შესავალი AI-ში

სკეტნოტი ტომომი იმურა-ის მიერ

სალექციო ვიქტორინა

AI არის საინტერესო სამეცნიერო დისციპლინა, რომელიც სწავლობს, თუ როგორ ვაქცევთ კომპიუტერებს ინტელექტუალური ქცევის გამოვლენას, მაგ. გააკეთე ის, რისი გაკეთებაც ადამიანებს კარგად შეუძლიათ.

თავდაპირველად, კომპიუტერები გამოიგონა ჩარლზ ბაბიჯი-მა, რათა მოქმედებდეს რიცხვებზე კარგად განსაზღვრული პროცედურის - ალგორითმის მიხედვით. თანამედროვე კომპიუტერები, მიუხედავად იმისა, რომ მე-19 საუკუნეში შემოთავაზებულ თავდაპირველ მოდელზე ბევრად უფრო განვითარებულია, მაინც მიჰყვება კონტროლირებადი გამოთვლების იგივე იდეას. ამრიგად, შესაძლებელია კომპიუტერის დაპროგრამება რაიმეს გასაკეთებლად, თუ ვიცით ნაბიჯების ზუსტი თანმიმდევრობა, რომელიც უნდა გავაკეთოთ მიზნის მისაღწევად.

ფოტო ვიკი სოშნიკოვა

ადამიანის ასაკის განსაზღვრა მისი ფოტოსურათიდან არის ამოცანა, რომლის ცალსახად დაპროგრამება შეუძლებელია, რადგან ჩვენ არ ვიცით, როგორ ვხვდებით რიცხვს ჩვენს თავში, როდესაც ამას ვაკეთებთ.

---

თუმცა არის გარკვეული ამოცანები, რომელთა გადაჭრაც აშკარად არ ვიცით. განიხილეთ ადამიანის ასაკის დადგენა მისი ფოტოსურათიდან. ჩვენ როგორღაც ვსწავლობთ ამის გაკეთებას, რადგან გვინახავს სხვადასხვა ასაკის ადამიანების მრავალი მაგალითი, მაგრამ არ შეგვიძლია ცალსახად ავხსნათ, როგორ ვაკეთებთ ამას და არც კომპიუტერის დაპროგრამება შეგვიძლია ამის გასაკეთებლად. ეს არის ზუსტად ისეთი დავალება, რომელიც აინტერესებს AI-ს (მოკლედ AI).

იფიქრეთ რამდენიმე ამოცანის შესახებ, რომელიც შეგიძლიათ გადმოტვირთოთ კომპიუტერზე, რომელიც სარგებელს მოუტანს AI-ს. განვიხილოთ ფინანსების, მედიცინისა და ხელოვნების სფეროები - როგორ სარგებლობს ეს სფეროები დღეს AIსგან?

სუსტი AI წინააღმდეგ ძლიერი AI

სუსტი AI | ძლიერი AI

სუსტი AI ეხება AI სისტემებს, რომლებიც შექმნილია და გაწვრთნილი კონკრეტული ამოცანისთვის ან ამოცანების ვიწრო ნაკრებისთვის. ეს AI სისტემები არ არის ზოგადად ინტელექტუალური; ისინი გამოირჩევიან წინასწარ განსაზღვრული ამოცანის შესრულებაში, მაგრამ არ გააჩნიათ ჭეშმარიტი გაგება ან ცნობიერება.|ამ AI სისტემებს აქვთ უნარი შეასრულონ ნებისმიერი ინტელექტუალური დავალება, რაც ადამიანს შეუძლია, მოერგოს სხვადასხვა დომენებს და ფლობდეს ცნობიერების ან თვითშემეცნების ფორმას. სუსტი AIს მაგალითები მოიცავს ვირტუალურ ასისტენტებს, როგორიცაა Siri ან Alexa, სარეკომენდაციო ალგორითმები, რომლებიც გამოიყენება სტრიმინგის სერვისებით და ჩეთბოტები, რომლებიც შექმნილია მომხმარებლის მომსახურების კონკრეტული ამოცანებისთვის. სუსტი AI არის უაღრესად სპეციალიზირებული და არ გააჩნია ადამიანის მსგავსი შემეცნებითი შესაძლებლობები ან ზოგადი პრობლემების გადაჭრის შესაძლებლობები მისი ვიწრო სფეროს მიღმა.|ძლიერი AI ამჟამად თეორიული კონცეფციაა და არცერთ AI სისტემას არ მიუღწევია ზოგადი ინტელექტის ამ დონეს.

დამატებითი ინფორმაციისთვის იხილეთ ხელოვნური გენერალური ინტელექტი (AGI).

ინტელექტის განმარტება და ტურინგის ტესტი

ერთ-ერთი პრობლემა, როდესაც საქმე ეხება ტერმინს დაზვერვა არის ის, რომ არ არსებობს ამ ტერმინის მკაფიო განმარტება. შეიძლება ვიკამათოთ, რომ ინტელექტი დაკავშირებულია აბსტრაქტულ აზროვნებასთან, ან თვითცნობიერებასთანთან, მაგრამ ჩვენ არ შეგვიძლია მისი სწორად განსაზღვრა.

ფოტო ამბერ კიპი-ის მიერ Unsplash-დან

ტერმინის ინტელექტის ბუნდოვანების სანახავად, სცადეთ უპასუხოთ კითხვას: "არის კატა ინტელექტუალური?". ამ კითხვაზე სხვადასხვა ადამიანი მიდრეკილია სხვადასხვა პასუხის გაცემას, რადგან არ არსებობს საყოველთაოდ მიღებული ტესტი, რომელიც დაადასტურებს მტკიცების სიმართლეს თუ არა. და თუ ფიქრობთ, რომ არსებობს - სცადეთ თქვენი კატა გაუშვათ IQ ტესტით...

ერთი წუთით დაფიქრდით, როგორ განსაზღვრავთ ინტელექტს. ყვავა, რომელსაც შეუძლია ლაბირინთის ამოხსნა და საკვების მიღება, ჭკვიანია? არის თუ არა ბავშვი ჭკვიანი?

---

AGI-ზე საუბრისას ჩვენ უნდა გვქონდეს რაიმე გზა იმის გასაგებად, შევქმენით თუ არა მართლაც ინტელექტუალური სისტემა. ალან ტურინგი შემოგვთავაზა გზა, რომელსაც ეწოდება ტურინგის ტესტი, რომელიც ასევე მოქმედებს როგორც ინტელექტის განმარტება. ტესტი მოცემულ სისტემას ადარებს რაღაც არსებითად ინტელექტუალურს - ნამდვილ ადამიანს, და რადგან ნებისმიერი ავტომატური შედარება შეიძლება გვერდის ავლით კომპიუტერული პროგრამის მიერ, ჩვენ ვიყენებთ ადამიანის გამომძიებელს. ასე რომ, თუ ადამიანს არ შეუძლია განასხვავოს რეალური პიროვნება და კომპიუტერული სისტემა ტექსტურ დიალოგში - სისტემა ითვლება ინტელექტუალურად.

ჩატ-ბოტი სახელად ევგენი გუსტმანი, რომელიც შეიქმნა სანკტ-პეტერბურგში, 2014 წელს ახლოს იყო ტურინგის ტესტის ჩაბარებასთან პიროვნების ჭკვიანური ხრიკის გამოყენებით. მან წინასწარ გამოაცხადა, რომ ეს იყო 13 წლის უკრაინელი ბიჭი, რაც ახსნიდა ცოდნის ნაკლებობას და ტექსტში არსებულ გარკვეულ შეუსაბამობებს. ბოტმა 5 წუთიანი დიალოგის შემდეგ დაარწმუნა მსაჯების 30%, რომ ის ადამიანი იყო, მეტრიკა, რომელსაც ტურინგს სჯეროდა, რომ მანქანა 2000 წლისთვის შეძლებდა.

ოდესმე მოგიტყუებიათ ჩეთ-ბოტით, რომ გეგონოთ, რომ ადამიანს ელაპარაკებით? როგორ დაგარწმუნათ?

განსხვავებული მიდგომები AIს მიმართ

თუ გვსურს, რომ კომპიუტერი მოიქცეს როგორც ადამიანი, ჩვენ გვჭირდება როგორმე კომპიუტერის შიგნით ჩვენი აზროვნების მოდელირება. შესაბამისად, უნდა ვეცადოთ გავიგოთ, რა ხდის ადამიანს ინტელექტუალურს.

იმისათვის, რომ შეგვეძლოს ინტელექტის დაპროგრამება მანქანაში, უნდა გავიგოთ, როგორ მუშაობს ჩვენი გადაწყვეტილებების მიღების პროცესები. თუ ცოტა თვითშეფასებას გააკეთებთ, მიხვდებით, რომ არის რაღაც პროცესები, რომლებიც ქვეცნობიერად ხდება: მაგალითად, ჩვენ შეგვიძლია გავარჩიოთ კატა ძაღლისაგან დაუფიქრებლად, ზოგი კი მსჯელობას გულისხმობს.

ამ პრობლემის ორი შესაძლო მიდგომა არსებობს:

ზემოდან ქვევით მიდგომა (სიმბოლური მსჯელობა) | ქვემოდან ზევით მიდგომა (ნერვული ქსელები)

ზემოდან ქვევით მიდგომა აყალიბებს იმ გზას, თუ როგორ აიძულებს ადამიანი პრობლემის გადაჭრას. ის გულისხმობს ადამიანისგან ცოდნის მოპოვებას და მის კომპიუტერულად წასაკითხად წარმოდგენას. ჩვენ ასევე უნდა შევიმუშაოთ გზა კომპიუტერში მსჯელობის მოდელირებისთვის. | ქვემოდან ზევით მიდგომა აყალიბებს ადამიანის ტვინის სტრუქტურას, რომელიც შედგება უზარმაზარი რაოდენობის მარტივი ერთეულებისგან, რომელსაც ეწოდება ნეირონები. თითოეული ნეირონი მოქმედებს როგორც მისი შეყვანის საშუალო შეწონილი და ჩვენ შეგვიძლია მოვამზადოთ ნეირონების ქსელი სასარგებლო პრობლემების გადასაჭრელად სავარჯიშო მონაცემების მიწოდებით.

ასევე არსებობს სხვა შესაძლო მიდგომები ინტელექტის მიმართ:

• Emergent, Synergetic ან Multi-Agent მიდგომა ემყარება იმ ფაქტს, რომ რთული ინტელექტუალური ქცევა შეიძლება მიღებულ იქნეს დიდი რაოდენობით მარტივი აგენტების ურთიერთქმედებით. ევოლუციური კიბერნეტიკა-ის მიხედვით, ინტელექტი შეიძლება წარმოიქმნას უფრო მარტივი, რეაქტიული ქცევიდან მეტასისტემის გადასვლის პროცესში.

• ევოლუციური მიდგომა, ან გენეტიკური ალგორითმი არის ოპტიმიზაციის პროცესი, რომელიც დაფუძნებულია ევოლუციის პრინციპებზე.

ჩვენ განვიხილავთ ამ მიდგომებს შემდგომ კურსში, მაგრამ ახლა ჩვენ ყურადღებას გავამახვილებთ ორ ძირითად მიმართულებაზე: ზემოდან ქვევით და ქვემოდან ზევით.

ზემოდან ქვემოთ მიდგომა

ზემოდან ქვევით მიდგომით, ჩვენ ვცდილობთ ჩვენი მსჯელობის მოდელირებას. იმის გამო, რომ ჩვენ შეგვიძლია მივყვეთ ჩვენს აზრებს მსჯელობისას, შეგვიძლია ვცადოთ ამ პროცესის ფორმალიზება და მისი დაპროგრამება კომპიუტერში. ამას სიმბოლური მსჯელობა ჰქვია.

ადამიანებს აქვთ თავში გარკვეული წესები, რომლებიც წარმართავს მათ გადაწყვეტილების მიღების პროცესს. მაგალითად, როდესაც ექიმი პაციენტს სვამს დიაგნოზს, მან შეიძლება გააცნობიეროს, რომ ადამიანს აქვს სიცხე და, შესაბამისად, შეიძლება იყოს გარკვეული ანთება ორგანიზმში. კონკრეტული პრობლემის მიმართ წესების დიდი ნაკრების გამოყენებით ექიმს შეუძლია საბოლოო დიაგნოზის დასმა.

ეს მიდგომა დიდწილად ეყრდნობა ცოდნის წარმოდგენას და მსჯელობას. ადამიანის ექსპერტისგან ცოდნის მოპოვება შეიძლება იყოს ყველაზე რთული ნაწილი, რადგან ექიმმა ხშირ შემთხვევაში ზუსტად არ იცის, რატომ სვამს კონკრეტულ დიაგნოზს. ზოგჯერ გამოსავალი უბრალოდ ჩნდება მის თავში აშკარა ფიქრის გარეშე. ზოგიერთი დავალება, როგორიცაა ფოტოსურათიდან ადამიანის ასაკის დადგენა, საერთოდ არ შეიძლება შემცირდეს ცოდნის მანიპულირებამდე.

მიდგომა ქვემოდან ზევით

ალტერნატიულად, ჩვენ შეგვიძლია ვცადოთ ჩვენი ტვინის შიგნით არსებული უმარტივესი ელემენტების მოდელირება - ნეირონი. ჩვენ შეგვიძლია ავაშენოთ ეგრეთ წოდებული ხელოვნური ნერვული ქსელი კომპიუტერის შიგნით და შემდეგ ვეცადოთ ვასწავლოთ მას პრობლემების გადაჭრა მაგალითების მიცემით. ეს პროცესი ჰგავს იმას, თუ როგორ იგებს ახალშობილი ბავშვი თავისი გარემოს შესახებ დაკვირვების გზით.

ჩაატარეთ მცირე გამოკვლევა იმის შესახებ, თუ როგორ სწავლობენ ბავშვები. რა არის ბავშვის ტვინის ძირითადი ელემენტები?

რაც შეეხება ML-ს?
AIს ნაწილს, რომელიც დაფუძნებულია კომპიუტერულ სწავლაზე, პრობლემის გადასაჭრელად გარკვეული მონაცემების საფუძველზე, ეწოდება Machine Learning. ჩვენ არ განვიხილავთ კლასიკურ მანქანათმცოდნეობას ამ კურსში - მოგმართავთ ცალკე Machine Learning დამწყებთათვის სასწავლო გეგმაზე.

AIს მოკლე ისტორია

AI, როგორც სფერო მეოცე საუკუნის შუა ხანებში დაიწყო. თავდაპირველად სიმბოლური მსჯელობა იყო გავრცელებული მიდგომა და მან გამოიწვია მთელი რიგი მნიშვნელოვანი წარმატებები, როგორიცაა საექსპერტო სისტემები - კომპიუტერული პროგრამები, რომლებსაც შეეძლოთ ემოქმედათ როგორც ექსპერტი ზოგიერთ შეზღუდულ პრობლემურ სფეროებში. თუმცა, მალევე გაირკვა, რომ ასეთი მიდგომა არ არის კარგად მასშტაბური. ექსპერტისგან ცოდნის მოპოვება, მისი კომპიუტერში წარმოდგენა და ამ ცოდნის ბაზის ზუსტი შენარჩუნება ძალიან რთული ამოცანაა და ხშირ შემთხვევაში ძალიან ძვირი პრაქტიკულობისთვის. ამან გამოიწვია ე.წ. AI ზამთარი 1970-იან წლებში.

სურათი დიმიტრი სოშნიკოვი-ის მიერ

რაც დრო გადიოდა, გამოთვლითი რესურსები იაფდებოდა და მეტი მონაცემი გახდა ხელმისაწვდომი, ამიტომ ნერვული ქსელის მიდგომებმა დაიწყო ადამიანებთან კონკურენციაში დიდი ეფექტურობის დემონსტრირება ბევრ სფეროში, როგორიცაა კომპიუტერული ხედვა ან მეტყველების გაგება. ბოლო ათწლეულის განმავლობაში ტერმინი AI ძირითადად გამოიყენებოდა, როგორც ნერვული ქსელების სინონიმი, რადგან AI წარმატებების უმეტესობა, რომლის შესახებაც გვესმის, მათზეა დაფუძნებული.

ჩვენ შეგვიძლია დავაკვირდეთ, როგორ შეიცვალა მიდგომები, მაგალითად, ჭადრაკის სათამაშო კომპიუტერული პროგრამის შექმნისას:

• ადრეული საჭადრაკო პროგრამები ეფუძნებოდა ძიებას: პროგრამა ცალსახად ცდილობდა შეეფასებინა მოწინააღმდეგის შესაძლო სვლები შემდეგი სვლების მოცემულ რაოდენობაზე და აერჩია ოპტიმალური სვლა ოპტიმალური პოზიციის საფუძველზე, რომლის მიღწევაც შესაძლებელია რამდენიმე სვლით. ამან განაპირობა ეგრეთ წოდებული ალფა-ბეტა მორთვა საძიებო ალგორითმის შემუშავება.
• ძიების სტრატეგიები კარგად მუშაობს თამაშის ბოლოს, სადაც საძიებო სივრცე შეზღუდულია შესაძლო სვლების მცირე რაოდენობით. თუმცა, თამაშის დასაწყისში საძიებო სივრცე უზარმაზარია და ალგორითმი შეიძლება გაუმჯობესდეს ადამიანთა მოთამაშეებს შორის არსებული მატჩებიდან სწავლით. შემდგომმა ექსპერიმენტებმა გამოიყენა ეგრეთ წოდებული შემთხვევებზე დაფუძნებული მსჯელობა, სადაც პროგრამა ეძებდა შემთხვევებს ცოდნის ბაზაში, რომელიც ძალიან ჰგავს თამაშის ამჟამინდელ პოზიციას.
• თანამედროვე პროგრამები, რომლებიც იმარჯვებს ადამიანურ მოთამაშეებზე, დაფუძნებულია ნერვულ ქსელებზე და განმტკიცების სწავლა-ზე, სადაც პროგრამები სწავლობს თამაშს მხოლოდ საკუთარი თავის წინააღმდეგ დიდი ხნის თამაშით და საკუთარ შეცდომებზე სწავლით, ისევე, როგორც ადამიანები აკეთებენ ჭადრაკის თამაშის სწავლისას. თუმცა, კომპიუტერულ პროგრამას შეუძლია უფრო მეტი თამაშის თამაში გაცილებით ნაკლებ დროში და, შესაბამისად, უფრო სწრაფად სწავლა.

გააკეთეთ პატარა კვლევა სხვა თამაშებზე, რომლებიც ითამაშა AI-ს მიერ.

ანალოგიურად, ჩვენ ვხედავთ, თუ როგორ შეიცვალა მიდგომა „სალაპარაკო პროგრამების“ შექმნისადმი (რომლებსაც შეუძლია ტურინგის ტესტის გავლა):

• ამ ტიპის ადრეული პროგრამები, როგორიცაა ელიზა, ეფუძნებოდა ძალიან მარტივ გრამატიკულ წესებს და კითხვაში შეყვანილი წინადადების ხელახლა ჩამოყალიბებას.
• თანამედროვე ასისტენტები, როგორიცაა Cortana, Siri ან Google Assistant არის ყველა ჰიბრიდული სისტემა, რომელიც იყენებს ნერვულ ქსელებს მეტყველების ტექსტად გადასაყვანად და ჩვენი განზრახვის ამოსაცნობად, შემდეგ კი იყენებს მსჯელობას ან აშკარა ალგორითმს საჭირო მოქმედებების შესასრულებლად.
• მომავალში, ჩვენ შეიძლება ველოდოთ სრულ ნერვულ მოდელს, რომელიც დამოუკიდებლად გაუმკლავდება დიალოგს. ბოლოდროინდელი GPT და Turing-NLG ნერვული ქსელების ოჯახი ამაში დიდ წარმატებას აჩვენებს.

სურათი დიმიტრი სოშნიკოვის მიერ, ფოტო მარინა აბროსიმოვა, Unsplash

ბოლოდროინდელი AI კვლევა

ნერვული ქსელების კვლევის უზარმაზარი ბოლოდროინდელი ზრდა დაიწყო დაახლოებით 2010 წელს, როდესაც ფართო საჯარო მონაცემთა ნაკრები გახდა ხელმისაწვდომი. სურათების უზარმაზარმა კოლექციამ სახელად ImageNet, რომელიც შეიცავს დაახლოებით 14 მილიონ ანოტირებულ სურათს, შექმნა ImageNet დიდი მასშტაბის ვიზუალური ამოცნობის გამოწვევა.

სურათი დიმიტრი სოშნიკოვი-ის მიერ

2012 წელს კონვოლუციური ნერვული ქსელები პირველად გამოიყენეს სურათების კლასიფიკაციაში, რამაც გამოიწვია კლასიფიკაციის შეცდომების მნიშვნელოვანი ვარდნა (თითქმის 30%-დან 16,4%-მდე). 2015 წელს, ResNet არქიტექტურა Microsoft Research მიაღწია ადამიანის დონის სიზუსტეს-დან.

მას შემდეგ ნერვულმა ქსელებმა აჩვენეს ძალიან წარმატებული ქცევა ბევრ ამოცანაში:

---

ბოლო რამდენიმე წლის განმავლობაში ჩვენ შევესწარით უზარმაზარ წარმატებებს დიდი ენობრივი მოდელებით, როგორიცაა BERT და GPT-3. ეს ძირითადად იმის გამო მოხდა, რომ არსებობს ბევრი ზოგადი ტექსტური მონაცემი, რაც საშუალებას გვაძლევს მოვამზადოთ მოდელები ტექსტების სტრუქტურისა და მნიშვნელობის აღსაბეჭდად, წინასწარ მოვამზადოთ ისინი ზოგადი ტექსტის კოლექციებზე და შემდეგ მოვახდინოთ ამ მოდელების სპეციალიზაცია უფრო კონკრეტულ ამოცანებზე. ჩვენ უფრო მეტს გავიგებთ ბუნებრივი ენის დამუშავება-ზე მოგვიანებით ამ კურსში.

გამოწვევა

გააკეთეთ ტური ინტერნეტში, რათა დაადგინოთ, თქვენი აზრით, სად არის ყველაზე ეფექტურად გამოყენებული AI. არის ის რუკების აპში, ან მეტყველების ტექსტის სერვისში ან ვიდეო თამაშში? შეისწავლეთ როგორ შეიქმნა სისტემა.

ლექციის შემდგომი ვიქტორინა

მიმოხილვა და თვითშესწავლა

გადახედეთ AI და ML ისტორიას ეს გაკვეთილი-ის წაკითხვით. აიღეთ ელემენტი ჩანახატიდან ამ ან ამ გაკვეთილის ზედა ნაწილში და შეისწავლეთ იგი უფრო ღრმად, რათა გაიგოთ კულტურული კონტექსტი, რომელიც აცნობებს მის ევოლუციას.