Lupakan malapetaka dan kehebohan AI, mari kita jadikan komputer berguna

Pendekatan Sistem Pengungkapan penuh: Saya memiliki sejarah dengan AI, pernah mencobanya pada tahun 1980an (ingat sistem pakar?) dan kemudian dengan aman menghindari musim dingin AI di akhir tahun 1980an dengan beralih ke verifikasi formal sebelum akhirnya menggunakan jaringan sebagai spesialisasi saya. 1988.

Dan sama seperti kolega Pendekatan Sistem saya, Larry Peterson, yang memiliki buku klasik seperti manual Pascal di rak bukunya, saya masih memiliki beberapa buku AI dari tahun delapan puluhan, terutama buku PH Winston. Kecerdasan Buatan (1984). Membolak-balik buku itu sungguh menyenangkan, dalam artian sebagian besar sepertinya baru ditulis kemarin. Misalnya, kata pengantar dimulai seperti ini:

Saya juga tertarik melihat beberapa contoh “apa yang dapat dilakukan komputer” pada tahun 1984. Salah satu contohnya adalah memecahkan masalah kalkulus yang sangat sulit – penting karena aritmatika yang akurat tampaknya berada di luar kemampuan sistem berbasis LLM saat ini.

Jika kalkulus sudah dapat diselesaikan oleh komputer pada tahun 1984, sementara aritmatika dasar menghambat sistem yang kita anggap canggih saat ini, mungkin kemajuan AI dalam 40 tahun terakhir tidak sebesar yang terlihat pada pandangan pertama. (Bisa dikatakan, bahkan ada lebih baik sistem penanganan kalkulus saat ini, mereka tidak didasarkan pada LLM, dan tidak jelas apakah ada yang menyebutnya sebagai AI.)

Salah satu alasan saya mengambil salinan Winston saya yang lama adalah untuk melihat apa yang dia katakan tentang definisi AI, karena itu juga merupakan topik yang kontroversial. Pandangan pertamanya mengenai hal ini tidak terlalu menggembirakan:

Baiklah, itu cukup melingkar, karena Anda perlu mendefinisikan kecerdasan, seperti yang diakui Winston. Namun dia kemudian menyatakan dua tujuan AI:

1. Agar komputer menjadi lebih berguna
2. Untuk memahami prinsip-prinsip yang memungkinkan terjadinya kecerdasan.

Dengan kata lain, sulit untuk mendefinisikan kecerdasan, tapi mungkin studi tentang AI akan membantu kita lebih memahami apa itu kecerdasan. Saya berani mengatakan bahwa kita masih berdebat tentang apa yang dimaksud dengan intelijen 40 tahun kemudian. Tujuan pertama tampaknya patut dipuji, tetapi jelas berlaku untuk banyak teknologi non-AI.

Perdebatan mengenai arti “AI” terus membayangi industri ini. Saya telah menemukan banyak kata-kata kasar bahwa kita tidak memerlukan istilah Artificial General Intelligence, alias AGI, jika saja istilah AI tidak begitu dicemari oleh orang-orang yang memasarkan model statistik sebagai AI. Saya tidak benar-benar membeli ini. Sejauh yang saya tahu, AI selalu mencakup berbagai teknik komputasi, yang sebagian besar tidak akan membodohi siapa pun dengan berpikir bahwa komputer menampilkan tingkat kecerdasan manusia.

Ketika saya mulai terlibat kembali dengan bidang AI sekitar delapan tahun yang lalu, jaringan saraf – yang digunakan oleh beberapa rekan saya pada tahun 1988 sebelum tidak lagi disukai – kembali muncul secara mengejutkan, hingga pada titik di mana pengenalan gambar oleh deep jaringan saraf miliki melampaui kecepatan dan keakuratan manusia meskipun dengan beberapa peringatan. Peningkatan AI ini menyebabkan tingkat kecemasan tertentu di antara rekan-rekan teknik saya di VMware, yang merasakan adanya perubahan teknologi penting yang (a) sebagian besar dari kita tidak memahaminya (b) perusahaan kita tidak berada dalam posisi untuk memanfaatkannya. .

Saat saya terjun ke dalam tugas mempelajari bagaimana jaringan saraf beroperasi (dengan a bantuan besar dari Rodney Brooks) Saya menyadari bahwa bahasa yang kita gunakan untuk membicarakan sistem AI memiliki dampak yang signifikan terhadap cara kita memikirkannya. Misalnya, pada tahun 2017 kita banyak mendengar tentang “pembelajaran mendalam” dan “jaringan saraf dalam”, dan penggunaan kata “dalam” memiliki arti ganda yang menarik. Jika saya mengatakan bahwa saya memiliki “pemikiran yang mendalam”, Anda mungkin membayangkan bahwa saya sedang memikirkan tentang makna hidup atau sesuatu yang sama pentingnya, dan “pembelajaran mendalam” sepertinya menyiratkan hal serupa.

Namun sebenarnya “deep” dalam “deep learning” mengacu pada kedalaman, diukur dalam jumlah lapisan, dari jaringan saraf yang mendukung pembelajaran. Jadi ini bukan “dalam” dalam arti bermakna, tapi dalam seperti sebuah kolam renang yang memiliki ujung yang dalam – yaitu kolam yang memiliki lebih banyak air di dalamnya. Makna ganda ini berkontribusi pada ilusi bahwa jaringan saraf sedang “berpikir”.

Kebingungan serupa juga terjadi pada “pembelajaran”, yang mana Brooks sangat membantu: Jaringan saraf dalam (DNN) menjadi lebih baik dalam suatu tugas jika semakin banyak data pelatihan yang terpapar, maka dalam hal ini ia “belajar” dari pengalaman, namun cara belajarnya tidak seperti cara manusia mempelajari sesuatu.

Sebagai contoh bagaimana DNN belajar, pertimbangkan AlphaGo, sistem permainan yang menggunakan jaringan saraf untuk mengalahkan grandmaster manusia. Menurut pengembang sistem, meskipun manusia dapat dengan mudah menangani perubahan ukuran papan (biasanya grid 19×19), perubahan kecil akan membuat AlphaGo tidak berdaya hingga ia mempunyai waktu untuk melatih data baru dari papan yang diubah ukurannya.

Bagi saya, hal ini dengan jelas menggambarkan bagaimana “pembelajaran” DNN pada dasarnya berbeda dengan pembelajaran manusia, meskipun kita menggunakan kata yang sama. Jaringan saraf tidak dapat menggeneralisasi apa yang telah “dipelajarinya”. Dan untuk menegaskan hal ini, AlphaGo baru-baru ini dikalahkan oleh lawan manusia yang berulang kali menggunakan gaya permainan yang tidak ada dalam data latihan. Ketidakmampuan untuk menangani situasi baru tampaknya menjadi ciri khas sistem AI.

Masalah bahasa

Bahasa yang digunakan untuk mendeskripsikan sistem AI terus memengaruhi cara kita berpikir tentang sistem tersebut. Sayangnya, mengingat penolakan yang beralasan terhadap hype AI baru-baru ini, dan beberapa kegagalan penting pada sistem AI, kini banyak orang yang yakin bahwa AI sama sekali tidak berguna, sama seperti jumlah orang yang berpendapat bahwa AI akan mencapai kecerdasan mirip manusia. .

Saya sangat skeptis terhadap kelompok yang terakhir, seperti diuraikan di atas, namun saya juga berpikir akan sangat disayangkan jika kita mengabaikan dampak positif yang dapat ditimbulkan oleh sistem AI – atau, jika Anda lebih suka, sistem pembelajaran mesin –.

Saat ini saya sedang membantu beberapa rekan saya dalam menulis buku tentang aplikasi pembelajaran mesin untuk jaringan, dan tidak mengherankan jika ada banyak masalah jaringan yang bisa diatasi dengan solusi berbasis ML. Secara khusus, jejak lalu lintas jaringan adalah sumber data yang luar biasa, dan data pelatihan adalah sumber berkembangnya sistem pembelajaran mesin.

Aplikasi mulai dari pencegahan penolakan layanan hingga deteksi malware hingga geolokasi semuanya dapat menggunakan algoritme ML, dan tujuan buku ini adalah membantu orang-orang yang berjejaring memahami bahwa ML bukanlah bubuk ajaib yang Anda taburkan pada data Anda untuk mendapatkannya. jawabannya, namun seperangkat alat teknik yang dapat diterapkan secara selektif untuk menghasilkan solusi terhadap permasalahan nyata. Dengan kata lain, bukan obat mujarab atau plasebo yang berlebihan. Tujuan dari buku ini adalah untuk membantu pembaca memahami alat ML mana yang cocok untuk berbagai kelas masalah jaringan.

Salah satu cerita yang menarik perhatian saya beberapa waktu lalu adalah penggunaan AI untuk membantu Network Rail di Inggris mengelola vegetasi yang tumbuh di sepanjang jalur kereta api Inggris. Teknologi “AI” yang utama di sini adalah pengenalan gambar (untuk mengidentifikasi spesies tanaman) – memanfaatkan jenis teknologi yang DNN berikan selama dekade terakhir. Mungkin tidak semenarik sistem AI generatif yang menarik perhatian dunia pada tahun 2023, namun merupakan penerapan teknik yang baik dan praktis di bawah payung AI.

Kecenderungan saya saat ini adalah mencoba menggunakan istilah “pembelajaran mesin” daripada AI pada saat yang tepat, dengan harapan dapat menghindari sensasi dan reaksi alergi yang sekarang dihasilkan oleh “AI”. Dan dengan kata-kata Patrick Winston yang masih segar dalam ingatan saya, saya mungkin akan membahas tentang “membuat komputer berguna.” ®

• Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
• PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
• PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
• PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
• PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
• Sumber: https://go.theregister.com/feed/www.theregister.com/2024/04/25/ai_usefulness/