Today, artificial intelligence helps doctors diagnose patients, pilots fly commercial aircraft, and city planners predict traffic. But no matter what these AIs are doing, the computer scientists who designed them likely don’t know exactly how they’re doing it. This is because artificial intelligence is often self-taught, working off a simple set of instructions to create a unique array of rules and strategies. So how exactly does a machine learn?
Astăzi, inteligența artificială ajută medicii să diagnosticheze pacienți, piloții să zboare cu aeronave comerciale și urbaniștii să prezică traficul. Indiferent de ceea ce face IA, informaticienii care au programat-o nu ştiu exact cum funcționează. Acest lucru se datorează faptului că IA este adesea autodidactă, folosind un set simplu de instrucțiuni pentru a crea o serie unică de reguli și strategii. Așadar, cum învață mai exact o mașină?
There are many different ways to build self-teaching programs. But they all rely on the three basic types of machine learning: unsupervised learning, supervised learning, and reinforcement learning. To see these in action, let’s imagine researchers are trying to pull information from a set of medical data containing thousands of patient profiles.
Există diverse modalități de a construi programe autodidacte. Dar toate se bazează pe cele trei tipuri de învățare automată: învățare nesupravegheată, supravegheată și de consolidare. Pentru a le vedea în acțiune, să ne imaginăm că cercetătorii încearcă să extragă informații dintr-un set de date medicale ce conțin profilul a mii de pacienți.
First up, unsupervised learning. This approach would be ideal for analyzing all the profiles to find general similarities and useful patterns. Maybe certain patients have similar disease presentations, or perhaps a treatment produces specific sets of side effects. This broad pattern-seeking approach can be used to identify similarities between patient profiles and find emerging patterns, all without human guidance.
Prima, învățarea nesupravegheată. Această abordare ar fi ideală pentru a analiza toate profilurile pentru a găsi similitudini generale și modele utile. Poate unii pacienți au simptome similare sau poate un anume tratament produce efecte secundare distincte. Această abordare de căutare a tiparelor poate fi utilizată pentru a identifica similitudini între profilurile pacienților și a găsi tipare emergente, toate acestea fără îndrumare umană.
But let's imagine doctors are looking for something more specific. These physicians want to create an algorithm for diagnosing a particular condition. They begin by collecting two sets of data— medical images and test results from both healthy patients and those diagnosed with the condition. Then, they input this data into a program designed to identify features shared by the sick patients but not the healthy patients. Based on how frequently it sees certain features, the program will assign values to those features’ diagnostic significance, generating an algorithm for diagnosing future patients. However, unlike unsupervised learning, doctors and computer scientists have an active role in what happens next. Doctors will make the final diagnosis and check the accuracy of the algorithm’s prediction. Then computer scientists can use the updated datasets to adjust the program’s parameters and improve its accuracy. This hands-on approach is called supervised learning.
Dar să ne imaginăm că medicii caută ceva mai specific. Vor să creeze un algoritm pentru a diagnostica o anumită afecțiune. Încep prin colectarea a două seturi de date: imagistică și rezultate ale testelor de la pacienții sănătoși și de la cei diagnosticați cu această afecțiune. Apoi, aceste date se introduc într-un program, pentru a identifica caracteristicile întâlnite la pacienții bolnavi, dar nu și la cei sănătoși. După frecvența anumitor caracteristici, programul le va atribui anumite valori, generând un algoritm pentru diagnosticarea viitorilor pacienți. Cu toate acestea, spre deosebire de învățarea nesupravegheată, medicii și informaticienii au un rol activ în ceea ce se întâmplă în continuare. Medicii vor da diagnosticul final și vor verifica acuratețea predicției algoritmului. Apoi, informaticienii pot utiliza datele actualizate pentru a ajusta parametrii programului și a-i îmbunătăți acuratețea. Această abordare practică se numește învățare supravegheată.
Now, let’s say these doctors want to design another algorithm to recommend treatment plans. Since these plans will be implemented in stages, and they may change depending on each individual's response to treatments, the doctors decide to use reinforcement learning. This program uses an iterative approach to gather feedback about which medications, dosages and treatments are most effective. Then, it compares that data against each patient’s profile to create their unique, optimal treatment plan. As the treatments progress and the program receives more feedback, it can constantly update the plan for each patient. None of these three techniques are inherently smarter than any other. While some require more or less human intervention, they all have their own strengths and weaknesses which makes them best suited for certain tasks. However, by using them together, researchers can build complex AI systems, where individual programs can supervise and teach each other. For example, when our unsupervised learning program finds groups of patients that are similar, it could send that data to a connected supervised learning program. That program could then incorporate this information into its predictions. Or perhaps dozens of reinforcement learning programs might simulate potential patient outcomes to collect feedback about different treatment plans.
Acum, să presupunem că medicii vor să creeze un alt algoritm pentru a recomanda tratamentul. Deoarece aceste planuri vor fi puse în aplicare în etape și se pot schimba în funcție de răspunsul fiecărui individ la tratamente, medicii decid să folosească învățarea prin consolidare. Acest program are o abordare iterativă pentru a colecta feedback cu privire la medicamentele, dozele și tratamentele cele mai eficiente. Apoi, compară aceste date cu profilul fiecărui pacient pentru a crea un tratament unic și optim. În timp ce tratamentele progresează și programul primește feedback, acesta poate actualiza constant planul pentru fiecare pacient. Niciuna dintre aceste trei tehnici nu e mai inteligentă decât alta. Deși unele cer mai multă intervenţie umană decât altele, toate au puncte forte și puncte slabe, ceea ce le face potrivite pentru anumite sarcini. Cu toate acestea, folosindu-le împreună, cercetătorii pot construi sisteme complexe de AI, unde programele individuale pot supraveghea și învăța reciproc. Când programul de învățare nesupravegheată găsește grupuri de pacienți similari, ar putea trimite datele spre un program de învățare supravegheată. Programul ar putea să încorporeze aceste informații în previziunile sale. Sau poate zeci de programe de învățare de consolidare ar putea simula rezultatele pacienților pentru a aduna feedback despre diverse tratamente.
There are numerous ways to create these machine-learning systems, and perhaps the most promising models are those that mimic the relationship between neurons in the brain. These artificial neural networks can use millions of connections to tackle difficult tasks like image recognition, speech recognition, and even language translation. However, the more self-directed these models become, the harder it is for computer scientists to determine how these self-taught algorithms arrive at their solution. Researchers are already looking at ways to make machine learning more transparent. But as AI becomes more involved in our everyday lives, these enigmatic decisions have increasingly large impacts on our work, health, and safety. So as machines continue learning to investigate, negotiate and communicate, we must also consider how to teach them to teach each other to operate ethically.
Există multe modalități de a crea sisteme de învățare automată și poate cele mai promițătoare modele sunt cele care imită relația dintre neuronii creierului. Aceste rețele neuronale artificiale pot utiliza milioane de conexiuni pentru a aborda sarcini dificile, precum recunoașterea imaginii, recunoașterea vorbirii și chiar traducerea limbajului. Dar cu cât aceste modele devin mai independente, cu atât mai greu pentru informaticieni să stabilească modul în care algoritmii autodidacţi găsesc soluţia. Cercetătorii caută modalități de a face învățarea automată mai transparentă. Dar pe măsură ce IA se implică mai mult în viața noastră, aceste decizii au un impact din ce în ce mai mare asupra muncii, sănătății și siguranței noastre. Pe măsură ce mașinile continuă să învețe a investiga, a negocia și a comunica, trebuie să descoperim și cum să le învățăm să se învețe reciproc să funcționeze etic.