[What Is Artificial Intelligence?]
Ostatnio trafiłem na ciekawą stronę na portalu The Motley Fool omawiającą zagadnienie AI. Poniższy wpis jest polskim tłumaczeniem artykułu „Co to jest Sztuczna Inteligencja?” (ang. „What Is Artificial Intelligenca?”)
Co to jest Sztuczna Inteligencja, w skrócie AI ?
Sztuczna inteligencja wykorzystuje maszyny – zazwyczaj komputery – do naśladowania ludzkiej inteligencji. Chociaż toczą się debaty na temat jej użyteczności, sztuczna inteligencja stała się powszechna w aplikacjach, które obejmują zarówno tworzenie generatywnych chatbotów, jak i wybory wyświetlane np. w kolejce programów w serwisie Netflix. Czytaj dalej, aby dowiedzieć się więcej o tej szybko rozwijającej się dziedzinie i o tym, co może ona oznaczać dla Ciebie i Twojego portfela inwestycyjnego.
Czym jest sztuczna inteligencja?
Sztuczna inteligencja, kiedyś była podstawą fantastyki naukowej – dzisiaj jest powszechnie używana przez miliardy ludzi. Chociaż nie ma ustalonej definicji, ogólnie przyjmuje się, że sztuczna inteligencja to wykorzystanie komputerów do naśladowania ludzkiego osądu. W dzisiejszych czasach jest używana przez prawie każdą branżę, często w sposób bardzo subtelny aby można ją było zauważyć.
Kategorie sztucznej inteligencji
Istnieją trzy podstawowe kategorie sztucznej inteligencji:
– Wąska sztuczna inteligencja: Sztuczna inteligencja może być zbudowana do bardzo konkretnych zadań, takich jak granie w grę, eliminowanie spam’u przychodzącego do skrzynki odbiorczej, pomoc w znalezieniu pobliskiej restauracji za pomocą smartfona, a nawet prowadzenie samochodu.
– Ogólna sztuczna inteligencja: Z większym podobieństwem do ludzkich możliwości, ogólna sztuczna inteligencja to bardziej zaawansowana forma, która może obejmować przetwarzanie wizualne i językowe, rozumienie kontekstowe i zdolność do dostosowania się do szeregu zadań. Uważa się, że jest to odległa przyszłość.
–Sztuczna super inteligencja: Wyobraźcie sobie maszynę, która jest mądrzejsza od was – o wiele mądrzejsza. Sztuczna superinteligencja to wciąż tylko teoria, ale postępy w rodzącej się sztucznej inteligencji rodzą interesujące i niepokojące pytania dotyczące przyszłości ludzkości.
Rodzaje sztucznej inteligencji
Rozprzestrzenianie się danych i innych zasobów internetowych spowodowało eksplozję wykorzystania sztucznej inteligencji. Ale nie każda sztuczna inteligencja jest taka sama. Przyjrzymy się czterem różnym typom sztucznej inteligencji, aby dać Ci wyobrażenie o tym, jak jest rozwijana i jak jest wykorzystywana.
1. Uczenie maszynowe
Ideą uczenia maszynowego jest wykorzystanie przykładowych danych do trenowania programów komputerowych w rozpoznawaniu wzorców na podstawie algorytmów. Programy uczenia maszynowego pozwalają komputerom robić rzeczy bez konieczności programowania. Wydajność uczenia maszynowego generalnie zależy od algorytmu.
Technologia uczenia maszynowego – gałąź sztucznej inteligencji (AI), która umożliwia komputerom naśladowanie sposobu, w jaki ludzie uczą się i dostosowują do nich za pomocą danych i doświadczenia – nie jest nowa. Wczesne prace rozpoczęły się pod koniec lat pięćdziesiątych, a powstanie terminu „uczenie maszynowe” przypisuje się naukowcowi IBM, Arthurowi Samuelowi.
Na początku lat sześćdziesiątych XX wieku komputer wyposażony w uczenie maszynowe pokonał naukowców w grze w warcaby. Obecnie systemy uczenia maszynowego radzą sobie ze znacznie bardziej złożonymi problemami. Na co dzień korzystasz z uczenia maszynowego, gdy wyszukujesz w Internecie lub otrzymujesz polecany program telewizyjny lub film np. w Netflix.
Wszelkiego rodzaju firmy starają się zastosować uczenie maszynowe w swoich operacjach. Według badacza Statista, globalne wydatki na uczenie maszynowe wyniosą około 113 miliardów dolarów w 2025 roku i będą rosły w tempie skumulowanego rocznego wzrostu wynoszącego prawie 35% do 2030 roku, kiedy to przewiduje się, że rynek osiągnie 503 miliardy dolarów. Biorąc pod uwagę te prognozy, inwestowanie w spółki z ekspozycją na uczenie maszynowe może przynieść obfite korzyści.
2. Sieci neuronowe
Sieci neuronowe to systemy komputerowe zaprojektowane do naśladowania neuronów w mózgu. Sieci są zaprojektowane tak, aby uczyć się na podstawie przykładów przetwarzania, przy użyciu dobrze zrozumiałych danych wejściowych i przewidywanego wyniku. W miarę zdobywania doświadczenia przez sieć, jej dane wyjściowe odzwierciedlają zamierzony wynik.
Na przykład Alphabet, spółka macierzysta giganta wyszukiwania Google, prowadzi badania nad sieciami neuronowymi od 2014 roku. Projekt DeepMind ma na celu wykorzystanie sztucznej inteligencji do budowy jeszcze potężniejszych algorytmów. Projekt jest najbardziej znany ze swojej sieci neuronowej, która nauczyła się grać w 49 różnych gier wideo Atari, oglądając piksele i wynik na ekranie.
3.Przetwarzanie języka naturalnego.
Pzretwarzanie języka naturalnego jest często mylone z prostym rozpoznawaniem mowy. Z pewnością obejmuje to zdolność rozumienia mowy, ale wiąże się to z czymś więcej niż prostymi tłumaczeniami audio na tekst (i odwrotnie). Jednym z celów przetwarzania języka naturalnego jest zaprojektowanie komputera tak, aby w pełni rozumiał i analizował dokumenty.
Przetwarzanie języka naturalnego (Natural Language Processing – NLP) to szybko rozwijający się rodzaj sztucznej inteligencji (AI). Prawdopodobnie skorzystałeś z NLP, jeśli zapytałeś swojego smartfona o drogę do restauracji lub uruchomiłeś sprawdzanie pisowni w edytorze tekstu. Czytaj dalej, aby dowiedzieć się więcej o NLP, jego historii i rozwoju oraz o tym, jak jest wykorzystywane.
Co to jest przetwarzanie języka naturalnego?
NLP to coraz powszechniejsza gałąź sztucznej inteligencji, którą można znaleźć we wszystkim, od smartfonów po domowe kuchnie, i obejmuje zdolność komputerów do rozumienia języka mówionego i tekstu. Chociaż większość zastosowań jest dość zwyczajna np. Alexa, jednakże NLP staje się coraz bardziej wyrafinowane.
Na przykład narzędzia takie jak Generative Pre-trained Transformer 3 (GPT-3), opracowane przez OpenAI, wykorzystują model uczenia maszynowego sieci neuronowej, który może nie tylko kodować, ale także pisać artykuły i odpowiadać na pytania, często w sposób praktycznie nie do odróżnienia od ludzkiej odpowiedzi.
Rozwój przetwarzania języka naturalnego
Na ogół myślimy o sztucznej inteligencji i jej gałęziach, takich jak NLP, jako o stosunkowo nowych zjawiskach. Ale tak naprawdę sięga 1950 roku, kiedy słynny matematyk Alan Turing opracował kryteria określające, czy komputer jest zdolny do sztucznej inteligencji. Jednym z kryteriów testu było podjęcie decyzji, czy komputer jest w stanie interpretować i generować język naturalny.
Przez następne 50 lat lingwiści opracowywali NLP przy użyciu żmudnych reguł prób i błędów. Jednak w latach dziewięćdziesiątych komputery stały się znacznie szybsze i bardziej zdolne do wykonywania obliczeń w ciągu kilku sekund, nawet tych, które wcześniej zajmowały godziny lub dni.
Rezultatem było przejście na metody statystyczne w celu rozwinięcia możliwości NLP. Obecne podejście do NLP wykorzystuje zarówno metody lingwistyczne, jak i statystyczne do interpretacji instrukcji i reagowania na nie.
NLP składa się z dwóch podstawowych etapów: wstępnego przetwarzania danych i opracowania algorytmu. Wstępne przetwarzanie danych zazwyczaj wykorzystuje co najmniej jeden z czterech kroków, aby umożliwić maszynie pracę z danymi tekstowymi:
– Tokenizacja: Tekst jest podzielony na strawne części.
– Zatrzymaj usuwanie słów: Popularne słowa są usuwane z tekstu, dostarczając więcej informacji z unikalnych słów.
– Lematyzacja: Słowa są redukowane do swoich form źródłowych.
– Tagowanie części mowy: słowa są podzielone na części mowy (tj. rzeczowniki, czasowniki itd.).
Po zakończeniu wstępnego przetwarzania danych algorytm przejmuje kontrolę. W NLP używane są dwa główne typy:
– Oparte na regułach: To podejście wykorzystuje techniki lingwistyczne, które umożliwiają komputerowi przetwarzanie informacji. Jest to podejście podobne do podejścia stosowanego w bardzo wczesnych dniach sztucznej inteligencji.
– Oparte na uczeniu maszynowym: Systemy statystyczne są wykorzystywane do uczenia komputera przetwarzania informacji, często przy użyciu kombinacji uczenia maszynowego i sieci neuronowych.
Zastosowania przetwarzania języka naturalnego
Narzędzia takie jak wirtualny asystent Apple, Siri i oparta na chmurze usługa głosowa Amazon Alexa sprawiły, że NLP stało się powszechne. Jednak wielu ekspertów martwi szereg obaw związanych z NLP.
Częściowo można to przypisać ogromnej liczbie zadań, które obecnie wykonują ludzie, a które komputery mogą wykonać w nadchodzących latach. Na przykład gigant technologiczny IBM przytoczył kilka potencjalnych zastosowań NLP w rzeczywistych zastosowaniach, które mogły umknąć uwadze wielu osób:
– Wykrywanie spamu: NLP może używać wielu reguł do usuwania wiadomości e-mail i tekstów, które (miejmy nadzieję) są spamem, eliminując wiadomości zawierające słabą pisownię, złą gramatykę, nieodpowiednią pilność i inne typowe cechy uciążliwych wiadomości.
– Tłumaczenie maszynowe: Tłumaczenie słów z jednego języka na drugi nie zawsze jest prostą propozycją. IBM zauważa na przykład, że angielskie powiedzenie: „Duch jest chętny, ale ciało jest słabe” zostało pierwotnie przetłumaczone na język rosyjski jako „Wódka jest dobra, ale mięso jest zepsute”. Cały czas musimy być świadomi błędów popełnianych przez tego typu algorytmy. Usługa Tłumacz Google pozostaje dalej standardem najczęściej stosowanym.
– Wirtualni agenci i chatboty: Wraz z opracowywaniem lepszych algorytmów chatboty stają się nieco mniej irytujące niż zautomatyzowane telefoniczne odpowiedzi obsługi klienta. Podobnie wirtualni agenci, tacy jak Siri i Alexa, stale się doskonalą, rozpoznając kontekst i udzielając lepszych odpowiedzi.
– Nastroje w mediach społecznościowych: NLP staje się nie tylko obroną przed dezinformacją i mową nienawiści w mediach społecznościowych, ale może również powiedzieć firmom, co ich klienci naprawdę myślą o ich produktach, promocjach i wydarzeniach. Analiza sentymentu może pomóc firmom w projektowaniu lepszych produktów i reklam.
– Podsumowanie tekstu: Wykorzystuje NLP do syntezy i podsumowania dużych ilości tekstu. Niektóre aplikacje mogą nawet używać podstawowego rozumowania do generowania kontekstu podsumowań, a także wniosków.
4. Robotyka
Wykorzystanie robotów sięga setek lat wstecz, ale maszyny, które mogą pomagać ludziom bez faktycznego udziału człowieka, są znacznie nowsze. Jeden z pierwszych autonomicznych robotów został zainstalowany w 1961 roku i służył do podnoszenia gorących kawałków metalu z maszyny. Od tego czasu roboty stały się znacznie bardziej powszechne. Są używane w różnych zastosowaniach, od eksploracji kosmosu po odkurzanie dywanów.
Robotyka wykroczyły poza zastosowania przemysłowe i są wykorzystywane w szerokim zakresie zastosowań, w tym w medycynie. Przykładem może być System da Vinci stworzony przez Intuitive Surgical, stosowany w szerokim zakresie zabiegów, w tym w operacjach zastawki serca, prostaty i ginekologicznych.
Znaczenie sztucznej inteligencji
Oczywiście, sztuczna inteligencja ma ogromne konsekwencje dla prawie każdego ludzkiego przedsięwzięcia, jakie możesz sobie wyobrazić – w tym inwestowania. Wyobraź sobie robo-doradcę, który automatycznie śledzi Twój portfel i maksymalizuje jego wartość, dokonując natychmiastowych i spersonalizowanych korekt w oparciu o rozmowy o zarobkach firmy, wahania kursów walut, a nawet prognozy pogody.
To kusząca wizja, ale z minusami. Sztuczna inteligencja kosztuje, czyniąc ją (na razie) domeną bogatych korporacji. Nawet projektanci sztucznej inteligencji nie są w stanie przewidzieć każdej potencjalnej pułapki. I, oczywiście, zawsze istnieje scenariusz końca świata, w którym sztuczna inteligencja decyduje, że ludzie po prostu nie są warci zachodu (pomyśl o filmach „Matrix” lub „Terminator”).
Właśnie teraz pojawia się wiele pytań związanych ze sztuczną inteligencją. Zdobycie odpowiedzi na nie może trwać dziesięciolecia. Ale dobrym pomysłem jest śledzenie tego megatrendu, który może wpłynąć na świat w sposób, którego prawdopodobnie jeszcze nie możemy sobie wyobrazić.
Na koniec kilka przykładów spółek wykorzystujących AI i ich wyceny na przestrzeni ostatnich lat:
– Nvidia: jeśli zainwestowałeś 1 000 USD, gdy podwoiliśmy naszą wartość w 2009 roku, miałbyś dzisiaj 461 605 USD!
– Apple: jeśli zainwestowałeś 1 000 USD, gdy podwoiliśmy wartość w 2008 roku, miałbyś dzisiaj 43 287 USD!
– Netflix: jeśli zainwestowałeś 1 000 USD, gdy podwoiliśmy wartość w 2004 roku, miałbyś dzisiaj 649 657 USD!
Jeśli chcesz dostawać powiadomienia o nowych wpisach na blogu be PRO active to zachęcam do zapisania się do listy dystrybucyjnej oraz o dołączenie do mediów społecznościowych powiązanych z blogiem be PRO active.
KG