Inteligența artificială = Megadate + Învățarea automată

Aspecte importante

Inteligența artificială (Artificial Intelligence, AI) modernă învață în mare parte din date.

Pro:

• capacitatea de a face față problemelor nerezolvate care necesită „inteligență”, cum ar fi înțelegerea limbajului natural și recunoașterea conținutului imaginilor.

Contra:

• alte aspecte ale inteligenței rămân în urmă, cum ar fi raționamentul, adaptarea la mediile umane și interacțiunea om-mașină;
• calitatea sistemelor AI depinde în totalitate de calitatea datelor.

Inteligența artificială a progresat până la punctul în care este o componentă esențială în aproape toate sectoarele economiei moderne de astăzi, cu un impact semnificativ asupra aproape tuturor domeniilor vieții noastre private, sociale și politice.

Termenul de inteligență artificială se referă la un ecosistem de modele și tehnologii pentru percepție, raționament, interacțiune și învățare. Revenirea termenului AI în centrul atenției în ultimii ani este în principal legată de acest ultim aspect al învățării din date: Învățarea automată (Machine Learning, ML), care a făcut un salt înainte datorită apariției Megadatelor (Big Data). Mixul este exploziv: datele ajung la masa critică de exemple de învățat, algoritmii descoperă tipare predictive și tipare ascunse în date, arhitecturile de înaltă performanță reușesc să compenseze resursele de calcul și stocare necesare.

În această nouă primăvară, care a sosit după lunga iarnă provenită din deziluzia anilor optzeci, AI a reușit să facă față provocărilor deschise, cum ar fi înțelegerea și traducerea textelor și vorbirii, recunoașterea conținutului imaginilor și a videoclipurilor și a altor sarcini despre care se crede că necesită inteligență. Cu aproximativ zece ani în urmă, s-a observat că unele modele de învățare cunoscute de mult, cum ar fi rețelele neuronale artificiale, până acum ineficiente pentru sarcinile menționate, dacă sunt echipate cu un număr imens de variabile interne (neuroni) și parametri asociați și sunt instruiți corespunzător pe mari un set de date de exemplu, poate face brusc un salt calitativ și sunt capabili să generalizeze, din pixelii imaginilor sau din termenii textelor de exemplu, „conceptele” generale care permit să recunoască, să clasifice și să prezică cu precizie noi imagini și texte noi. Un mod de învățare care necesită noi paradigme de calcul performante. Acest cadru, Inteligența artificială = Megadate + Învățarea automată, este confirmat pe scară largă astăzi.

Pe măsură ce procesul de luare a deciziilor bazat pe date devine vizibil în viața de zi cu zi, interesul în jurul AI și Big Data crește. Societatea a trecut de la a fi predominant „analogică” la „digitală” în doar câțiva ani: societatea, organizațiile și oamenii sunt din ce în ce mai interconectați. Ca o consecință a digitalizării, datele sunt colectate despre orice, în orice moment și în orice loc. Creșterea spectaculoasă a universului digital, rezumată prin termenul Big Data, face posibilă înregistrarea, observarea și analiza comportamentului oamenilor, mașinilor și organizațiilor.

Termenul Big Data a fost folosit divers în diferite comunități, în funcție de subiectele lor de interes și priorități. Un set de atribute care caracterizează Big Data: viteza, volumul, varietatea și veridicitatea sunt adesea citate și denumite cei patru V. Viteza se referă la natura fluxului de date și la viteza acesteia; volumul este dat de dimensiunea simplă a acestor date, necesitând strategii de filtrare / compresie sau măsuri speciale pentru stocarea și prelucrarea acestora; varietatea reprezintă eterogenitatea surselor de date care pot fi implicate, atât în ​​ceea ce privește formatele și reprezentarea, cât și în ceea ce privește semantica; veridicitatea indică probleme de calitate a datelor și încrederea informațiilor. În discursul recent, un al cincilea V a fost adăugat la listă, reprezentând valoarea, menit să sublinieze faptul că transformarea surselor Big Data și a instrumentelor analitice asociate în valoare (economică, socială sau științifică) este atât importantă, cât și departe de a fi banală.

Metodele de învățare automată exploatează seturi de date mari de „instruire” de exemple pentru a învăța reguli și modele generale pentru clasificarea datelor și prezicerea rezultatelor (de exemplu, clasificarea unui contribuabil drept fraudulos, a unui consumator ca loial, un pacient afectat de o boală specifică, o imagine ca reprezentând un obiect specific, o postare pe o rețea de socializare care exprimă o emoție pozitivă). Aceste modele analitice permit oamenilor de știință să „producă decizii și rezultate fiabile, repetabile” și să descopere „informații ascunse” prin învățarea din relațiile istorice și tendințele din date. Sarcinile de învățare automată sunt de obicei clasificate în două mari categorii, în funcție de existența unui „semnal” sau „feedback” de învățare disponibil pentru un sistem de învățare: învățare supravegheată și nesupravegheată. În sarcinile de învățare supravegheate, computerul este prezentat cu exemple de intrări și rezultatele dorite ale acestora, date de obicei de un „expert uman”, iar scopul este de a învăța o regulă generală (sau funcție, model) care mapează intrările la ieșiri. În sarcinile de învățare nesupravegheate, nu există etichete date algoritmului de învățare, lăsându-l pe cont propriu să găsească structura în intrarea sa. Învățarea nesupravegheată poate fi un scop în sine (descoperirea tiparelor ascunse în date) sau un mijloc către un scop (învățarea caracteristicilor).

În acest context, sunt evidențiate toate punctele forte și punctele slabe ale situației actuale. Pe de o parte, crește capacitatea modelelor de învățare automată de a generaliza din datele de formare mai mari și de calitate superioară; această capacitate explică progresul extraordinar în recunoașterea imaginii și în viziunea robotică, în înțelegerea textului și a vorbirii, în traducerea automată, în diagnosticul medical, în evaluarea riscurilor, în întreținerea predictivă. Pe de altă parte, decalajul cu alte aspecte ale AI crește, în special, raționamentul și interacțiunea persoană-mașină, aspecte centrale pentru dezvoltarea unei AI umane, etice și antropocentrice, care este punctul central al abordării europene. În consecință, AI a creat oportunități fără precedent, dar și noi riscuri, cum ar fi opacitatea modelelor de AI, care face dificilă, chiar și pentru experți, explicarea justificării concluziilor lor. Acest lucru poate reprezenta un punct critic din punct de vedere tehnologic și social, deoarece riscul este real, după cum demonstrează episoadele recente, ale sistemelor de antrenament care sunt compromise de prejudecăți și tendințe de discriminare, învățate din datele de instruire.

Sursa: Pedreschi, D., Artificial Intelligence (AI): new developments and innovations applied to e-commerce, Study for the committee on the Internal Market and Consumer Protection, Policy Department for Economic, Scientific and Quality of Life Policies, European Parliament, Luxembourg, 2020. © European Union, 2020. Traducere și adaptare independentă: Nicolae Sfetcu