Nee ShowmeCAST 143 Vanaf deze week, Daniel e Dacisch praten over Kunstmatige intelligentie. Nooit eerder in de geschiedenis van de mensheid is er zoveel over dit onderwerp gezegd en misschien zijn er nog nooit zoveel transformaties in de samenleving geweest als gevolg van dit onderwerp. De grote opeenstapeling van gegevensgenererende bronnen en de vooruitgang in analyse- en machine learning-technologieën betekent dat niet alleen onze internetervaring wordt gevormd door AI, maar dat ons leven momenteel wordt gepersonaliseerd door de impact van deze nieuwigheid. Ofwel via algoritmen waardoor je een product koopt Amazone of door ChatGPT, Kunstmatige intelligentie is aanwezig in ons leven en we gaan bespreken wat de gevolgen en de toekomst zijn van deze nieuwe realiteit.
Wat is kunstmatige intelligentie?
Het begrip intelligentie – hoewel er verschillende definities zijn – , aldus de Oxford talen, is het vermogen om te weten, te begrijpen en te leren, zich aan te passen aan nieuwe situaties. Intelligent zijn wordt bijna altijd geassocieerd met het vermogen om te leren en door dit idee in de context van computers te plaatsen, wordt kunstmatige intelligentie gedefinieerd door het vermogen van een machine om patronen te detecteren en ervan te leren om op de meest efficiënte en nauwkeurige manier een gewenste oplossing te genereren. manier mogelijk. .
We spraken op ShowmeCAST 143 over hoe de realiteit van AI verschilt van wat ons werd geleerd via sciencefictionfilms toen de robot het verlangen had om de wereld te domineren of de planeet van de mensheid te bevrijden. Computerintelligentie wordt geassocieerd met een reeks vaardigheden die zijn geprogrammeerd vanuit een statistische database en het concept van Machine leren waar het algoritme deze basis gebruikt om probabilistisch te voorspellen wat er zou kunnen gebeuren.
Hoe leert een machine?
Met het succes van ChatGPT en de intensivering van de personalisatie van de gebruikerservaring op internet, machines beginnen een intens onderdeel van ons leven te worden. Maar zijn we gestopt om na te denken over hoe het leren van een computer plaatsvindt? De 4 meest basale vormen van machine learning die worden gebruikt, gebruiken historische gegevens als invoer om de uitvoergegevens te voorspellen en kunnen worden toegepast op fraudedetectie in systemen, procesautomatisering en, wat recentelijk populair is geworden, in natuurlijke taalverwerking.
- leren onder toezicht
Bij dit type leren wordt een set trainingsgegevens aan het algoritme geleverd, met bijbehorende inputs (features) en outputs (labels). Het doel is dat het model leert om de invoer te koppelen aan de juiste uitvoer, zodat het deze kennis kan generaliseren om de labels te voorspellen van nieuwe voorbeelden die nog niet eerder zijn gezien.
Tijdens de training analyseert het algoritme de patronen en relaties in de trainingsgegevens, waarbij de interne parameters worden aangepast om het verschil tussen de voorspelde uitvoer en de daadwerkelijk geleverde labels te minimaliseren.
- onbegeleid leren
In dit geval hebben we leren met hetzelfde doel, maar we proberen natuurlijke groeperingen van overeenkomsten tussen individuen of objecten te identificeren zonder het label dat eerder voor identificatie is verstrekt. Algoritmen voor leren zonder toezicht kunnen technieken gebruiken zoals clustering (clustering), waarbij gegevens worden gegroepeerd in clusters op basis van hun gelijkenis, of hoofdcomponentanalyse, die de dimensionaliteit van de gegevens vermindert terwijl de meeste variabiliteit behouden blijft. Deze technieken helpen om de gegevens op een verkennende manier te verkennen en nuttige kennis te extraheren zonder dat er reeds bestaande labels nodig zijn.
- semi-begeleid leren
Semi-supervised learning is een hybride aanpak die elementen van begeleid en niet-gesuperviseerd leren combineert. Bij dit type leren heeft het model tijdens de training toegang tot zowel gelabelde als niet-gelabelde gegevens.
De belangrijkste motivatie achter semi-gesuperviseerd leren is om te profiteren van de beschikbaarheid van grote niet-gelabelde datasets, die mogelijk gemakkelijker te verkrijgen of overvloediger zijn dan gelabelde datasets. Het idee is dat gelabelde data accurate en betrouwbare informatie geven over de gewenste klassen of categorieën, terwijl niet-gelabelde data helpen om de structuur en variabiliteit van de data beter vast te leggen.
- versterkend leren
Ten slotte is versterkend leren een type waarbij een agent interactie heeft met een dynamische omgeving en leert acties te ondernemen om een cumulatieve beloning in de loop van de tijd te maximaliseren. Het is geïnspireerd op het leerproces dat bij mensen en dieren plaatsvindt wanneer ze beslissingen nemen en feedback krijgen door middel van beloningen en straffen.
Bij dit type leren ontvangt de agent geen gelabelde voorbeelden of expliciete instructies over welke acties moeten worden ondernomen. Integendeel, het verkent de omgeving door middel van vallen en opstaan, het ondernemen van acties en het ontvangen van beloningen of straffen van de omgeving als reactie op die acties. Het doel van de agent is om een besluitvormingsbeleid te leren dat de cumulatieve beloning in de loop van de tijd maximaliseert.
De toekomst van machines en de mensheid
Ten slotte bespraken we op ShowmeCAST 143 de toekomst van machines en hoe het personaliseren van onze ervaring positief of schadelijk kan zijn. Er zijn verschillende gevallen waarin kunstmatige intelligentie kan worden gebruikt ten behoeve van de mensheid, terwijl het tegelijkertijd met slechte bedoelingen of slecht geïnstrueerde verkeerde conclusies kan trekken. Correcte gegevens kunnen onjuiste voorspellingen genereren. We bespraken in de aflevering hoe causaliteit en correlatie verschillende termen zijn en zelfs door geleerden in het gebied kunnen worden verward.
In feite zijn er oplossingen die zullen ontstaan door middel van kunstmatige intelligentie, evenals nieuwe problemen die zullen verschijnen in deze nieuwe technologische revolutie die de komende jaren zal komen. Het zal onze rol zijn om te debatteren en te bespreken hoe we deze nieuwe bron kunnen laten werken voor een beter leven voor iedereen.
Als je ons werk leuk vindt en volgt, overweeg dan om meldingen van te volgen en te activeren ShowmeCAST, jouw podcast over technologie, games, wetenschap, cultuur en vele curiosa over wat er in de wereld gebeurt. Het programma is beschikbaar op diensten zoals Spotify, Apple Podcasts en andere aggregators.
Zie ook
Als je hier bent gekomen en onze nieuwste aflevering nog niet hebt gehoord, spoel dan je feed terug om bij te praten. aflevering #142 van ShowmeCAST. Bij de gelegenheid spraken we over wat we de afgelopen weken volgden in series, films en games. Verlies niet!
Beoordeeld door Glaucon Vital op 24-5-23.
