How does artificial intelligence learn? - Briana Brownell

Translator: chnar kamal Reviewer: Daban Q. Jaff

Today, artificial intelligence helps doctors diagnose patients,

ئەمڕۆ، زیرەکی دەستکرد یارمەتی پزیشکەکان دەدات بۆ دەست نیشانکردنی نەخۆشی،

pilots fly commercial aircraft, and city planners predict traffic.

ئامێرەکان فڕۆکەی بازرگانی دەفڕێنن، و پلاندانەری شارەکەی پێشبینی هاتوچۆ دەکەن.

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

بەڵام گرینگ نییە ئەمانە چی دەکەن، ئەو زانا کۆمپیوتەرانەی دیزاینیان کردووە

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

لەوانەیە نەزانن کە ئەم ئامێرانە چۆن کار دەکەن.

This is because artificial intelligence is often self-taught,

ئەمە لەبەرئەوەی کە زیرەکی دروستکرد زۆر جار خود-فێرکارە،

working off a simple set of instructions

کارکردن بە کۆمەڵێک ڕێنمایی سادە

to create a unique array of rules and strategies.

بۆ دروستکردنی ڕیزێکی بێ هاوتا و ستراتیجی.

So how exactly does a machine learn?

کەواتە ئامێرێک بە تەواوی چۆن فێر دەبێت؟

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

چەندین ڕێگەی جیاواز هەیە بۆ بنیاتدانی بەرنامەی خۆ فێرکاری.

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

بەڵام هەموویان پشت بە سێ جۆری سەرەکی فێربوون دەبەستن:

unsupervised learning, supervised learning, and reinforcement learning.

فێربوونی سەرپەشتی نەکراو، سەرپەشتی کراو، و فێربوونی دووپات کردنەوە.

To see these in action,

بۆ بینینی ئەمانە لە کرداردا،

let’s imagine researchers are trying to pull information

با وێنەی ئەوە بکەین توێژەران هەوڵی بەدەست هێنانی زانیاری دەدەن

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

لە کۆمەڵێک داتای پزیشکی کە هەزاران پرۆفایلی نەخۆش لەخۆدەگرێت.

First up, unsupervised learning.

یەکەم جار، فێربوونی بێ سەرپەرشتی.

This approach would be ideal for analyzing all the profiles

ئەم ڕێبازە نموونەیی دەبێت بۆ شیکردنەوەی هەموو پرۆفایلەکان

to find general similarities and useful patterns.

بۆ دۆزینەوەی وەک یەک گشتییەکان و شێوازەکانی سوودبەخش.

Maybe certain patients have similar disease presentations,

ڕەنگە هەندێک نەخۆش نەخۆشی هاوشێوەیان پێشکەش بکات،

or perhaps a treatment produces specific sets of side effects.

یان لەوانەیە چارەسەرێک کۆمەڵێک دیاریکراوی کاریگەرییە لاوەکیەکانی بەرهەم هێنا بێت.

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

ئەم شێوازی هاوشێوەیەیەدەتوانێ بەکار بهێنرێت بۆ ناسینەوەی هاوشێوەکان

between patient profiles and find emerging patterns,

لە نێوان پرۆفایلی نەخۆش و دۆزینەوەی شێوازەکانی دەرکەوتن،

all without human guidance.

هەموو بە بێ رابەری کردن.

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

بەڵام با وێنە بکەین کە دکتۆرەکان بەدوای شتێکی دیاریکراوتردا دەگەڕێن.

These physicians want to create an algorithm

ئەو پزیشکانە دەیانەوێت لۆگاریتمێک دروست بکەن

for diagnosing a particular condition.

بۆ دیاریکردنی بارودۆخێکی دیاریکراو.

They begin by collecting two sets of data—

ئەمە بە کۆکردنەوەی دوو کۆمەڵە داتا دەست پێدەکات-

medical images and test results from both healthy patients

وێنەی نەخۆشی و ئەنجامی تاقیکردنەوەی هەردوو نەخۆشێکی دروست

and those diagnosed with the condition.

و ئەوانەش لەگەڵ مەرج دەستنیشان کراون.

Then, they input this data into a program

پاشان، ئەم داتایانە دەکەنە ناو بەرنامەکە کە

designed to identify features shared by the sick patients

دیزاین کراوە بۆ دیاریکردنی تایبەتمەندی هاوبەش لە نەخۆشە نەخۆشەکان

but not the healthy patients.

بەڵام نەک تەندروستی نەخۆشەکان.

Based on how frequently it sees certain features,

بە پێی ئەوەی چەند جار تایبەتمەندی دیاریکراو دەبینێت،

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

بەرنامەکە بەهاکان تەرخان دەکەن بۆ ئەو تایبەتمەندیانەی کە گرینگی دیاریکراون،

generating an algorithm for diagnosing future patients.

پێکهێنانی لۆگاریتمێک بۆ دیاریکردنی نەخۆشەکانی داهاتوو.

However, unlike unsupervised learning,

هەرچەندە، جیاوازە لە فێربوونی بێ سەرپەرشتی،

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

زاناکانی کۆمپیوتەر و دکتۆر ڕۆڵی سەرەکیان هەیە لە ئەوەی دواتر ڕوودەدات.

Doctors will make the final diagnosis

دکتۆرەکان کۆتایی دەستنیشان دەکەن

and check the accuracy of the algorithm’s prediction.

و دروستی پێشبینی لۆگاریتمەکان چاودێری دەکەن.

Then computer scientists can use the updated datasets

زانای کۆمپیوتەر دەتوانن بەرنامەی نوێکراوە بەکاربهێنن

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

بۆ گونجاندنی بەرنامەی دیاریکەر و باشترکردنی.

This hands-on approach is called supervised learning.

ئەم ڕێگە دەستییە بە فێربوونی سەرپەریشتکراو ناودەبرێت.

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

ئێستا، با بڵێن دکتۆرەکان دەتوانن بڵێن بۆ دیزاین کردنی لۆگاریتمێکی تر

to recommend treatment plans.

بۆ پێشنیارکردنی پلانی چارەسەری.

Since these plans will be implemented in stages,

لەوکاتەوەی ئەم پلانە لە قۆناغەکاندا جێبەجێدەکرێن،

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

و ڕەنگە بەپێی وەڵامدانەوەی هەر تاکێک بگۆڕدرێن بۆ چارەسەرکردن،

the doctors decide to use reinforcement learning.

بڕیاری دکتۆرەکان کە فێربوونی بەهێزکردن بەکاربێنن.

This program uses an iterative approach to gather feedback

ئەم بەرنامەیە ڕێگەیەکی جێگرەوە بەکاردەهێنێت بۆ کۆکردنەوەی داتا

about which medications, dosages and treatments are most effective.

دەربارەی ئەو دەرمانانە، ژەم و چارەسەرەکان زۆر کاریگەرن.

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

دواتر، بەراوردی ئەو داتایە دەکات دژی هەر پرۆفایلێکی نەخۆش

to create their unique, optimal treatment plan.

بۆ دروستکردنی پلانی چارەسەری بێ هاوتا، و بۆ گونجاوی خۆیان.

As the treatments progress and the program receives more feedback,

هەروەک بەرەوپێشچوونی چارەسەرەکان و بەرنامەکە کاردانەوەی زۆرتر وەردەگرێ،

it can constantly update the plan for each patient.

دەتوانێ بە بەردەوام پلانەکە بۆ هەر نەخۆشێک نوێ بکاتەوە.

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

هیچ کام لەو سێ ڕێگەیانە لە بنچینەدا لەویتر زیرەکتر نییە.

While some require more or less human intervention,

لەکاتێکدا هەندێک زیاتر یان، کەمتر پێویستی بە دەستتێوەردانی مرۆڤ هەبێت،

they all have their own strengths and weaknesses

هەموویان خاڵی هێز و لاوازی خۆیان هەیە

which makes them best suited for certain tasks.

کە ئەمەشیان بەباشترین شێوە بۆ ئەرکی دیاریکراو دەگونجێت.

However, by using them together,

هەرچەندە، هەموویان بەیەکەوە بەکاردەهێنین،

researchers can build complex AI systems,

توێژەرەکان دەتوانن سیستەمی زیرەکی دەستکردی ئاڵۆز بنیات بنێنن،

where individual programs can supervise and teach each other.

لە کوێ بەرنامە تاکەکان دەتوانن سەرپەرشتی یەکتر بکەن و فێری یەکتر بکەن.

For example, when our unsupervised learning program

بۆ نموونە، کاتێک بەرنامەی فێربوونی بێ سەپەرشتی

finds groups of patients that are similar,

دۆزینەوەی کۆمەڵێک لە نەخۆشەکان کە وەک یەکن،

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

دەکرێت ئەو داتایانە بنێردری بۆ بەرنامەیەکی چاودێریکراوی پەیوەندیدار.

That program could then incorporate this information into its predictions.

ئەو بەرنامەیە دەتوانرێت پاشان ئەم زانیاریانە بخاتە ناو پێشبینیەکان.

Or perhaps dozens of reinforcement learning programs

یان ڕەنگە زۆرێک بەرنامەی فێربوونی بەهێزکردن

might simulate potential patient outcomes

لەوانەیە ئەنجامەکانی نەخۆشە شاراوەکان نیشان بدەن

to collect feedback about different treatment plans.

بۆ کۆکردنەوەی وەڵام دانەوە دەربارەی پلانی چارەسەری جیاواز.

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

چەندین ڕێگەی زۆر جیاواز هەن بۆ دروستکردنی سیستەمی فێربوونی ئامێر،

and perhaps the most promising models

و ڕەنگە موژدەبەخشترین نموونەکان

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

ئەوانەن کە لاسایی پەیوەندی نێوان دەمارەکان لە مێشکدا دەکەن.

These artificial neural networks can use millions of connections

ئەم تۆڕەدەستکردانە دەتوانن ملیۆنێک پەیوەندی بەکار بهێنن

to tackle difficult tasks like image recognition, speech recognition,

بۆ چارەسەرکردنی ئەرکە قورسەکان وەک ناسینەوەی وێنە، ناسینەوەی قسە،

and even language translation.

و تەنانەت وەڕگێڕانی زمانیش.

However, the more self-directed these models become,

بەهەرحاڵ، ئەو نموونانە زیاتر خۆیان ئاڕاستە دەکەن.

the harder it is for computer scientists

قورستر دەبێت بۆ زانایانی کۆمپیوتەر

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

بۆ دیاریکردنی چۆن ئەو ئالگۆریزمە خۆ فێرکەرانە دەگەنە چارەسەرەکەیآن.

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

توێژەران هەرئێستا سەیری ڕێگاکان دەکەن بۆ ئەوەی فێربوونی ئامێرەکە ڕوونتر بکەن.

But as AI becomes more involved in our everyday lives,

بەڵام تا ئامادەگی زیرەکی زیاتر بێت لە ژیانی ڕۆژانەماندا،

these enigmatic decisions have increasingly large impacts

ئەو بڕیارە نادیارانە بە زۆری کاریگەری گەورەی دەبێت

on our work, health, and safety.

لەسەر کار، تەندروستی، و سەلامەتیمان.

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

بۆیە وەک ئامێرەکان بەردەوامن لە فێربوونی پشکنین، گفتۆگۆکردن و پەیوەندیکردن،

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

و دەبێ ڕەچاوی ئەوە بکەین کە چۆن یەکتر فێر بکەین لە کاتی کار بە ڕەوشتەوە کار بکەن.