Google Machine Learning bllokon mesazhet e padëshiruara me 99,9% efikasitet

Në një postim në blog, Google njoftoi përdorimin e mësimit të makinerive të bazuar në TensorFlow për të bllokuar hyrjen e spamit në Gmail.

Kjo teknologji është e aftë të bllokojë 99.9% të spamit, që në natyrë do të thotë 100 milionë mesazhe shtesë spam të eliminuara çdo ditë.

“Ku i gjetëm këto 100 milionë mesazhe shtesë spam? Tani po bllokojmë kategoritë e postës së padëshiruar që më parë ishin shumë të vështira për t'u zbuluar. Përdorimi i TensorFlow na ka ndihmuar të bllokojmë emailet e imazheve, emailet me përmbajtje të fshehur të integruar dhe emailet nga domenet e krijuara rishtazi që përpiqen të fshehin sasi të vogla të postës së padëshiruar midis trafikut legjitim.

Duke marrë parasysh që tashmë kemi bllokuar shumicën dërrmuese të mesazheve të padëshiruara në Gmail, bllokimi i miliona të tjerëve me një saktësi të tillë është një arritje. TensorFlow na ndihmon të kapim dërguesit e padëshiruar që kalojnë tinëz më pak se 0.1%, pa bllokuar aksidentalisht mesazhe të rëndësishme për përdoruesit.".

Google Lens ka mësuar të njohë miliarda objekte

Google njoftoi se mjeti i tij i fotografisë me AI, Lens, tani mund të identifikojë mbi një miliard objekte.

Kjo është një rritje e dukshme e aftësive në krahasim me versionin e parë të shërbimit, i cili fillimisht ishte në gjendje të identifikonte rreth 250 mijë objekte. Mjeti është trajnuar në sistemin Google DeepMind.

Në të njëjtën kohë, një miliard artikuj u morën nga ato të paraqitura në Google Shopping. Kjo do të thotë se mes tyre nuk mund të gjesh gjëra që nuk janë në shitje. Edhe konzolat e lojërave të viteve '90 ose botimet e para të librave të vjetër nuk mund të gjenden më përmes Lens. Sidoqoftë, do të jetë e lehtë të gjesh një pozicion midis mallrave moderne.

Google përdor AI për të parashikuar vonesat e fluturimeve

Informacioni për vonesat e fluturimeve është shumë i dobishëm, megjithatë, njoftimi i vonesave shpesh varet nga linja ajrore dhe ata nuk janë gjithmonë të interesuar të përditësojnë shpejt informacionin. Tani Google do t'ju ndihmojë me këtë.

Kompania ka përditësuar shërbimin e saj Flights, në të cilin jo vetëm filloi të raportojë një vonesë të mundshme fluturimi, por edhe të vlerësojë gjasat. Për ta bërë këtë, sistemi i mësimit të makinerive përdor të dhëna historike për të parashikuar vonesat dhe nxjerr në pah fluturimet nëse probabiliteti i vonesës është më shumë se 80%. Në të njëjtën kohë, Google vë në dukje se ende nuk duhet të vonoheni për në aeroplan, sepse edhe një probabilitet 99% nuk ​​do të thotë që avioni nuk do të niset në orar. Por një parashikim i tillë mund t'ju tregojë se sa kohë shtesë duhet të kaloni në aeroport.

Gjithashtu, shërbimi i përditësuar i Google do t'ju ndihmojë të kurseni në fluturime. Deri më tani, ai punon për 3 linja ajrore: American, Delta dhe United. Falë mundësive të reja, është e mundur të vlerësohet kostoja e shërbimeve shtesë në tarifat me kosto të ulët, si rritja e bagazheve të dorës ose mbipesha e bagazheve, dhe gjithashtu të krahasohen këto shpenzime me koston e biletave të rregullta.

E shihni manatin në foto?

Google përdor inteligjencën artificiale jo vetëm për të përmirësuar shërbimet e saj, por edhe për të ndihmuar ambientalistët dhe shkencëtarët, duke konfirmuar edhe një herë titullin e saj të "korporatës së së mirës".

Rrjeti nervor me burim të hapur TensorFlow është bërë zemra e një projekti që ndihmon në ruajtjen e popullatës së lopëve të detit ose manateve.

Pavarësisht nga madhësia e tyre mbresëlënëse, mund të jetë e vështirë për biologët të gjurmojnë lëvizjet e tyre. Për ta bërë këtë, studiuesit kryen fotografi ajrore të oqeanit nga dronët, por gjetja edhe e kafshëve kaq të mëdha është një detyrë shumë e vështirë. Për një person.

Këtu është një nga këto foto me dron:

A e shihni manatin mbi të?

Lëvizni poshtë për një përgjigje.

Duke përdorur softuerin me burim të hapur Google TensorFlow, studiuesja Amanda Hodgson nga Universiteti Murdoch dhe ekipi i saj krijuan një detektor që gjen manate në imazhe. Versionet e hershme të detektorit ishin në gjendje të gjenin 80% të këtyre kafshëve në një fotografi ajrore të bërë nga një dron. Në të ardhmen, studiuesit shpresojnë se AI do të përmirësojë punën e saj.

Shkencëtarët gjithashtu besojnë se inteligjenca artificiale mund të përshtatet për të kërkuar gjitarë të tjerë të mëdhenj, të tillë si balenat me gunga dhe madje edhe delfinët.

Inteligjenca artificiale e Google anashkalon Bing dhe Siri në testin e IQ

Tre studiues, Feng Liu, Yong Shi dhe Ying Liu, zhvilluan një test IQ që synon testimin e sistemeve të ndryshme të AI.

Sipas rezultateve të tyre, AI i Google doli të ishte më i zgjuari, duke fituar 47.8 pikë. Për krahasim, treguesi i një 18-vjeçari është 96 pikë, dhe një gjashtë-vjeçar - 55.5.

Konkurrentët kryesorë të Google mbetën pas tij mjaft dukshëm. Pra, Bing dhe Baidu shënuan respektivisht 31.98 dhe 32.92 pikë. Siri i Apple ishte më i keqi, me një rezultat prej 23.9.

Studiuesit vunë në dukje se ndërsa inteligjenca artificiale më e mirë nuk arrin as moshën gjashtë vjeç, ata po e mbyllin shpejt hendekun. Në vitin 2014, inteligjenca artificiale Google dhe Baidu shënuan respektivisht 26.5 dhe 23.5 pikë. Kjo do të thotë një rritje prej 80% e inteligjencës në vetëm dy vjet (për Google), kështu që shqetësimet e Elon Musk për të na skllavëruar me kompjuterët e tyre mund të mos jenë aq të pajustifikuara.

Studimi gjithashtu ndan inteligjencën artificiale në shkallë dhe lloje në varësi të drejtimit të përdorimit. Me kërkime të plota, mundeni shikoni këtë lidhje.

Google foli për gjeneratën e dytë TPU

Gjatë konferencës Google I/O, organizatorët demonstruan gjeneratën e dytë të procesorit tensor (TPU), i cili përdoret në inteligjencën artificiale të kompanisë.

Modeli i ri i procesorit mund të përdoret si për trajnim ashtu edhe për gjetjen e marrëdhënieve. Dhe një sistem prej katër TPU-ve të reja Cloud premton 180 teraflops performancë të mësimit të makinerive. Sipas Google, çipi është dukshëm më efikas se zgjidhjet e bazuara në GPU, në lidhje me të cilat kompania planifikon të ofrojë platformën Cloud për zhvilluesit komercialë.

Për sa i përket performancës, Google shpjegoi se duhet një ditë e plotë për të trajnuar një model të madh të përkthimit të gjuhës në 32 GPU-të kryesore. E njëjta punë zgjat 6 orë në një të tetën e grupit, ose në 8 TPU.

Gjenerata e parë e TPU u prezantua nga Google në 2015. Këta procesorë përdoren në një gamë të gjerë shërbimesh cloud të kompanisë, duke përfshirë kërkimin, përkthimin dhe Google Photos.

Google TPU përpunon të dhënat 15 herë më shpejt se komponentët konvencionalë

Dy vjet më parë, Google krijoi qarkun e vet të integruar të quajtur Tensor Processing Unit, i cili i kushtohet fazës llogaritëse të detyrave të mësimit të makinerive.

Kompania fillimisht raportoi se TPU-të duhet të përmirësojnë performancën për vat në detyrat gjenerike deri në 10x mbi CPU-të dhe GPU-të tradicionale. Dhe tani, pasi ka fituar përvojë operacionale, kompania ka kryer një studim të ndikimit të performancës së çipave të këtij lloji.

Doli se fitimi 10x në efikasitetin e energjisë ishte shumë modest. Në fakt, performanca është rritur nga 30 në 80 herë mbi zgjidhjet konvencionale dhe në varësi të skenarit. Për sa i përket performancës së drejtpërdrejtë, Google thotë se TPU është 15 deri në 30 herë më i shpejtë se hardueri standard.

Ky procesor drejton softuer special të bazuar në kornizën e mësimit të makinerisë TensorFlow dhe një pjesë e këtij përshpejtimi shoqërohet me këtë kornizë. Autorët e studimit vunë në dukje se programuesit kanë ende një diferencë për optimizim.

Google e pa nevojën për TPU 6 vjet më parë. Kompania përdor të mësuarit e thellë në një sërë projektesh, duke përfshirë kërkimin e imazheve, fotografinë dhe përkthimin. Për nga natyra e tij, mësimi i makinerive është një proces që kërkon burime intensive. Për shembull, inxhinierët e Google vunë në dukje se nëse njerëzit do të përdornin njohjen e të folurit për 3 minuta në ditë, dhe kjo do të kryhej pa TPU, atëherë kompania do të duhej të dyfishonte numrin e qendrave të të dhënave.

Google do të sigurojë zgjerimin e imazhit të Hollivudit

Koncepti i përmirësimit të një imazhi të pikseluar është i njohur për ne nga shumë filma të Hollivudit, por, siç ndodh pothuajse gjithmonë, teknologjitë reale janë larg kinemasë. Megjithatë, inxhinierët në Google Brain kanë gjetur një mënyrë për ta afruar fantashkencën me realitetin.

Teknologjia e re përdor një palë rrjete nervore që përpunojnë imazhe 8x8 pixel për të rikrijuar fytyrën e njeriut të fshehur pas saj. Sigurisht, rrjetet nervore nuk e zmadhojnë imazhin pa pikselim, por krijojnë një të re që mund të duket si origjinali.

Siç u përmend më lart, dy rrjete nervore përfshihen në procesin e rindërtimit të fytyrës. I pari harton një imazh 8x8 pixel në një imazh të ngjashëm, por me një rezolucion më të lartë. Ky imazh përdoret si një skelet për një rrjetë të dytë që i shton më shumë detaje imazhit bazuar në imazhet ekzistuese me harta të ngjashme pixel. Imazhet që rezultojnë të dy rrjeteve kombinohen më pas për të krijuar imazhin përfundimtar.

Sigurisht, fotografia e rikrijuar është larg realitetit, kështu që kjo teknologji është e padobishme për shërbime speciale, por do të jetë e dobishme gjatë përpunimit të imazheve kur kërkohet zmadhim ekstrem.

Teknologjia Google RAISR katërfishon trafikun e imazheve

Pothuajse të gjitha tarifat e telefonit celular janë të kufizuara në përdorimin e gjerësisë së brezit dhe Google ka vendosur të reduktojë ndjeshëm konsumin duke zhvilluar teknologjinë e kompresimit të imazhit RAISR (Rapid and Accurate Image Super-Resolution).

Në thelb, kjo teknologji nuk është një metodë tradicionale e ngjeshjes, ajo është më shumë si një formë arti që bën një sistem mësimi i makinerive. Pra, RAISR zmadhon miniaturën e imazheve të marra me rezolucion më të ulët duke përdorur algoritme speciale të mësimit të makinerive. Në fund të fundit, inteligjenca artificiale rikthen detajet që mungojnë, duke e rikthyer imazhin në pamjen e tij origjinale. Si rezultat, trafiku i transmetimit të imazhit mund të reduktohet deri në 75% në krahasim me origjinalin, duke ruajtur pjesën më të madhe të detajeve të dukshme.

Deri më tani, Google e ofron këtë teknologji vetëm për shërbimin Google+ dhe vetëm për imazhet e postuara në shërbim. "Në javët e ardhshme", kompania do të zgjerojë fushën e teknologjisë për të përfshirë shërbimet e tjera të saj.

Nuk dihet nëse Google do ta përdorë këtë teknologji vetëm për shërbimet e saj, apo do ta shpërndajë atë si Brotli, por sigurisht që do të donim ta shihnim të funksiononte në faqe të tilla të ngarkuara me imazhe si mediat sociale dhe blerjet online.

Inteligjenca artificiale Google shpiku gjuhën e vet

Nuk ka nevojë për panik, por inteligjenca artificiale e Google ka krijuar aksidentalisht (ose jo) gjuhën e saj sekrete. Dhe kjo gjuhë u shpik nga Përkthimi i Makinerisë Neurale (NMT) në mënyrë të pavarur, pa ndërhyrjen njerëzore.

Google prezantoi një motor të ri përkthimi nervor në shtator, dhe ai u prezantua vetëm kohët e fundit. Sistemi i ri ju lejon të përktheni fjali në tërësi, pa i ndarë ato në pjesë dhe duke përcjellë më mirë kuptimin. Sistemi NMT është vetë-mësues, që do të thotë se ai vetë-përmirësohet ndërsa vazhdon.

Sistemi u përdor fillimisht për të përmirësuar përkthimin nga anglishtja në koreanisht dhe anasjelltas, dhe më pas nga anglishtja në japonisht dhe anasjelltas. Inxhinierët ishin kuriozë për të parë nëse makina mund të përkthente tekst nga koreanisht në japonisht pa anglisht në mes. Dhe përgjigja ishte po, makina e përktheu tekstin drejtpërdrejt.

Se si Google AI e arriti këtë është pak e paqartë. Doli se NMT kishte krijuar gjuhën e saj të brendshme, "interlingua". Ajo funksionon me koncepte dhe struktura fjalish, jo me fjalë ekuivalente. Si rezultat, NMT prodhon përkthime më të sakta se kurrë më parë. Krijuesit e përkthyesit të makinës nervore nuk janë të sigurt për parimet e rrjetit nervor dhe nuk mund të thonë se si është kryer trajnimi i përkthimit të drejtpërdrejtë midis gjuhëve. Me fjalë të tjera, inteligjenca artificiale e Google ka krijuar gjuhën e saj që ne njerëzit nuk mund ta kuptojmë plotësisht.

Google Translate u bë më i zgjuar

Google thotë se e ka bërë përkthimin me makinë më të natyrshëm duke e ofruar atë për telefonat inteligjentë dhe aplikacionet në ueb.

Gjigandi i kërkimit vuri në dukje se tani po përdor "përkthimin e makinës nervore", i cili ju lejon të përktheni të gjithë fjalinë, në vend që ta ndani në pjesë dhe më pas ta përktheni. Si rezultat, teksti që rezulton është më i natyrshëm, ka sintaksë dhe gramatikë më të mirë.

"Më shumë përmirësime u bënë në një ndryshim sesa në të gjitha 10 vitet." Barack Turowski, Drejtues i Produkteve për Google Translate, tha.

Përveç anglishtes, sistemi i ri i përkthimit është i disponueshëm për tetë nga 103 gjuhët e mbështetura nga sistemi. Për shembull, përkthimi nervor mbështet frëngjisht, gjermanisht, spanjisht, portugalisht, kinezisht, japonisht, koreanisht dhe turqisht. Kompania vuri në dukje se këto gjuhë përbëjnë 35% të të gjitha përkthimeve të kryera nga shërbimi. Sipas Turowski, kjo metodë mund të zvogëlojë gabimet nga 55% në 85%.

Google ka mësuar t'u përgjigjet pyetjeve të vështira

Së bashku me zhvillimin e sistemeve inteligjente në Microsoft dhe Apple, Google Assistant po tregon gjithashtu një përparim. Kështu, kompania në blogun e saj raportoi se tani aplikacioni Google është bërë shumë më i zgjuar, sepse tani ai kupton dhe u përgjigjet pyetjeve të vështira që nuk mund t'i përballonte më parë.

Që tani e tutje, Google mund të kuptojë kuptimin e pyetjes, si dhe të kuptojë qëllimin e pyetjes që bëhet.

Për shembull, asistenti virtual tani kupton:

• Shkalla krahasuese (më e larta, më e madhe, etj.);
• Pyetje të porositura (Kush është lojtari më i gjatë i Maverick?);
• Lidhje të përkohshme (çfarë kënge regjistroi Taylor Swift në 2014?);
• Kombinime komplekse (Sa ishte popullsia e Shteteve të Bashkuara kur lindi Bernie Sanders?).

Nëse keni aplikacionin përkatës të Google në smartphone ose tablet, atëherë tashmë mund t'i bëni pyetje kaq të vështira. Sigurisht, kërkimi i informacionit në një smartphone nuk është shumë i përshtatshëm, por nëse tani mund të flisni me të si një person, atëherë pse të mos e përdorni më shpesh.

Google hap kodin burimor për sistemin e mësimit të makinerive

Për të tërhequr sa më shumë zhvillues të jetë e mundur dhe për të përshpejtuar zhvillimin e teknologjisë, Google vendosi të hapë një motor inteligjence artificiale të njohur si TensorFlow.

Kompania ka punuar në këtë projekt për disa kohë, dhe sistemi ishte në gjendje të jepte fryte, për shembull, në Google Photos, duke lejuar identifikimin e njerëzve dhe vendeve në foto. Teknologjia funksionon gjithashtu në Inbox-in e klientit të postës, i cili skanon postën për të lehtësuar përgatitjen e përgjigjeve.

CEO i Google Sundar Pichai shkroi në blogun e tij: “Vetëm disa vite më parë, nuk mund të komandonit aplikacionin Google në zhurmën e rrugës, ose të lexoni tabelat në Rusisht duke përdorur Google Translate, ose të gjenit menjëherë imazhet e Labradoodle-it tuaj në Google Photos. Aplikacionet tona nuk ishin mjaftueshëm të zgjuar. Por në një periudhë të shkurtër kohe, ata u bënë shumë, shumë më të zgjuar. Tani, falë mësimit të makinerive, ju mund t'i bëni të gjitha këto gjëra mjaft lehtë.".

Drejtori vuri në dukje se sistemi “TensorFlow është më i shpejtë, më i zgjuar dhe më fleksibël se sistemi ynë i vjetër, kështu që mund të përshtatet me produkte të reja shumë më lehtë dhe më të pasur. Ne gjithashtu hapëm kodin TensorFlow sot. Shpresojmë që kjo do t'i lejojë komunitetit të të mësuarit të makinerive, nga akademikët tek inxhinierët tek të pasionuarit, të shkëmbejnë ide shumë më shpejt përmes kodit të punës, në vend që thjesht të studiojnë dokumente.".

Google ka përmirësuar njohjen e të folurit

Ndër të gjitha kompanitë e mëdha që përdorin funksionet e zërit, Google spikat. Ndryshe nga Siri i Apple dhe Microsoft Cortana, Google nuk e personalizon asistentin e tij zanor. Për më tepër, Google ka një algoritëm më të mirë njohjeje, i cili tani ka marrë përmirësime shtesë.

Në një postim të fundit në blogun e kërkimit të Google, një zëdhënës i ekipit të kërkimit të të folurit foli për ndryshimet më të fundit në algoritmin e njohjes. Kompania tashmë po përdor një rrjet të thellë nervor, pikërisht atë me të cilin marrin fotografi të çuditshme me "ëndrrat" e inteligjencës artificiale, për të kuptuar se çfarë saktësisht po përpiqeni t'i thoni telefonit tuaj. Tani firma ka zhvilluar dhe ka filluar të përdorë një rrjet nervor rekurziv. Algoritmi i ri i modelimit të të folurit merr parasysh varësitë kohore, të cilat, thonë ata, lejojnë analizë më të mirë të secilës pjesë të audios, duke iu referuar tingujve në hyrje.

Si rezultat, përdoruesit do të përjetojnë njohje më të shpejtë dhe më të saktë të të folurit. Kompania gjithashtu pretendon se algoritmi i ri është më rezistent ndaj njohjes në mjedise të zhurmshme. Algoritmi i ri i njohjes së të folurit tashmë është lançuar për aplikacionet e kërkimit në iOS dhe Android, si dhe për shtypjen e zërit.

Google po zhvillon një algoritëm për llogaritjen e kalorive nga një foto

Google ka paraqitur një patentë për teknologjinë Im2Calories, e cila analizon një foto të ushqimit dhe vlerëson numrin e përafërt të kalorive në atë ushqim.

Teknologjia Im2Calories bazohet në një sërë algoritmesh të inteligjencës artificiale, dhe mjeti i analizës së fotografive, natyrisht, nuk është shumë i saktë, ai do të vlerësojë numrin e përafërt të kalorive në ushqim në foton e marrë.

Ky projekt është ende në zhvillim, dhe shfaqja e tij pritet vetëm pas disa vitesh. Ka të ngjarë që në të ardhmen Im2Calories të prezantohet në formën e aplikacioneve për Android dhe iOS.

Një tjetër vend interesant për përdorimin e algoritmit do të jetë Twitter dhe Instagram, sepse këtu njerëzit postojnë më shpesh foto të ushqimit të tyre. Përdorimi i objektit në rrjetin e vet Google+ nuk ka gjasa pasi gjigandi i kërkimit ka pak interes për të mbështetur platformën.

Tani mund të gjeni aplikacione të ngjashme për të dyja platformat e njohura celulare, por nuk ka dyshim se Google do të jetë në gjendje të bëjë një produkt më të mirë, falë sistemeve të shkëlqyera të inteligjencës artificiale të zhvilluara nga kompania.

Një kompjuter inteligjent është po aq i plotë sa njerëzit që e mësojnë atë.

Robert Ito

Për të shkuarën tre vera, rreth dy duzina shkencëtarë kompjuterikë të mundshëm kanë ardhur në Universitetin e Stanfordit për të mësuar rreth inteligjencës artificiale nga disa prej më të zgjuarve të fushës. Të pranishmit, të përfshirë nga qindra aplikantë, bëjnë udhëtime ditore në kompanitë e teknologjisë aty pranë, ndërveprojnë me robotë socialë dhe heksakopterë dhe mësojnë rreth gjuhësisë kompjuterike (çfarë bëjnë makinat kur fjalët kanë kuptime të shumëfishta, le të themi) dhe rëndësinë e menaxhimit të kohës (shumë) ... Ata luajnë Frisbee. Por nëse pamja juaj mendore e AI është një grup djemsh që krijojnë armiq më të egër për videolojërat e tyre të preferuara, mirë, kjo nuk është kjo. Të gjithë studentët këtu në programin e Verës së Përhapjes (SAILORS) të Laboratorit të Inteligjencës Artificiale të Stanfordit janë vajza që sapo kanë përfunduar klasën e nëntë dhe studimet e tyre fokusohen në gjetjen e mënyrave për të përmirësuar jetën, jo në përmirësimin e lojës së tyre: Si e përdorim AI për të mbajtur të egër avionët nga karriera në njëri-tjetrin? Për të siguruar që mjekët të lajnë duart përpara se të godasin OSE? “Qëllimi ynë ishte të rimendonim edukimin e AI në një mënyrë që inkurajon diversitetin dhe studentët nga të gjitha sferat e jetës”, thotë Fei-Fei Li, drejtore e laboratorit të AI në Stanford dhe një themelues i programit SAILORS. “Kur keni një gamë të larmishme teknologësh të ardhshëm, ata vërtet kujdesen që teknologjia të përdoret për të mirën e njerëzimit.”

“Kur keni një gamë të larmishme teknologësh të ardhshëm, ata vërtet kujdesen që teknologjia të përdoret për të mirën e njerëzimit.”

Google dhe Stanford

SAILORS u krijua në 2015 nga Li dhe ish-studentja Olga Russakovsky (tani asistente profesore në Universitetin Princeton) për të ndihmuar në sjelljen e barazisë gjinore më të madhe në industrinë e teknologjisë. Shkaku është edhe fisnik edhe urgjent. Sipas një sondazhi të fundit, numri i grave që kërkojnë diploma në shkenca kompjuterike po bie; në sektorin e AI, gratë mbajnë më pak se 20 për qind të posteve ekzekutive. Është një fushë e madhe për t'u lënë jashtë, duke pasur parasysh se çdo ditë e më shumë njerëz përdorin AI për ta bërë jetën e tyre më të lehtë dhe më efikase: AI është mënyra se si aplikacionet e fotografive e njohin fytyrën tuaj mes të gjithë të tjerëve, për të mos përmendur plazhin. ku keni bërë foton. Është mënyra se si ju kuptojnë pajisjet tuaja kur ju pyesni se si do të jetë moti nesër. Pastaj janë aplikacionet më pak të njohura, si diagnostikimi i retinopatisë diabetike (e cila shpesh çon në verbëri) ose dërgimi i një droni në një mision kërkimi-shpëtimi në vendet më të largëta të botës.

Me AI duke u bërë gjithnjë e më i kudondodhur, nevoja për ekuilibër gjinor në terren rritet përtej drejtësisë së shkakut - diversiteti është një pjesë thelbësore e AI për shkak të natyrës së mësimit të makinerive. Një qëllim i AI është të nxisë makinat të kryejnë detyra që njerëzit i bëjnë natyrshëm: njohin të folurin, marrin vendime, bëjnë dallimin midis një burrito dhe një enchilada. Për ta bërë këtë, makinat ushqehen me sasi të mëdha informacioni - shpesh miliona fjalë ose biseda ose imazhe - ashtu si të gjithë ne thithim informacionin, çdo moment zgjimi, që nga lindja (në thelb, ky është mësimi i makinës). Sa më shumë makina të sheh një makinë, aq më e aftë është në identifikimin e tyre. Por nëse këto grupe të dhënash janë të kufizuara ose të njëanshme (nëse studiuesit nuk përfshijnë, të themi, imazhet e Trabants), ose nëse njerëzit në AI nuk i shohin ose nuk japin llogari për ato kufij ose paragjykime (mbase ata nuk janë njohës të panjohura automobilat e Gjermanisë Lindore), makinat dhe prodhimi do të jenë me të meta. Tashmë po ndodh. Në një rast, softueri i njohjes së imazheve identifikoi fotografitë e njerëzve aziatikë si vezulluese.

“Nuk ka të bëjë vetëm me transparencën në të dhëna. Ne në fakt duhet të bëjmë që numrat të lëvizin në drejtimin e duhur.”

Projekti Përfshi

Si i krijojnë njerëzit laboratorë dhe hapësira pune më gjithëpërfshirëse? Një sërë projektesh dhe individësh po e marrin përsipër këtë sfidë. Këtë vit, Li-i cili është gjithashtu shkencëtari kryesor i AI dhe mësimit të makinerive në Google Cloud-dhe të tjerë ndihmuan në lançimin e AI4ALL. Organizata jofitimprurëse kombëtare synon të sjellë diversitet më të madh në AI dhe ka angazhuar ekspertë në gjenomikë, robotikë dhe qëndrueshmëri si mentorë. Ai bazohet në punën e SAILORS, por gjithashtu synon njerëzit me ngjyrë dhe studentët me të ardhura të ulëta në të gjithë vendin përmes partneriteteve me Princeton, UC Berkeley dhe Carnegie Mellon, përveç Stanford. “Ne kishim shumë kolegë dhe drejtues të industrisë që na erdhën dhe thoshin, ‘SAILORS është i shkëlqyeshëm, por është thjesht Stanford që u shërben disa dhjetëra studentëve në vit, kryesisht nga Zona e Gjirit,” thotë Li. “Pra, AI4ALL ka të bëjë me diversitetin dhe përfshirjen. Nuk është vetëm gjinia”.

AI dhe ML

Cili është ndryshimi?

Termat inteligjencë artificiale (AI) dhe mësimi i makinerive (ML) shpesh përdoren në mënyrë të ndërsjellë, por ato nuk janë e njëjta gjë. AI përshkruan aftësinë e makinerive për të imituar në dukje mënyrat njerëzore të të menduarit, të mësuarit ashtu siç shkojnë në krahasim me ndjekjen e komandave specifike. ML është një nga teknikat më efikase dhe më të njohura që kompjuterët përdorin për të fituar atë aftësi. Në ML, makinat analizojnë shembujt për të njohur modelet.

Iniciativa të tjera të ngjashme përfshijnë Code Next, përpjekjet e Google me bazë në Oakland për të inkurajuar studentët latino-amerikanë dhe afrikano-amerikanë të eksplorojnë karriera në teknologji; DIY Girls, një program arsimor dhe këshillues STEAM (shkencë, teknologji, inxhinieri, art dhe matematikë) për komunitetet me burime të pamjaftueshme në Los Anxhelos; dhe Project Include, i cili ndihmon startup-et e reja dhe të mesme të punësojnë më shumë gra dhe njerëz me ngjyrë. Tracy Chou, më parë nga Pinterest, themeloi Project Include vitin e kaluar me shtatë gra të tjera të shquara në industrinë e teknologjisë. Në vitin 2013, Chou u bëri thirrje kompanive të teknologjisë që të sqarojnë sa gra kanë punësuar. Ndërsa shifrat hynin, ata vërtetuan atë që të gjithë në Silicon Valley e dinin: Bota e teknologjisë, nga korporata më e madhe deri te startup-i më i vogël, është jashtëzakonisht i bardhë dhe mashkull. Projekti Include, thotë Chou, ishte hapi tjetër logjik. “Pas disa vitesh që këto raporte të të dhënave dolën dhe nuk ndodhi shumë ndryshim, filloi të kishte një ndryshim në bisedë,” thotë ajo. “Tani nuk ka të bëjë vetëm me transparencën në të dhëna. Ne në fakt duhet të bëjmë që numrat të lëvizin në drejtimin e duhur.”

Ky drejtim përfshin bërjen e punës në fushën e AI më të aksesueshme për masat. Ka relativisht pak njerëz të punësuar në AI, dhe tashmë po shohim robotë që kujdesen për njerëzit dhe asistentë personalë që parashikojnë nevojat tona. Me njerëzit që kontrollojnë të dhënat dhe kriteret dhe makinat që bëjnë punën, kontributi më i mirë dhe më i madh njerëzor do të thotë rezultate më të mira dhe më të mëdha.

Në shumë mënyra, demokratizimi i AI është tashmë në rrugën e tij. Merrni këtë shembull: Në Japoni, djali i një fermeri përdori AI për të renditur të korrat e trangujve të familjes së tij sipas karakteristikave të ndryshme. Është lloji i historisë që tërheq Li, e cila erdhi në SHBA nga Kina në moshën 16-vjeçare duke ditur pak për vendin e saj të adoptuar dhe aq më pak për New Jersey-n, ku përfundoi. Pasi punoi një sërë punësh të çuditshme, nga pastrimi i shtëpive te shëtitja e qenve te arkëtaria në një restorant kinez, Li e gjeti veten në Princeton dhe më vonë në shkollën pasuniversitare në Caltech.

Li vjen në punën e saj si një e huaj e trefishtë: një emigrant, një grua dhe një person me ngjyrë në një botë të dominuar nga burra të bardhë. Ajo që mund të kishte qenë pengesë për këdo tjetër, janë bërë nxitje për Li. Ajo shpenzon pjesën më të madhe të kohës së saj duke studiuar vizionin kompjuterik, një komponent i mësimit të makinerive që ajo e quan "aplikacioni vrasës i AI". Vizioni kompjuterik analizon dhe identifikon të dhënat vizuale dhe një ditë mund të ndihmojë në krijimin e gjymtyrëve robotike më të përgjegjshme, të themi, ose në zgjidhjen e provave matematikore më nyje. Por, si me çdo inteligjencë artificiale, çelësi i kësaj teknologjie është të mësojë makinat të shpaketojnë një mori informacionesh nga vende dhe këndvështrime të ndryshme. Për të qenë, në thelb, qytetarë vizualë të botës - jo ndryshe nga Li.

Nxitja e një grupi të larmishëm krijuesish për t'i dhënë formë asaj bote është thelbësore për llojet e historive dhe çështjeve teknike që strategja e përmbajtjes Diana Williams has çdo ditë në ILMxLAB, qendra e ëndrrave top-sekret të Lucasfilm ku zhvilluesit krijojnë argëtim gjithëpërfshirës dhe interaktiv - një takim VR me Darth Vader, ndoshta i frymëzuar nga universi i madh i Star Wars. Williams është thellësisht e përfshirë në organizatat pro-teknologjisë si Black Girls Code dhe kujton mungesën e grave me ngjyrë në kolegjin e saj në vitet '80. "Unë kam qenë gjithmonë e vetmja në klasat e mia të matematikës, e vetmja në klasat e mia të biznesit," thotë ajo. "Kjo bëhet e lodhshme dhe bëhet e frikshme." Zgjidhja e saj për t'i drejtuar më shumë femrat drejt teknologjisë: "Nijani ato të reja dhe forconi besimin e tyre, në mënyrë që kur të hyjnë në dhomë dhe të jenë të vetmet atje, të mos kthehen".

Maya Gupta, një studiuese e mësimit të makinerive në Google, po punon për të përmirësuar AI, megjithëse nga një kënd tjetër. Në Stanford, ajo ndihmoi një kompani norvegjeze të zbulonte çarje në tubacionet e saj nënujore të gazit. "Nuk mund të hysh shumë mirë atje, kështu që na u desh të përdorim informacion të pjesshëm për t'u përpjekur të hamendësojmë," thotë ajo. Mësimi i makinave për të bërë supozime të nuancuara është terren i njohur për Gupta. Nëse jeni në YouTube duke dëgjuar "Truth" të tenorit saksofonisti Kamasi Washington dhe muzika kalon pa mundim në "Turiya and Ramakrishna" të mrekullueshëm të Alice Coltrane, si puna e DJ-it më të zgjuar që nuk e keni njohur kurrë, faleminderit Gupta, ekipi i të cilit i ndihmon kompjuterët mirë- rregulloni rekomandimet e tyre. "E gjitha ka të bëjë me parashikimin, apo jo?" ajo tha. "Ju po përpiqeni të merrni me mend se çfarë po ndodh me të dhëna të kufizuara."

Sot ajo drejton një ekip kërkimi dhe zhvillimi në Google për të krijuar, ndër të tjera, saktësi më të madhe në mësimin e makinerive. "Le të themi se dua të jem po aq i saktë në identifikimin e theksit të Bostonit dhe një theksi Teksas, por unë kam një njohës të të folurit që është pak më i mirë në atë të Teksasit," thotë ajo. “A duhet të penalizoj njerëzit me theks Teksas duke e bërë njohjen po aq të keqe sa është për Bostonin, për të qenë i drejtë? Dhe çka nëse është thjesht më e vështirë të dallosh njerëzit që flasin me theks të Bostonit?

Gupta dhe ekipi i saj po përpunojnë gjithashtu sisteme që do të ishin pafundësisht më transparente se projektuesit e tyre me bazë karboni. Me makinat, shpresa shkon, ne mund të eliminojmë shumë nga paragjykimet ose proceset nënndërgjegjeshëm që mundojnë mendimin njerëzor - ose të paktën t'i njohim më lehtë kur ato shfaqen. Makineritë nuk e humbin fokusin kur janë të lodhur, të irrituar ose të uritur. Një studim tregoi se gjyqtarët janë më pak të prirur për të dhënë lirim me kusht para drekës, kur ata mendojnë për sanduiçe dhe jo për shiritat anësor. “Është e vështirë të matet se çfarë po ndodh me të vërtetë në mendjet e njerëzve”, thotë Gupta. "Ne duam që sistemet tona të mësimit të makinerive të jenë të shpjegueshme dhe sinqerisht shumë prej tyre janë tashmë më të shpjegueshëm se sa njerëzit."

“Ne duam që sistemet tona të mësimit të makinerive të jenë të shpjegueshme, dhe sinqerisht, shumë prej tyre janë tashmë më të shpjegueshëm se sa njerëzit.”

Ndërsa AI bëhet gjithnjë e më e dobishme - për të mos përmendur më të lehtë për t'u përdorur - shtytja është për ta vendosur atë në sa më shumë duar që të jetë e mundur. Christine Robson, një studiuese e IBM-së përpara se të vinte në Google, është një kampione entuziaste e softuerit me burim të hapur si TensorFlow, një sistem mësimi i makinerive që mund të përdoret për një sërë detyrash, nga përkthimi i gjuhëve deri te zbulimi i sëmundjeve e deri te krijimi i artit origjinal.

Për Robson, gjithëpërfshirja në AI do të thotë t'i bësh mjetet e saj të aksesueshme për më shumë sesa thjesht budallenj matematikë të vetë-profesuar si ajo. "Jam e emocionuar për disponueshmërinë e mësimit të makinerive në botë," thotë ajo. “Ne flasim shumë për demokratizimin e mësimit të makinerive, por unë besoj shumë në këtë. Bërja e këtyre mjeteve vërtet të lehta për t'u përdorur dhe bërja e këtyre teknikave të mundshme për t'u zbatuar nga të gjithë, është kaq kritike.

letërsi fantastiko-shkencore dhe filmi kanë ofruar prej kohësh shembuj të inteligjencës artificiale të gabuar (Mary Shelley's Frankenshtajni mbush 200 vjet vitin e ardhshëm). Sot, shumë në industri, duke përfshirë Li, Robson dhe Chou, janë më pak të shqetësuar për atë që mund të na bëjë AI dhe më shumë për atë që ne njerëzit mund t'i bëjmë AI. Një shembull: Programuesit u japin asistentëve virtualë një zë femëror sepse, mirë, burrat dhe gratë kanë tendencë të preferojnë një të tillë. "Por kjo e përjetëson këtë ide që asistentet janë femra, kështu që kur ne angazhohemi me këto sisteme, kjo përforcon paragjykimet sociale," thotë Chou. Shumë nga mendjet më të mira të fushës shqetësohen për atë që po ndodh në sistemet e AI në jetën reale - dhe kështu atë që do të shfaqet. Këtu hyn shtytja për diversitet më të madh në AI. Pak nga kjo do të jetë e lehtë. Por përkrahësit e saj janë të zgjuar, të shkathët dhe të përkushtuar ndaj kauzës.

"Të bësh këto mjete të AI me të vërtetë të lehtë për t'u përdorur dhe t'i bësh të mundshme këto teknika për t'u zbatuar nga të gjithë, është kaq kritike."

Duhet të sigurohemi që të gjithë të ndihen të mirëpritur, thotë Gupta. Ajo kujton murin e fotografive të profesorëve të pensionuar të inxhinierisë elektrike në universitetin e saj Rice, të cilët "nuk më ngjanin". Ne duhet të bindim vajzat se AI nuk është "magjike", shton Robson. Është matematikë.

Në SAILORS, studentët po mësojnë se si të përdorin përpunimin e gjuhës natyrore për të kërkuar në mediat sociale dhe për të ndihmuar në lehtësimin e fatkeqësive. “Do të ndihmonte shpëtimtarët të zbulonin njerëzit në nevojë në kohë reale, duke përdorur mesazhet e tyre në Twitter”, thotë Li. Efektet e klasave dhe projekteve zgjasin edhe pas verës së paharrueshme. Disa nga studentët kanë filluar klubet e tyre të robotikës në shkollë, kanë botuar pjesë në revista shkencore dhe kanë mbajtur seminare në shkollat ​​e mesme për të përhapur ungjillin e AI tek vajzat edhe më të reja. Për këta studentë, prejardhja dhe përvojat e të cilëve janë po aq të ndryshme sa projektet e panumërta që ata trajtuan në kamp, ​​AI nuk është pajisja më e fundit e lezetshme, por një forcë e fuqishme për të mirë. Në prag të mbledhjes së parë të SAILORS në 2015, programi ndau mesazhe nga kampistët e ardhur, duke përfshirë këtë dëshirë ambicioze: "Shpresoj të filloj udhëtimin tim të AI tani, në mënyrë që të mund të bëj një ndikim në botë në të ardhmen."

Robert Itoështë një shkrimtar me bazë në Los Anxhelos. Ai është një kontribues i shpeshtë në New York Times, Salloni, dhe Los Angjelos revistë.

Google ka hapur një qendër të re kërkimore në Cyrih, Google Research, e cila do të fokusohet në inteligjencën e makinerive. Tani është një nga qendrat më të mëdha të kërkimit të inteligjencës artificiale jashtë Shteteve të Bashkuara. Hapja e saj shoqërohet me një strategji të re të Google, e cila përfshin zbatimin aktiv të inteligjencës së makinerive në shërbime dhe aplikacione. Tashmë sot, kompania përdor zhvillimet në këtë fushë në produkte të tilla si Translate dhe Photos. Dhe në konferencën Google I / O 2016, u prezantuan një mesazher dhe një pajisje inteligjente shtëpiake, të cilat përdorin gjithashtu inteligjencën e makinerive. Me hapjen e një qendre të re kërkimore në Cyrih, Google planifikon të bëjë një përparim të rëndësishëm në këtë fushë. Arritëm të marrim pjesë në hapjen e kësaj qendre dhe të mësojmë se si dhe pse kompania zhvillon inteligjencën artificiale.

Si po ndërton Google inteligjencën artificiale?

Qendra kërkimore, e cila u hap në Cyrih, do të fokusohet në zhvillimin në tre fusha kyçe për inteligjencën artificiale: mësimin e makinerive, perceptimin e makinerive dhe përpunimin dhe kuptimin natyror të të folurit. Të gjitha këto nevojiten për të krijuar gjeneratën e ardhshme të kompjuterëve që mund të mësojnë nga njerëzit dhe bota përreth tyre.

Mësimi i makinerisë

Inteligjenca e makinerisë ose inteligjenca artificiale shpesh ngatërrohet me mësimin e makinerive, dhe megjithëse nuk mund të ketë të parën pa të dytën, ato bazohen në parime paksa të ndryshme. Në vetvete, koncepti i "inteligjencës artificiale" nënkupton krijimin e një kompjuteri që mendon, ndërsa "mësimi me makinë" është zhvillimi i kompjuterëve që mund të mësojnë. "Programimi i një kompjuteri për të qenë i zgjuar mund të jetë më i vështirë sesa programimi i një kompjuteri për të mësuar të jetë i zgjuar," shpjegon Greg Corrado, shkencëtari i lartë i kërkimit në Google për mësimin e makinerive.

Çdo përdorues i emailit të Gmail mund të përjetojë mësimin e makinerive sot. Ndërsa filtri i spamit i shërbimit ndiqte rregulla strikte të fjalëve kyçe, sot ai mëson nga shembujt. Ai vazhdon të bëhet gjithnjë e më i mirë ndërsa filtron postën. Ky është një nga rastet më të thjeshta të përdorimit për mësimin e makinerive, por Google tashmë po ndërton sisteme më të sofistikuara të vetë-mësimit sot.

Për ta bërë këtë, kompania përdor tre metoda të mësimit të makinerive:

1. Mësimi i mbikëqyrur- kjo është duke mësuar me shembull, në mënyrën se si filtri i postës së padëshiruar Gmail filtron postën, duke marrë gjithnjë e më shumë shembuj të postimeve të padëshiruara. Problemi i vetëm me këtë metodë: në mënyrë që ajo të jetë efektive, duhet të keni një numër të madh shembujsh të gatshëm.

2. Të mësuarit pa mësues- ky është grumbullimi i të dhënave, kompjuteri pajiset me objekte pa përshkrim dhe përpiqet të gjejë modele të brendshme, varësi dhe marrëdhënie ndërmjet tyre. Meqenëse të dhënat fillimisht nuk kanë emërtime, nuk ka asnjë sinjal gabimi ose shpërblimi për sistemin dhe ai nuk e njeh zgjidhjen e duhur.

3. Të mësuarit përforcues- Kjo metodë lidhet me “të mësuarit me mësuesin”, por këtu të dhënat nuk futen thjesht në kompjuter, por përdoren për zgjidhjen e problemeve. Nëse vendimi është i saktë, atëherë sistemi merr një përgjigje pozitive, të cilën e mban mend, duke përforcuar njohuritë e tij. Nëse zgjidhja është e gabuar, atëherë kompjuteri merr një përgjigje negative dhe duhet të gjejë një mënyrë tjetër për të zgjidhur problemin.

Sot, Google përdor kryesisht metodën e "të mësuarit me një mësues" për shërbimet e saj, megjithatë, kompania vëren se "të mësuarit përforcues" mund të ketë edhe më shumë potencial. Ishte kombinimi i të dyjave që u përdor për të krijuar inteligjencën artificiale AlphaGo, e cila ishte në gjendje të mposhtte lojtarët profesionistë. Së pari, kompjuteri mundi kampionin evropian të go Fan Hui (dani i dytë) me rezultatin 5-0, dhe më pas luajti me Li Sedol, një lojtar 9-dan (grada më e lartë në lëvizje), dhe përsëri rezultati përfundimtar ishte 4. -1 person jo në favor.

Pse fitorja e inteligjencës artificiale në lojën e Go është kaq e rëndësishme për zhvillimin e mësimit të makinerive? Fakti është se vetë loja është shumë e vështirë për një kompjuter. Go përdor një tabelë goban 19x19, në të cilën njëri lojtar vendos gurë të zinj dhe tjetri gurë të bardhë, në një përpjekje për të kapur sa më shumë nga tabela. Ndryshe nga shahu, ku çdo pjesë ka një pozicion të përcaktuar qartë dhe lëviz, lojtarët në lëvizje janë të kufizuar vetëm nga tabela. Prandaj, gjatë lojës, ata përdorin jo vetëm njohuri, por edhe intuitë. Për një kompjuter, një kompleksitet shtesë është numri i madh i pozicioneve të mundshme (10 ^ 170), dhe është gjithashtu e vështirë për një kompjuter të vlerësojë se kush e fiton lojën.

Prandaj, dy rrjete nervore u zhvilluan për AlphaGo. I pari quhet "rrjeti i vlerave", ai vlerëson pozicionin e gurëve në fushë me numra nga -1 në 1 për të përcaktuar se cilët gurë janë në krye: i bardhë (-1) ose i zi (1). Nëse pozicioni është i balancuar, dhe secili lojtar mund të fitojë, atëherë vlera do të jetë afër 0. Rrjeti nervor skanon tabelën dhe vlerëson pozicionin e gurëve, pas së cilës fillon të kuptojë se sa favorizohen gurët e bardhë dhe të zinj. . Rrjeti i dytë nervor u quajt "rrjeti i politikanëve". Në bazë të të dhënave të ekspertëve për lëvizjet në Go, ajo harton një hartë, duke përcaktuar se cilat lëvizje në këtë pozicion do të jenë më të suksesshmet.

Kështu, "rrjeti i kuptimit" lejon AlphaGo të kuptojë pozicionin e gurëve në tabelë dhe të përcaktojë se kush fiton, ndërsa "rrjeti i politikanëve" thjeshton algoritmin e kërkimit për të zgjedhur opsionet e mundshme për një lëvizje, pasi e kufizon atë në varësi të pozicioni i gurëve.

Përpara se të vazhdoni, është e rëndësishme të kuptoni se çfarë është një "rrjet nervor"? Fatkeqësisht, sot nuk ka një përkufizim të vetëm zyrtar të "rrjetit nervor artificial". Nëse përpiqemi ta shprehim me fjalë të thjeshta, atëherë një rrjet nervor është një seri modelesh matematikore që krijohen sipas parimit të rrjeteve nervore biologjike. Neuronet artificiale (procesorë të thjeshtë) lidhen me njëri-tjetrin, marrin një sinjal, e përpunojnë atë dhe e dërgojnë më tej, te neuroni tjetër. Çdo neuron është një funksion i thjeshtë matematikor, por kur ata punojnë së bashku ata mund të zgjidhin probleme komplekse.

Si u trajnuan rrjetet nervore për AlphaGo?

“Ne filluam me këta lojtarë profesionistë. Meqenëse lojërat regjistrohen kryesisht, ne kishim shumë çifte: pozicion plus lëvizjen që e arriti atë. Një lojë na jep rreth 300 çifte të tilla. Çdo lëvizje në një lojë të tillë është profesionale, pasi bëhet nga një ekspert. Ne përdorëm mësimin e mbikëqyrur për të mësuar rrjetin nervor për të parashikuar se çfarë lëvizje do të bënte një lojtar profesionist në atë pozicion. Kështu u krijua “rrjeti i politikanëve”. Më pas e lejuam rrjetin nervor të luante kundër vetvetes, si nga pozicioni i gurëve bardh e zi. Ne ngarkuam rezultatin e këtyre lojërave përsëri në rrjetin nervor. Ky është tashmë "të mësuarit përforcues", nuk është ende i hulumtuar mirë, por ne besojmë se kjo është e ardhmja e mësimit të makinerive. Më tej, falë lojës së rrjetit nervor kundër vetvetes, morëm një sasi të madhe të dhënash për pozicionin e gurëve në tabelë, si dhe rezultatin e lojërave. Mbi bazën e tyre, ne trajnuam "rrjetin e kuptimit", i cili mësoi të kuptonte se në cilat pozicione fitojnë gurët e zinj dhe në cilat pozicione ata të bardhët. Vlerësimi është një metrikë shumë e rëndësishme për ndërtimin e një programi lojërash dhe mësimin e makinerive në përgjithësi, sepse keni nevojë për një mënyrë për të matur përparimin në një lojë, "tha Thore Graepel, shkencëtar hulumtues për projektin Google DeepMind që zhvilloi AlphaGo.

Ndërsa AlphaGo ka mposhtur lojtarët profesionistë dhe ka mposhtur lehtësisht AI-të e tjera të zhvilluara për këtë lojë, kjo nuk është e vetmja arritje e jashtëzakonshme e sistemit. Në ndeshjen e dytë kundër Lee Sedol, AlphaGo bëri një lëvizje shumë të pazakontë 37 në linjën 5, e cila fillimisht nuk u duk e suksesshme, por më pas lejoi që kompjuteri të merrte atë pjesë të tabelës. Fakti është se nuk kishte lëvizje të tilla në informacionin e ekspertit që u ngarkua në AlphaGo, dhe mund të supozojmë se ky ishte një nga manifestimet e para të krijimtarisë në performancën e një kompjuteri.

Sot Google përdor bibliotekën me burim të hapur TensorFlow për mësimin e makinerive. Është një API e gjeneratës së dytë që funksionon për kërkime, si dhe për produkte komerciale të Google që përdorin mësimin e makinerive si kërkimi, njohja e të folurit, Gmail dhe Photos.

Perceptimi i makinës

Një fushë tjetër e rëndësishme për zhvillimin e inteligjencës artificiale është perceptimi i makinës. Megjithëse kompjuterët kanë bërë përparime të mëdha në njohjen e tingujve, muzikës dhe tekstit të shkruar me dorë gjatë dekadës së fundit, ata ende luftojnë për të njohur imazhet dhe videot. Sistemi vizual i njeriut njeh imazhet pa probleme; në çdo hemisferë të madhe të trurit tonë ekziston një korteks parësor vizual (zona vizuale V1), e cila përmban 140 milionë neurone me dhjetëra miliarda lidhje midis tyre. Dhe, megjithatë, truri i njeriut përdor gjithashtu korteksin vizual të jashtëm (zonat V2, V3, V4 dhe V5) për njohjen e imazhit. Prandaj, për ne nuk është problem i madh të shohim një mace gri të shtrirë në një tapet gri. Por për një kompjuter, kjo është një detyrë shumë e vështirë.

Më parë, Google katalogonte fotot sipas përshkrimit, përdoruesi duhej të shtonte etiketa në foto në mënyrë që ato të mund të grupoheshin ose gjendeshin më pas. Sot, Google Photos ka njohje më të avancuar të imazhit të bazuar në rrjetin nervor konvolucional. Kjo arkitekturë, e zhvilluar nga shkencëtari Jan Lekun, ka një nga algoritmet më të mira të njohjes së imazhit. Nëse nuk futeni në detaje, atëherë është një strukturë shumështresore e neuroneve artificiale, secila shtresë e të cilave pranon vetëm një pjesë të vogël të imazhit hyrës si hyrje. Me ndihmën e projektit Deep Dream, sot çdokush mund të vlerësojë se si i sheh saktësisht imazhet një rrjet nervor konvolucionist.

Google përdor bazat e të dhënave të imazheve me burim të hapur për të trajnuar rrjetin e tij nervor. Për shembull, në vitin 2012, Google mësoi një rrjet nervor për të njohur imazhet e maceve duke përdorur 10 milionë korniza macesh nga videot në YouTube.

Përpunimi dhe kuptimi natyror i të folurit

Në mënyrë që kompjuteri të kuptojë jo vetëm komandat zanore, por edhe të folurit natyral, Google përdor rrjete nervore të përsëritura.

Njohja tradicionale e të folurit i thyen tingujt në pjesë të vogla prej 10 milisekonda audio. Çdo fragment i tillë analizohet për përmbajtjen e frekuencës, ndërsa vektori që rezulton i karakteristikave kalon përmes një modeli akustik, i cili nxjerr një shpërndarje probabiliteti mbi të gjithë tingujt. Më tej, në kombinim me karakteristika të tjera të të folurit, përmes modelit të shqiptimit, sistemi lidh sekuencën e tingujve të fjalëve të sakta në gjuhë dhe në model, duke përcaktuar se sa e mundshme është një fjalë e dhënë në gjuhën që përdoret. Në fund, modeli gjuhësor analizon fjalët e marra dhe të gjithë frazën, duke u përpjekur të vlerësojë nëse një sekuencë e tillë fjalësh është e mundur në këtë gjuhë. Por sipas disa fjalëve në shënimin fonetik, është e vështirë të përcaktohet se ku mbaron një shkronjë dhe fillon një tjetër, dhe kjo është shumë e rëndësishme për njohjen e saktë.

Google tani po përdor një model akustik të bazuar në një rrjet nervor të përsëritur me një arkitekturë "memorie afatshkurtër të gjatë". Me fjalë të thjeshta, ky rrjet nervor është më i mirë se të tjerët në memorizimin e informacionit, gjë që bëri të mundur trajnimin e tij për të njohur fonema në një frazë dhe kjo përmirësoi ndjeshëm cilësinë e sistemit të njohjes. Prandaj, sot njohja e zërit në Android funksionon pothuajse në kohë reale.

Inteligjenca Artificiale: Asistent apo Kërcënim?

Ana etike e përdorimit të inteligjencës artificiale është gjithmonë në rendin e ditës, pranon Google. Megjithatë, kompania nuk beson ende se ne jemi mjaft afër krijimit të kompjuterëve që kanë vetëdije për të diskutuar në thelb këtë çështje. “Kompjuterët mësojnë ngadalë”, thotë Greg Corrado. Deri më tani, Google mund të ndërtojë inteligjencë artificiale që bën një gjë mirë, si një lojë si AlphaGo. Por inteligjenca artificiale e plotë do të kërkojë fuqi llogaritëse shumë herë më të madhe. Sot shohim që performanca e procesorëve po ngadalësohet, pothuajse kemi arritur kufirin e Ligjit të Moore, dhe megjithëse kjo kompensohet pjesërisht nga rritja e performancës së kartave video dhe shfaqja e procesorëve të specializuar, kjo ende nuk mjafton. Për më tepër, një pengesë tjetër është mungesa e një sasie të mjaftueshme informacioni eksperti që mund të përdoret për mësimin e makinerive. Të gjitha këto, dhe jo vetëm, probleme që njerëzimi mund t'i zgjidhë brenda 20, 50 apo 100 viteve dhe mund të mos zgjidhen kurrë, askush nuk mund të japë një parashikim të saktë. Prandaj, inteligjenca artificiale që ne shohim në filma ndoshta do të jetë shumë e ndryshme nga ajo me të cilën përfundojmë.

Jack of All Trades dhe e ardhmja e Google Search

Google tani për tani po i vendos vetes një qëllim më realist - të krijojë asistentë virtualë të bazuar në inteligjencën artificiale. Sot tashmë ka asistentë virtualë si Siri apo Google Now, por ata janë shumë të kufizuar dhe jashtë realitetit në të cilin ndodhet përdoruesi. Çfarë dëshiron të bëjë Google? Kompania beson se një asistent virtual duhet të kuptojë botën përreth, pozicionin e përdoruesit në këtë botë dhe gjithashtu të mbështetet në kontekstin aktual në komunikim.

“Imagjinoni që keni një asistent tepër të zgjuar dhe i thoni: studioni këtë fushë dhe më tregoni se çfarë mendoni. Kjo është ajo që ne po përpiqemi të krijojmë. Në rastin tim, do të doja t'i them asistentit: më tregoni gjërat më interesante dhe më të rëndësishme që nuk i di ende, "thotë Eric Schmidt, kreu i bordit të drejtorëve të Alphabet, i cili zotëron Google.

Kështu, Google e sheh inteligjencën artificiale si një mjet të ri që mund të fuqizojë një person duke i ofruar atij njohuri të reja. Një shembull i mirë për këtë është AlphaGo, të cilin lojtarët e shohin si një mundësi për të ngritur nivele. Në fund të fundit, nëse stërviteni kundër inteligjencës artificiale, e cila tashmë tejkalon gradën maksimale në lojë, atëherë kjo mund ta sjellë atë në një nivel të ri.

Inteligjenca artificiale ka qenë prej kohësh e ngulitur fort në jetën tonë. Më shpesh, ne as që mendojmë për këtë pyetje kur përdorim zakonisht një asistent zanor në një smartphone ose njohjen automatike të imazhit në një program. Edhe kërkimet në Google nuk janë të plota pa mësimin e makinerive, fushën e inteligjencës artificiale.

Prej rreth dy vitesh është në funksion një teknologji e quajtur RankBrain, e cila shërben për të renditur në mënyrë inteligjente rezultatet e kërkimit. Rreth 15% e kërkimeve ditore janë të reja për Google, domethënë nuk janë dorëzuar nga asnjë përdorues më parë.

"Inteligjenca jonë artificiale i shpërfill komandat njerëzore."

Profesor David Silver, Kryeprogramues i Inteligjencës Artificiale
Google AlphaGo Zero

Algoritmet e RankBrain kërkojnë forma të disponueshme në pyetje të panjohura kërkimi dhe i lidhin ato me koncepte të ngjashme semantike. Si rezultat, motori i kërkimit duhet të mësojë vetë dhe të jetë në gjendje të japë përgjigjet e duhura për pyetjet që nuk janë bërë më parë.

Google përdor TPU Tensor Processors të krijuar posaçërisht për këtë në qendrat e tij të të dhënave.

Procesorët tensor (TPU)

Suksesi i inteligjencës artificiale të Google duket mbresëlënës. Një arsye është se Google ka zhvilluar një pajisje të veçantë që përshpejton rrjetet nervore në mënyrë shumë më efikase sesa CPU-të dhe GPU-të standarde. Çuditërisht, procesorët tensor përdorin pjesërisht komponentë të zakonshëm të PC-së. Ata qëndrojnë në një kartë plug-in SATA dhe komunikojnë nëpërmjet PCI Express me procesorë të tjerë tensor.

Struktura e procesorit tensor

Mbledhja dhe shumëzimi i shpejtë është forca e procesorit tensor. Në modulin përgjegjës me matricën si komponent qendror, llogariten rrjetet nervore. Ai zë rreth një të katërtën e sipërfaqes së procesorit. Pjesa tjetër e hapësirës përdoret për dërgimin e shpejtë të të dhënave hyrëse. Ato vijnë përmes PCI Express dhe RAM DDR3. Rezultatet e llogaritjes kthehen në server përmes PCI Express dhe ndërfaqes së hostit.

Inteligjenca mbinjerëzore

Procesorët e kanë marrë emrin e tyre nga biblioteka e softuerit TensorFlow. Qëllimi kryesor i TPU-së është të përshpejtojë algoritmet e inteligjencës artificiale që mbështeten në bibliotekat e softuerit të lirë.

Fillimisht, TPU-të fituan popullaritet si një platformë harduerike për AlphaGo, një inteligjencë artificiale që mundi lojtarët më të mirë aziatikë në botë. Ndryshe nga shahu, zhvillimi i softuerit Go në nivel profesional u konsiderua i pamundur për shumë vite.

Zhvillimi i mëvonshëm i AlphaGo Zero ishte në gjendje të mësonte në mënyrë të pavarur lojën bazuar në rregullat e vendosura për të. Në tre ditë ai arriti nivelin profesional, në tre javë u kap me versionin e mëparshëm të AlphaGo, trajnimi i të cilit kushtoi përpjekje të mëdha dhe kërkoi zhvillimin e miliona lojërave profesionale. Doli se inteligjenca artificiale më parë kufizoi studimin e lëvizjeve nga ana e një personi. Pas gjashtë javësh të tjera, AlphaGo Zero ishte tashmë e pamundur të mposhtej.

Përshpejtues për rrjetet nervore

Krahasuar me procesorët konvencionalë, procesorët tensor specializohen në përdorimin e rrjeteve nervore artificiale. Ato përbëhen nga shumë funksione matematikore të lidhura në rrjet që imitojnë trurin e njeriut me qelizat e tij nervore dhe lidhjet e tyre. Ashtu si truri ynë, një rrjet nervor kërkon të dhëna të përshtatshme. Ka trajnime, për shembull, njohjen e të folurit, imazhet - ose rregullat e lojës "Shko".

Një rrjet nervor artificial përfshin disa shtresa neuronesh. Çdo neuron përdor shumën e ponderuar të vlerave të daljes së neuroneve të lidhur në nivelin e mëparshëm. Krahasimi i saktë është çelësi i suksesit në Mësimin e Makinerisë, por ai duhet bërë së pari, gjë që në praktikë shpesh nënkupton operacione të shumta me pikë lundruese.

Në këtë disiplinë, GPU-të janë në fakt zgjidhja më e mirë. Rrjeti nervor nuk ka më nevojë për llogaritje të pikës lundruese me saktësi të lartë për të renditur rezultatet e kërkimit ose për të parashikuar lëvizjet më vonë. Ky proces kërkon një numër shumë të madh të operacioneve të shumëzimit dhe mbledhjes në numra të plotë.

Përpunuesit tensor në Google Computing Center

Google ka përdorur TPU në qendrat e tij informatike që nga viti 2016. Pllaka zakonisht përmban disa procesorë në një grup. Ato përdoren kryesisht në blloqe me katër.

Procesori tensor Google përbëhet kryesisht nga një njësi llogaritëse, një matricë 256 × 256. Ai punon me numra të plotë tetë-bit, arrin 92 trilion operacione për sekondë të fuqisë përpunuese dhe i ruan rezultatet në memorie.

Diagrami tregon se matrica zë vetëm rreth një të katërtën e zonës së procesorit. Pjesa tjetër e komponentëve janë përgjegjës për furnizimin e vazhdueshëm të bërthamave me të dhëna të reja. Procesorët tensor nuk dërgojnë komanda për veten e tyre - ato vijnë nga serveri i lidhur përmes PCI Express. Në të njëjtën mënyrë, rezultatet përfundimtare transmetohen si përgjigje.

Rezultatet krahasuese të kërkuara për llogaritjet e rrjetit nervor sigurohen nga moduli i memories First-In / First-Out. Meqenëse ka pak ndryshime për një aplikacion specifik, mjafton një lidhje me RAM DDR3. Rezultatet e ndërmjetme ruhen në një bufer 24 MB dhe kthehen në njësinë llogaritëse.

Konsumi i energjisë në krahasim

Krahasimi i performancës së procesorit për vat të energjisë elektrike të konsumuar tregon efikasitetin më të madh të procesorëve tensor.

Gara me CPU dhe GPU

Procesorët tensor llogaritin 225,000 parashikime të rrjetit nervor në sekondë. CPU-të dhe GPU-të nuk mund ta durojnë konkurrencën.

45 herë më shpejt se një procesor konvencional

Megjithëse grupi i udhëzimeve CISC (Kompjuteri i Kompleksit të Instruksioneve Komplekse) të Procesorit Tensor mund të trajtojë instruksione komplekse, ka vetëm rreth një duzinë prej tyre. Dhe shumica e operacioneve të kërkuara kërkojnë vetëm pesë komanda, duke përfshirë komandat e leximit, kryerjen e shumëzimit të matricës ose llogaritjen e një funksioni aktivizimi.

Për shkak të optimizimit të llogaritjeve të inteligjencës artificiale, procesorët tensor janë dukshëm më të shpejtë se procesorët konvencionalë (45 herë) ose GPU (17 herë). Në të njëjtën kohë, ato janë më efikase në energji.

Dhe Google është vetëm në fillim të udhëtimit: me masa të thjeshta, performanca e procesorëve tensor mund të rritet më tej. Vetëm instalimi i RAM-it GDDR5 mund të trefishojë fuqinë aktuale llogaritëse.

Nëse gjithmonë keni pyetur veten se çfarë po ndodh në neuronet në rrjetet nervore, atëherë Google më në fund do të jetë në gjendje t'jua shpjegojë atë. Kompania ka lëshuar një përzgjedhje të shërbimeve eksperimentale që tregojnë se çfarë është në gjendje të bëjë inteligjenca artificiale moderne.

Më interesante prej tyre është Quick, Draw! - ofron të luajë një lloj "Krokodili". Detyra juaj është të keni kohë për të vizatuar një objekt të caktuar në 20 sekonda, për shembull, një karotë, një biçikletë, një top, një fytyrë, etj. Gjatë kësaj kohe, programi duhet të njohë se çfarë saktësisht po përpiqeni të portretizoni. Ndërsa vizatoni linjat e ngathëta me kursorin, rrjeti nervor hedh opsione derisa të njohë atë të saktë.

Në të njëjtën kohë, siç i ka hije një rrjeti nervor, ai mëson bazuar në vizatimet e përdoruesve të tjerë. Dhe sa më shumë vizatime të shohë AI, aq më shpejt arrin të gjejë përgjigjen e duhur. Për shembull, në këto shkarravitje, rrjeti nervor njohu një krokodil në pak sekonda. a mundesh ti?

Një tjetër shërbim argëtues quhet Giorgio Cam. Ai di të identifikojë objektet që sheh në kamerë. Këtu, rezultatet nuk janë aq mbresëlënëse, dhe shpesh AI është i gabuar. Megjithatë, mungesa e saktësisë kompensohet nga shërbimi. Procesi i përcaktimit të subjektit shoqërohet me muzikë elektronike të çuditshme dhe rrjeti nervor vendos në mënyrë ritmike përgjigjet ndaj ritmit. Gjithçka duket mjaft e fshehtë, por befasuese.

Në përgjithësi, AI është ende mjaft primitive dhe, padyshim, nuk është në gjendje të dalë me një plan efektiv për të marrë përsipër njerëzimin. Por kjo është për momentin.

Ju mund të shikoni të gjitha eksperimentet argëtuese të Google në fushën e krijimit të inteligjencës artificiale.