How does artificial intelligence learn? - Briana Brownell

Translator: Luba Aleksandrova Reviewer: Pavlina Koleva

Today, artificial intelligence helps doctors diagnose patients,

Изкуственият интелект помага на лекарите да диагностицират пациентите си,

pilots fly commercial aircraft, and city planners predict traffic.

на пилотите да управяват самолети, на общината да предвиди уличното движение.

But no matter what these AIs are doing, the computer scientists who designed them

Но без значение какво точно прави той, учените, които са го създали

likely don’t know exactly how they’re doing it.

най-вероятно не разбират точно как го правят.

This is because artificial intelligence is often self-taught,

Това е така, защото изкуственият интелект често се обучава сам

working off a simple set of instructions

и работи на основата на набор от инструкции,

to create a unique array of rules and strategies.

за да създаде уникален набор от правила и стратегии.

So how exactly does a machine learn?

Как точно се учи машината?

There are many different ways to build self-teaching programs.

Има много начини да се направи програма, която учи сама.

But they all rely on the three basic types of machine learning:

Но всички те разчитат на три основни типа машинно обучение:

unsupervised learning, supervised learning, and reinforcement learning.

неконтролирано, контролирано обучение, и oбучение с утвърждение.

To see these in action,

За да видим как работят те на практика,

let’s imagine researchers are trying to pull information

нека си представим как изследователи извличат информация

from a set of medical data containing thousands of patient profiles.

от набор медицински данни, съдържащи хиляди профили на пациенти.

First up, unsupervised learning.

Първо, неконтролираното обучение.

This approach would be ideal for analyzing all the profiles

Този подход би бил идеален за анализирането на всички профили,

to find general similarities and useful patterns.

за да се намерят основните прилики и полезни модели.

Maybe certain patients have similar disease presentations,

Възможно е някои пациенти да имат сходни симптоми

or perhaps a treatment produces specific sets of side effects.

или може би дадено лечение предизвиква определен набор от странични ефекти.

This broad pattern-seeking approach can be used to identify similarities

Този широкообхватен подход може да бъде изпозлван за откриване на прилики

between patient profiles and find emerging patterns,

между профилите на пациентите и за намирането на появяващи се модели,

all without human guidance.

без никакво напътствие от човек.

But let's imagine doctors are looking for something more specific.

Но нека си представим, че лекарите търсят нещо по-специфично.

These physicians want to create an algorithm

Те искат да създадат алгоритъм

for diagnosing a particular condition.

за диагностика на специфично състояние.

They begin by collecting two sets of data—

Започват със събирането на две множества от данни:

medical images and test results from both healthy patients

медицински изображения и изследвания както от здрави пациенти

and those diagnosed with the condition.

така и от диагностицираните с това състояние.

Then, they input this data into a program

След това те добавят данните в програма,

designed to identify features shared by the sick patients

предназначена да идентифицира характеристики, общи за болните,

but not the healthy patients.

но не и за здравите пациенти.

Based on how frequently it sees certain features,

В зависимост от това колко често вижда определени характеристики

the program will assign values to those features’ diagnostic significance,

програмата им възлага определени стойности спрямо значението им за диагностиката,

generating an algorithm for diagnosing future patients.

генерирайки по този начин алгоритъм за диагностициране на бъдещи пациенти.

However, unlike unsupervised learning,

За разлика от некотролираното обучение,

doctors and computer scientists have an active role in what happens next.

лекарите и компютърните специалисти имат активна роля за това, което се случва.

Doctors will make the final diagnosis

Лекарите ще поставят крайната диагноза

and check the accuracy of the algorithm’s prediction.

и ще проверят точността на прогнозата на алгоритъма.

Then computer scientists can use the updated datasets

След това компютърните специалисти използват набора от данни,

to adjust the program’s parameters and improve its accuracy.

за да коригират параметрите на програмата и да подобрят нейната точност.

This hands-on approach is called supervised learning.

Този практически подход се нарича контролирано обучение.

Now, let’s say these doctors want to design another algorithm

Сега, нека кажем, че лекарите искат да проектират друг алгоритъм,

to recommend treatment plans.

който да предлага планове за лечение

Since these plans will be implemented in stages,

Тъй като плановете ще бъдат изпълнени поетапно

and they may change depending on each individual's response to treatments,

и може да се променят в зависимост от реакцията на всеки индивид към лечението,

the doctors decide to use reinforcement learning.

лекарите решават да използват обучение чрез утвърждение.

This program uses an iterative approach to gather feedback

Програмата използва итеративни подходи за обратна връзка,

about which medications, dosages and treatments are most effective.

за това кои лекарства, дози и лечения са най-ефективни.

Then, it compares that data against each patient’s profile

След това, тя ги сравнява с данните и профила на пациентите,

to create their unique, optimal treatment plan.

за да създаде уникален, оптимален план за лечение.

As the treatments progress and the program receives more feedback,

Когато лечението напредва и програмата получава по-добра обратна връзка,

it can constantly update the plan for each patient.

тя може постоянно да актуализира плана за всеки пациент.

None of these three techniques are inherently smarter than any other.

Нито една от тези техники не е по-умна от дугите.

While some require more or less human intervention,

Докато някои изискват повече човешка намеса,

they all have their own strengths and weaknesses

те всички имат своите силни и слаби страни,

which makes them best suited for certain tasks.

които ги правят подходящи за различни задачи.

However, by using them together,

Използвайки ги заедно,

researchers can build complex AI systems,

учените могат да построят комплексни системи,

where individual programs can supervise and teach each other.

в които индивидуалните програми се контролират и учат взаимно.

For example, when our unsupervised learning program

Например, когато некотролирана програма

finds groups of patients that are similar,

намира групи от сходни пациенти,

it could send that data to a connected supervised learning program.

тя може да изпрати данните до контролирана програма за обучение,

That program could then incorporate this information into its predictions.

която може да инкорпорира информацията в нейните прогнози.

Or perhaps dozens of reinforcement learning programs

Или може би програми чрез утвърждение

might simulate potential patient outcomes

могат да симулират определени резултати,

to collect feedback about different treatment plans.

за да съберат обратна връзка за плановете за лечение.

There are numerous ways to create these machine-learning systems,

Има много начини да се създадат системи за машинно обучение

and perhaps the most promising models

и най-обещаващите модели

are those that mimic the relationship between neurons in the brain.

са тези, които имитират връзката между невроните и мозъка.

These artificial neural networks can use millions of connections

Тези изкуствени невронни мрежи могат да използват милиони връзки,

to tackle difficult tasks like image recognition, speech recognition,

за да се спрвят с трудни задачи, като разпознаване на изображения и реч

and even language translation.

и дори преводи от един език на друг.

However, the more self-directed these models become,

Обаче, колкото по-автономни са моделите,

the harder it is for computer scientists

толкова по-трудно става за специалистите

to determine how these self-taught algorithms arrive at their solution.

да определят как тези самоуки алгоритми стигат до заключнията си.

Researchers are already looking at ways to make machine learning more transparent.

Учените търсят начини да направят машинното обучение по-прозрачно.

But as AI becomes more involved in our everyday lives,

Тъй като изкуственият интелект става по-важен в нашия живот,

these enigmatic decisions have increasingly large impacts

тези енигматияни решения имат все по-голямо влияние

on our work, health, and safety.

върху нашата работа, здраве и сигурност.

So as machines continue learning to investigate, negotiate and communicate,

Докато машините продълвата да се учат да изследват, договарят и комуникират,

we must also consider how to teach them to teach each other to operate ethically.

ние също трябва да помислим как да ги учим да се учат от една друга етично.