AI, uczenie maszynowe - #22
W odcinku rozmawiamy o sztucznej inteligencji (AI), uczeniu maszynowym, sztucznych sieciach neuronowych. Link do tematu na forum: https://www.elektroda.pl/rtvforum/topic3980394.html
Natomiast jeżeli byśmy do tego stworzyli model, to on uczy się wykrywać pewne wzorce. I wtedy my nie musimy mu mówić, że jeśli będzie to, to, to, to i to, to wtedy to jest spam. Tylko on sam zobaczy, że jeżeli występują takie i takie rzeczy, to to może być spam. Jeżeli jest coś, co jest nietypowego, to zwykłe w maili, to on widzi, że to jest spam. I dzięki temu nie musimy tworzyć tysiąca warunków, żeby móc nauczyć model, że coś jest spamem, a coś nie. No i myślę, że to jest właśnie najlepszy przykład pokazujący, czym się różni sztuczna inteligencja od takich typowych algorytmów. W sposób taki bardzo zwięzły przedstawiłaś, w jaki sposób różni się takie programowanie oparte na IFA, gdzie musimy bardzo dokładnie rozumieć, w jaki sposób chcemy zamodelować algorytm, jakie są zasady.
I to jest coś, co często widać przy modelu SVM. A czym jest model SVM? To jest model, który próbuje, jeżeli mamy klasyfikację, czyli mamy jakieś grupy, które chcemy od siebie rozdzielić, To on, jak tworzy tą linię, czy bardziej może krzywą, rozdzielającą je między sobą, robi to w taki sposób, że oprócz samej linii, mówmy o linii, bo będzie prościej, oprócz samej linii, która rozdziela tę grupę od siebie, żeby ją ustawić, robi to w taki sposób, że do tego dodaje jeszcze dwie linie, jedna po stronie jednej klasy, druga po stronie drugiej klasy, I stara się taki margines wyznaczyć, żeby ten margines pomiędzy klasami był jak największy.
Tak, tak. W sieciach dochodzi to. Jeżeli jesteśmy na etapie takim, że chcemy mieć pewną powtarzalność eksperymentów, które robimy, czy tych modeli, to możemy ustawić tak zwane ziarno losowe, gdzie dosłownie to oznacza tyle, że zawsze będziemy startować od tego samego punktu losowego. Za każdym razem osiągniemy dokładnie ten sam wynik, natomiast to jest takie po prostu ustrukturyzowanie tego, żeby zgubić tą losowość. Właściwie trochę tu mówimy o pseudolosowości, no bo komputer sam w sobie nie rozumie losowości. To, że jesteśmy w stanie na przykład losowo zaimplementować te wagi, no to tak naprawdę to jest efekt tego, że komputer udaje, że jest losowy.
Tak naprawdę, żeby osiągnąć tą bardzo dużą liczbę wartości, które nam przedstawiają gruszkę, to i tak jesteśmy skazani na sieć neuronową. Natomiast są takie przypadki, że już mając taką reprezentację, takie coś wrzucamy czy to do drzewa decyzyjnego, czy jakiegokolwiek innego algorytmu I czasami to naprawdę już daje satysfakcjonujące wyniki. Na przykład decyzja o przydzieleniu kredytu albo jakieś ryzyka dotyczące ubezpieczeń. Podejrzewam, że dałoby się przy pomocy drzew decyzyjnych zamodelować. Tak, to jest właśnie dokładnie przykład z artykułu z bloga, o którym wspominałeś, bo tam na Wilkach i Na Wilkach i Husky tłumaczyłam, jak działa wyjaśnialność, natomiast sam przykład, który analizowałam, to właśnie był scoring kredytowy i wykorzystywałam algorytmy oparte na drzewach decyzyjnych.
Na podstawie tego uczył się, powiedzmy, przewidywać eksperckie ruchy. A kiedy już miał wystarczającą wiedzę, to zastosowano tam coś, co się nazywa uczenie ze wzmacniania i polegało to na tym, że ten algorytm grał sam ze sobą, rozkminiając, rozkminiając to może duże słowo, bo to by sugerowało, że on myśli, tak? Ale rozważając bardzo dużą liczbę możliwych sytuacji, jak się rozegra partia i tak naprawdę przez to, że on sobie grał sam ze sobą, właśnie stał się Ale nie mistrzowie nie są w stanie go pokonać. To jest niepokojące, bo w przypadku Kasparowa z 96-97 Deep Blue był pomiędzy partiami ręcznie ustawiany na styl gry, więc to była po prostu maszynka, która pozwalała na ewaluację najlepszego ruchu.
Natomiast w AlphaGo i w AlphaZero szczególnie niepokojące jest to, że AlphaZero grając sam ze sobą Tylko na podstawie zasad gry, nie korzystając w ogóle z wiedzy wypracowanej przez, tak jak AlphaGo wykorzystywał jeszcze wiedzę mistrzów, to AlphaZero grając za sobą bardzo wiele razy uzyskał poziom przekraczający możliwości mistrzów, więc tutaj jest taki element niepokojący, że sam algorytm zadziałał lepiej niż ludzie. Rzeczywiście, z jednej strony jest to niepokojące, no bo fakt, że on był w stanie całkowicie od zera nauczyć się wypracować technikę, która pokonuje mistrzów, no to jest to rzeczywiście martwiące. Ale z drugiej strony my powinniśmy pamiętać, że to ciągle jest tylko algorytm.
że nieważne czy on się uczy na podstawie danych, gdzie widział, że jak ktoś to rozgrywa, czy uczył się właśnie grając sam ze sobą, to ciągle jest algorytm, on nie ma tego własnego myślenia, więc moim zdaniem nie ma się czego obawiać. Zgadza się. Jest to narzędzie, z którego korzystamy, żeby optymalnie rozwiązać problem. Narzędzie szybko działające. I tutaj możemy łatwo przejść właśnie do modeli językowych, do czata GPT. To jeszcze mocniej działa na wyobraźnię, ponieważ już nie komunikuje się z nami przez planszę Go, przez szachownicę. Te pytania też nie są takie jak w chatbocie, gdzie te otwarcia, rozmów, to widać, że jest to po prostu algorytm. Tutaj mamy Model, który wydaje się rozmawiać jak człowiek, ale nic dziwnego, gdyż uczył się na bardzo dużej ilości tekstu.
Ludzie wtedy tak, potracili pracę, ale na chwilę, po chwili nagle znalazło się kupę innych miejsc pracy, no i nie było to ostatecznie problemem i widzę to dokładnie w ten sam sposób. Jeżeli jakieś prace rzeczywiście zostaną zastąpione, to znajdą się inne prace, chociażby kontrolowanie takiego czata. Już też powstaje inżyniering do promptów, coś takiego. Tak, osoby, które potrafią dobrze zadać pytanie takiemu czatowi, więc nie uważam, że jest to problem. Może to być problem dla osób, które już nie są gotowe na naukę nowych rzeczy, a będą do tego niestety przymuszone, gdyby rzeczywiście zaszła taka zmiana. Natomiast też nie uważam, żeby to się miało stać w przeciągu dwóch, trzech lat, czy nawet tych pięciu lat.
Deepfake, to co już mówiłaś o fali fejków, to może przejść na bardziej skuteczną dezinformację. To może być ten problem trudności rozróżnienia prawdy od fikcji w mass mediach, w internecie. No i tak zastanawiałem się również, jeżeli chodzi o uczenie kolejnych wersji czatu GPT. Do tej pory czat miał dużą ilość danych, którą generowali ludzie. W momencie, gdy AI będzie umieszczało coraz więcej treści w internecie, no, to może się okazać, że będzie się uczył też na treściach, które sam wygenerował. To byłoby ciekawe doświadczenie, bo trochę sobie to wyobrażam, jak ten AlphaGo, który się uczył ze wzmacnianiem po prostu grając sam ze sobą, tak? To taki czad by mógł uczyć się właśnie ze swoich tekstów, tylko od razu mi się pojawia w głowie pytanie, co on się z tego nauczy?
Pokazano wszystkie 9 dopasowań. Transkrypcja generowana automatycznie i niesprawdzana ręcznie — może zawierać błędy.
Andrzej Mujnik przedstawia gościa Kingę Głąbińską, prowadzącą blog analityczny umysł.pl, i omawia temat sztucznej inteligencji i uczenia maszynowego.
Kinga Głąbińska omawia różnice między uczeniem maszynowym a tradycyjnym programowaniem opartym na if-then, przykładowym problemie spamu.
Kinga Głąbińska omawia architekturę sztucznych sieci neuronowych, w tym strukturę warstwową, funkcje aktywacji i problem kosztu obliczeniowego.
Kinga Głąbińska omawia problem kosztu obliczeniowego w sztucznych sieciach neuronowych i wprowadza kwestię ekologii.
Kinga Głąbińska wyjaśnia proces przetwarzania danych wejściowych i strukturę sieci neuronowej, w tym warstwy neuronowe i proces uczenia.
Kinga Głąbińska omawia proces uczenia w sztucznych sieciach neuronowych, w tym koncept minimum lokalnego i globalnego.
Kinga Głąbińska omawia dygresję na temat struktur biologicznych i wprowadza kwestię jakości danych wejściowych.
Kinga Głąbińska omawia przykład pułapki sztucznej inteligencji, w tym problem klasyfikacji wilków i husków.
Kinga Głąbińska omawia ataki na sztuczne inteligencje i wprowadza drzewa decyzyjne jako alternatywny mechanizm uczenia maszynowego.
Kinga Głąbińska porównuje drzewa decyzyjne i sieci neuronowe, w tym ich zalety i wady, oraz wprowadza Akinator.com jako przykład.
Kinga Głąbińska omawia logikę rozmytą w sztucznej inteligencji, w tym jej zastosowanie w klasztorfikacji obiektów.
Rozmowa kontynuuje temat uczenia maszynowego, analiza modelu ChatGPT i zagrożenia związane z AI, takie jak dezinformacja i oszustwa.
Rozmowa o niechęci do rozmów z czatem i społecznym nastawieniu do AI.
Promocja bloga i Instagrama oraz informacje o mentoringu i szkoleniach.
Przykłady zastosowań AI w firmie produkującej uszczelki i rozwijaniu modeli uczenia maszynowego.
Podziękowania za udział w rozmowie i zaproszenie do kolejnych odcinków.
Rozdziały i streszczenia generowane automatycznie. Pełna transkrypcja nie jest publikowana — wyszukaj frazę, aby zobaczyć dopasowane fragmenty.
Kliknij, aby znaleźć fragmenty, w których pada.