Facciamo chiarezza sull’intelligenza artificiale: utile risorsa o pericoloso paradosso?

L’intelligenza artificiale (AI) sta diventando un conflitto più grande che mai. Molte persone si preoccupano che i robot conquistino il mondo. Il concetto di AI spaventa le persone perché non sappiamo come funzionano perché temiamo di creare robot. E se ti dicessi che la maggior parte delle dichiarazioni che hai sentito sull’intelligenza artificiale non erano accurate? Quando dico inappropriato, non rifuggo.

I media sono molto sbagliati quando si tratta di AI. Come puoi parlare dell’IA quando non sai come funziona l’IA e non ne hai esperienza? Ancora peggio, la maggior parte dei contenuti prodotti dai media non include testimonianze di esperti nel campo dell’IA. A questo punto, ha ancora senso se non ti fidi dell’IA; Non mi aspetto che tu sia d’accordo con me fin dall’inizio. Ma si spera, entro la fine di questo articolo, una nuova luce sull’intelligenza artificiale sarà gettata per te.

Parliamo prima di come l’implementazione dell’IA nel mondo di oggi. Molte persone pensano che l’IA sia qualcosa che deve ancora venire in futuro, ma ciò che non capiscono è che l’IA è molto diffusa nella società di oggi. Gmail utilizza l’IA per filtrare lo spam. Facebook usa l’IA per riferirsi agli amici. YouTube e Netflix usano l’IA per consigliare altri video e film. Hai mai sentito parlare dell’analisi dei dati? Si tratta principalmente di apprendimento automatico, un’area specifica dell’IA. Il riconoscimento facciale utilizza l’IA su nuovi iPhone.

La maggior parte dei videogiochi usa l’IA in questi giorni. In poche parole, l’IA è già un tema comune nella maggior parte delle tecnologie che usiamo oggi. La verità è che le persone non hanno molta familiarità con l’IA; non ci interessa in grande. Capisco che l’IA ha alcuni difetti. Ad esempio, se implementato in fabbriche per la produzione di beni, l’IA potrebbe sostituire molti dipendenti, con conseguente maggiore disoccupazione. Ma quando c’è qualcosa che manca di difetti? Non solo, ci sono molti scenari in cui l’IA non mostra rischi e l’IA può risolvere alcuni dei maggiori problemi che affrontiamo oggi.

Ad esempio, l’IA è già stata in grado di diagnosticare varie malattie, in particolare il cancro, con una precisione molto maggiore rispetto ai metodi attuali. C’è stato anche uno studio in cui a 10 radiologi diversi sono state somministrate mammografie diverse di tumori al seno. Questi radiologi hanno dimostrato di avere una variazione del 10–55% nella loro diagnosi. Secondo l’American Cancer Society, 1 su 5 mammografie di screening viene diagnosticata erroneamente. D’altra parte, gli esperti sono stati in grado di diagnosticare l’intelligenza artificiale con una precisione dell’85-90%. Eppure molte persone dicono di non fidarsi dell’IA …

Perché le persone hanno paura dell’IA? Perché le persone affermano che non capiamo? Per affrontare questi problemi, parlerò di alcuni algoritmi nel campo dell’apprendimento automatico.

L’intelligenza artificiale si riduce a molta matematica e molta logica. Hai mai sentito parlare di regressione lineare (nota anche come linea di adattamento ottimale)? E se ti dicessi che la regressione lineare è un esempio di AI? Ovviamente è; questo può essere uno degli algoritmi più elementari in AI, ma è AI. Immettere i dati per creare un modello (linea più adatta) e quindi effettuare una stima in base alla linea. Gran parte dell’IA funziona allo stesso modo; l’unica differenza tra gli algoritmi è il modello generato e lo scopo di quel modello.

L’apprendimento automatico è classificato come supervisionato e non supervisionato. L’apprendimento supervisionato è la pratica di avere etichette per i nostri dati. Le etichette possono essere pensate come risultato. Ad esempio, se disponiamo di un set di dati sul cancro, ogni punto dati viene etichettato come tumore, indipendentemente dal fatto che il tumore sia maligno o benigno. Quindi, nell’apprendimento supervisionato, otteniamo queste etichette, ma nell’apprendimento non supervisionato non abbiamo quelle etichette. L’apprendimento supervisionato può assumere la forma di regressione o classificazione. In regressione, quando si categorizza si tenta di stimare il valore di output dell’input, si tenta di stimare una determinata classe di input.

L’apprendimento non supervisionato spesso comporta algoritmi di clustering; traccia i dati e provi a raggruppare le diverse parti dei dati in gruppi per trovare relazioni e modelli nei dati. Indipendentemente dall’algoritmo di apprendimento automatico utilizzato, tutto ciò si basa sulla matematica. È il computer che esegue la maggior parte dei calcoli, estraendo i numeri in equazioni diverse. Non c’è intelligenza dietro questo, da qui il termine Intelligenza Artificiale; non è vera intelligenza e suona così.

Esiste un tipo specifico di machine learning chiamato deep learning, che si basa su algoritmi chiamati reti neurali. Ci sono molte controversie dietro l’IA qui. Le reti neurali sono algoritmi che simulano il cervello; questo può essere fonte di confusione per molti perché pensano che le reti neurali abbiano la loro intelligenza. Sono difficili da capire con certezza, ma non sono affatto vicini all’intelligenza a livello umano. Le reti neurali hanno tre tipi di livelli: il livello di input, il livello di output e il livello nascosto tra i livelli di input e output. Ogni strato contiene un certo numero di neuroni definiti dal programmatore e ogni neurone è collegato a tutti i neuroni nello strato precedente e a tutti i neuroni nello strato successivo. Ogni neurone ha peso; I neuroni che non si trovano nello strato di input portano il peso dei neuroni nello strato precedente.

Ogni neurone ha anche un pregiudizio, che viene aggiunto a questa quantità di peso per modificare l’inattività di quel neurone. Questa somma ponderata è implementata dalla funzione di attivazione, che converte quel peso in un numero su una scala da 0 a 1. Questo processo continua per ogni neurone con ogni strato fino a raggiungere lo strato di uscita. Facciamo l’esempio di diagnosi del cancro al seno che ho usato prima. Se creiamo una rete neurale per questo problema, assumiamo che gli input siano parametri relativi alla malignità del tumore al seno e che lo strato di output contenga due neuroni. Un neurone rappresenta benigno e un altro indica malignità. Inseriamo i parametri del tumore nella rete e il neurone benigno restituisce 0,02, mentre il neurone maligno restituisce 0,98. Poiché il neurone maligno è in sovrappeso (1 significa 100% in peso), supponiamo che il tumore sia maligno.

Ora, tornando ai livelli, nel livello di input, inserisci i tuoi input e nel livello di output, ottieni l’output. Funzionano in modo simile ad altri tipi di algoritmi di apprendimento automatico. Tuttavia, ad oggi, non capiamo i livelli nascosti, ma sappiamo che lo scopo dell’algoritmo della rete neurale è trovare un insieme di pesi che fornisca un modello di rete neurale molto accurato. Non siamo sicuri di spiegare cosa sta succedendo nei livelli nascosti.

Per illustrare questa incertezza, simuliamo un biliardo con una rete neurale. I neuroni nello strato di input rappresentano ogni palla. I neuroni nello strato di output rappresentano ogni tasca. Ogni livello nascosto rappresenta un parametro che influenza dove sta andando la palla. Uno strato nascosto rappresenta altre palle che possono colpire la palla. Nel semplice gioco del biliardo, abbiamo un momento molto facile per capire quale palla va nella tasca; dobbiamo fare pochissimi calcoli in modo da poter tenere traccia di dove sta andando la palla. Possiamo dire come la palla rimbalza sulle pareti se le pareti sono piatte e come la palla rimbalza sulle altre palle se le palle sono perfettamente sferiche. È una rete neurale molto semplice. Ora aggiungeremo altre palline.

Ci sono più variabili su cui viaggia la palla, quindi può essere un po ‘difficile determinare in quale tasca sta entrando la palla. Questa rete neurale è un po ‘più avanzata della precedente. Ma per ora, aggiungeremo molti più livelli nascosti. Uno strato nascosto indica i muri, ma questa volta i muri non sono piatti; possono essere inclinati o punte. Uno strato nascosto rappresenta la superficie di ogni palla; Cosa succede se non sono perfettamente sferici e sono disallineati in modo irregolare? Uno strato nascosto rappresenta la terra; Invece di avere una terra piatta, la terra è ora inclinata. A questo punto, non puoi prevedere dove sta andando la palla. È molto sofisticato con molte variabili e molti più calcoli.

Questo è un problema che abbiamo con le reti neurali. La maggior parte delle reti neurali utilizzava set di dati di grandi dimensioni con parametri molto grandi, quindi la rete neurale è molto sofisticata da comprendere. Possiamo provare a scomporlo per capire cosa sta succedendo, ma ci vorrà molto tempo. La formazione delle reti neurali può richiedere da pochi minuti a una settimana. Lavoriamo così duramente per gestire tutto e abbiamo difficoltà a mettere insieme i pezzi.

Come le reti neurali e altri algoritmi di apprendimento automatico, non esiste una vera intelligenza; sono così complessi che sembrano avere le loro menti. Il problema con le reti neurali non è la nostra mancanza di controllo su di esse; questa è la loro spiegazione. È molto difficile per noi capire come l’algoritmo ottiene la sua stima corretta. Tuttavia, ci sono molte ricerche su come possiamo realizzare reti neurali più precise, comprensibili ed efficienti. Le reti neurali hanno molti potenziali. Possono raggiungere un’elevata precisione, con una precisione superiore al 90%. Possono anche essere utilizzati per compiti molto sofisticati come la classificazione / riconoscimento delle immagini e l’elaborazione del linguaggio naturale (analisi di un testo).

Pensa alle potenziali applicazioni delle reti neurali. Le loro implicazioni sono ENORMI. Ad esempio, l’apprendimento automatico è diventato popolare per la diagnosi del cancro. L’implementazione dell’apprendimento automatico in bioinformatica può aiutare i pazienti a ottenere un trattamento precoce, salvando molte vite.

L’intelligenza artificiale può risolvere molti problemi del mondo reale. Non solo, ma è stato dimostrato che l’IA può risolvere questi problemi in modo più accurato rispetto ai metodi moderni. Potremmo fare molti progressi grazie all’intelligenza artificiale. Tuttavia, le false dichiarazioni rivendicate da molti sull’IA oggi stanno semplicemente ostacolando questo progresso.

Detto questo, è importante tenere conto degli svantaggi dell’IA. Si teme che i robot porteranno via posti di lavoro alle persone, con conseguente maggiore disoccupazione. e se esistesse un’intelligenza artificiale in grado di creare intelligenza artificiale? È spaventoso, anche per me. Ma l’IA non è la prima cosa che abbiamo avuto se ne è andata troppo male. Avere troppe medicine non è buono perché i batteri svilupperanno resistenza agli antibiotici, ma non avere neanche medicine quando è necessario non è buono. Lavorare troppo non va bene perché hai bisogno di dormire a sufficienza, ma devi anche lavorare per guadagnare abbastanza soldi.

Affinché l’IA sia utilizzata in modo efficace e appropriato, è necessario un equilibrio. Dovrebbe esserci un supporto generale per l’uso dell’IA, ma dovrebbero esserci anche regolamenti su cosa si può fare con l’IA. L’intelligenza artificiale dovrebbe essere promossa, ma dobbiamo assicurarci di non creare un’intelligenza artificiale che possa creare altra intelligenza artificiale perché, a quel punto, non avremo molto controllo sul programma. Finché potremo riuscirci, l’IA sarà il futuro della tecnologia e aiuterà il mondo a diventare un luogo più felice e più sano.