MIT Sloan. MIT Sloan wskazuje na szeroko raportowany przypadek, w którym prawnik używał ChatGPT do badań prawnych i narzędzie wymyśliło cytowania przypadków, które nie istniały. Grupa powołuje się na badania wykazujące, że chatboty ogólnego przeznaczenia halucynowały w 58% do 82% testowanych zapytań prawnych, podczas gdy specjalistyczne narzędzia prawne wykorzystujące generowanie wzmacniane odzyskiwaniem informacji nadal halucynowały w ponad 17% przypadków.

MIT Sloan przypisuje halucynacje trzem czynnikom: dane treningowe mieszające dokładne i niedokładne informacje, które modele mogą odtworzyć; bazowy projekt systemów generatywnych, które funkcjonują jak «zaawansowane narzędzia autouzupełniania» przewidujące prawdopodobne kolejne słowa zamiast weryfikacji faktów; i ograniczenia architektoniczne, które pozwalają modelom łączyć wzorce w nowy, czasami niedokładny sposób nawet z czystymi danymi treningowymi.

Jeśli chodzi o uprzedzenia, MIT Sloan donosi, że badania wykazały, że systemy AI mogą amplifikować stereotypy płciowe i rasowe w generowanych obrazach i mogą produkować opinię o różnej jakości, ocenę lub profesjonalne rekomendacje w zależności od wskazówek demograficznych w poleceniu. Grupa wykazuje to na danych treningowych zawierających istniejące uprzedzenia społeczne, które modele odtwarzają bez zdolności do oceny dobrego od złego. Przegląd IBM osobno podkreśla zagrożenia związane z danymi, takie jak zatruwanie lub wbudowane uprzedzenia, zagrożenia modelu, takie jak kradzież lub manipulacja parametrami, i zagrożenia operacyjne, takie jak dryf modelu, jako szersze problemy dla organizacji wdrażających AI.

Dlaczego to jest ważne teraz

IBM zauważa, że nowoczesna dyskusja na temat AI jest zdominowana przez generatywny AI — systemy, które tworzą oryginalny tekst, obrazy, wideo i inną zawartość, zamiast tylko klasyfikować lub przewidywać na podstawie istniejących danych. Ponieważ narzędzia te docierają do miejsc pracy, szkół i codziennych aplikacji, ten sam podstawowy mechanizm — uczenie się wzorców z danych treningowych — pomaga wyjaśnić zarówno ich możliwości, jak i ich udokumentowane ograniczenia, w tym problemy halucynacji i uprzedzeń, które opisuje MIT Sloan.