How does artificial intelligence learn? - Briana Brownell

Μετάφραση: Ermioni Despoina Alexiou Επιμέλεια: Chryssa Rapessi

Today, artificial intelligence helps doctors diagnose patients,

Σήμερα, η τεχνητή νοημοσύνη βοηθάει στις ιατρικές διαγνώσεις,

pilots fly commercial aircraft, and city planners predict traffic.

στην πτήση αεροπλάνων και στην πρόγνωση της κίνησης στους δρόμους.

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

Ό,τι και αν κάνει όμως, οι μηχανικοί υπολογιστών που τη σχεδίασαν

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

πιθανότατα δε γνωρίζουν πώς ακριβώς το κάνει.

This is because artificial intelligence is often self-taught,

Αυτό συμβαίνει επειδή η τεχνητή νοημοσύνη είναι συχνά αυτοδίδακτη,

working off a simple set of instructions

επεξεργαζόμενη ένα απλό σύνολο οδηγιών,

to create a unique array of rules and strategies.

για να δημιουργήσει μια μοναδική σειρά κανόνων και στρατηγικών.

So how exactly does a machine learn?

Πώς ακριβώς λοιπόν μαθαίνει μια μηχανή;

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

Υπάρχουν πολλοί τρόποι να δημιουργήσουμε προγράμματα αυτοδίδαξης.

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

’Όλα όμως βασίζονται στους τρεις βασικούς τύπους μηχανικής εκμάθησης:

unsupervised learning, supervised learning, and reinforcement learning.

μάθηση χωρίς επιτήρηση, με επιτήρηση και ενισχυτική μάθηση.

To see these in action,

Για να τους δούμε στην πράξη,

let’s imagine researchers are trying to pull information

ας φανταστούμε ότι ερευνητές προσπαθούν να εξάγουν πληροφορίες

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

από ένα πακέτο ιατρικών δεδομένων που περιλαμβάνει χιλιάδες προφίλ ασθενών.

First up, unsupervised learning.

Πρώτα από όλα, μάθηση χωρίς επιτήρηση.

This approach would be ideal for analyzing all the profiles

Η προσέγγιση αυτή θα ήταν ιδανική για την ανάλυση όλων των προφίλ

to find general similarities and useful patterns.

ώστε να βρεθούν ομοιότητες και χρήσιμα μοτίβα.

Maybe certain patients have similar disease presentations,

Ίσως κάποιοι ασθενείς έχουν όμοιες εκφάνσεις της ασθένειας

or perhaps a treatment produces specific sets of side effects.

ή ίσως μια θεραπεία προκαλεί συγκεκριμένες σειρές παρενεργειών.

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

Η ευρεία αυτή μορφή ανίχνευσης μοτίβων θα χρησίμευε στην αναγνώριση ομοιοτήτων

between patient profiles and find emerging patterns,

ανάμεσα στα προφίλ ασθενών και στην εύρεση μοτίβων,

all without human guidance.

χωρίς την ανθρώπινη καθοδήγηση.

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

Ας φανταστούμε όμως ότι οι ιατροί ψάχνουν για κάτι πιο συγκεκριμένο.

Οι ιατροί αυτοί θέλουν να δημιουργήσουν έναν αλγόριθμο

These physicians want to create an algorithm

for diagnosing a particular condition.

για τη διάγνωση μιας συγκεκριμένης πάθησης.

They begin by collecting two sets of data—

Ξεκινούν με τη συλλογή δύο πακέτων δεδομένων --

medical images and test results from both healthy patients

ιατρικές απεικονίσεις και αποτελέσματα εξετάσεων και από υγιείς ασθενείς

and those diagnosed with the condition.

και από αυτούς που διαγνώστηκαν με την πάθηση.

Then, they input this data into a program

Μετά, εισάγουν αυτά τα δεδομένα σε ένα πρόγραμμα

designed to identify features shared by the sick patients

σχεδιασμένο για να αναγνωρίζει κοινά χαρακτηριστικά των άρρωστων ασθενών

but not the healthy patients.

αλλά όχι των υγιών ασθενών.

Based on how frequently it sees certain features,

Βασιζόμενο στο πόσο συχνά βλέπει συγκεκριμένα χαρακτηριστικά,

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

το πρόγραμμα θα αντιστοιχεί αξίες στη διαγνωστική σημασία τους,

generating an algorithm for diagnosing future patients.

παράγοντας έναν αλγόριθμο για τη μελλοντική διάγνωση ασθενών.

However, unlike unsupervised learning,

Ωστόσο, αντίθετα με τη μάθηση χωρίς επιτήρηση,

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

οι γιατροί και οι μηχανικοί υπολογιστών έχουν ενεργό ρόλο σε αυτό που ακολουθεί.

Doctors will make the final diagnosis

Οι γιατροί θα κάνουν την τελική διάγνωση

and check the accuracy of the algorithm’s prediction.

και θα ελέγχουν την ακρίβεια της πρόβλεψης του αλγόριθμου.

Then computer scientists can use the updated datasets

Τότε, οι μηχανικοί υπολογιστών μπορούν να χρησιμοποιούν τα ανανεωμένα δεδομένα

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

για την προσαρμογή των παραμέτρων και τη βελτίωση της ακρίβειας του προγράμματος.

This hands-on approach is called supervised learning.

Αυτή η πρακτική προσέγγιση λέγεται μάθηση με επιτήρηση.

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

Ας πούμε λοιπόν ότι οι γιατροί θέλουν να σχεδιάσουν έναν άλλον αλγόριθμο

to recommend treatment plans.

για να προτείνουν πλάνα θεραπείας.

Since these plans will be implemented in stages,

Αφού αυτά τα πλάνα θα εφαρμόζονται σε στάδια,

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

και μπορεί να αλλάζουν ανάλογα με την αντίδραση καθενός στις θεραπείες,

the doctors decide to use reinforcement learning.

οι γιατροί αποφασίζουν να χρησιμοποιούν ενισχυτική μάθηση.

This program uses an iterative approach to gather feedback

Αυτή η μορφή έχει μια επαναλαμβανόμενη προσέγγιση συγκέντρωσης ανατροφοδότησης

about which medications, dosages and treatments are most effective.

σχετικά με το ποια φάρμακα, δοσολογίες και θεραπείες είναι πιο αποτελεσματικά.

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

Μετά, συγκρίνει εκείνα τα δεδομένα με το προφίλ κάθε ασθενή

to create their unique, optimal treatment plan.

για να δημιουργεί το μοναδικό, βέλτιστο πλάνο θεραπείας τους.

As the treatments progress and the program receives more feedback,

Όσο οι θεραπείες προχωρούν και το πρόγραμμα ανατροφοδοτείται περισσότερο,

it can constantly update the plan for each patient.

μπορεί να ενημερώνει συνεχώς το πλάνο κάθε ασθενή.

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

Καμία από τις τρεις τεχνικές δεν είναι εγγενώς εξυπνότερη από όποια άλλη.

While some require more or less human intervention,

Eνόσω κάποιες απαιτούν πολλή ή λίγη ανθρώπινη παρέμβαση,

they all have their own strengths and weaknesses

όλες έχουν δυνατά και αδύναμα σημεία

which makes them best suited for certain tasks.

που τις κάνουν πλέον κατάλληλες για συγκεκριμένες δουλειές.

However, by using them together,

Όμως, με την ταυτόχρονη χρήση τους,

researchers can build complex AI systems,

οι ερευνητές μπορούν να χτίσουν σύνθετα συστήματα τεχνητής νοημοσύνης,

where individual programs can supervise and teach each other.

όπου μεμονωμένα προγράμματα μπορούν να επιτηρούν και να διδάσκουν το ένα το άλλο.

For example, when our unsupervised learning program

Δηλαδή, όταν το πρόγραμμά μας για μάθηση χωρίς επιτήρηση

finds groups of patients that are similar,

βρίσκει παρόμοιες ομάδες ασθενών,

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

μπορεί να στέλνει δεδομένα σε ένα συνδεδεμένο πρόγραμμα μάθησης με επιτήρηση

That program could then incorporate this information into its predictions.

το οποίο θα μπορούσε να ενσωματώσει αυτές τις πληροφορίες στις προβλέψεις του.

Or perhaps dozens of reinforcement learning programs

Ή ίσως δεκάδες προγράμματα ενισχυτικής μάθησης

might simulate potential patient outcomes

μπορεί να προσομοιώνουν πιθανά αποτελέσματα ασθενών

to collect feedback about different treatment plans.

για να συλλέγουν ανατροφοδότηση για διάφορα πλάνα θεραπείας.

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

Υπάρχουν πολλοί τρόποι να φτιάξει κανείς συστήματα εκμάθησης μηχανών,

and perhaps the most promising models

και ίσως τα πιο υποσχόμενα μοντέλα

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

είναι αυτά που μιμούνται τη σχέση μεταξύ νευρώνων και εγκεφάλου.

These artificial neural networks can use millions of connections

Αυτά τα τεχνητά νευρικά δίκτυα μπορούν να χρησιμοποιούν εκατομμύρια συνδέσεις

to tackle difficult tasks like image recognition, speech recognition,

για να αντιμετωπίζουν δύσκολες εργασίες, όπως η αναγνώριση εικόνας ή ομιλίας,

and even language translation.

ακόμα και η μετάφραση γλώσσας.

However, the more self-directed these models become,

Ωστόσο, όσο πιο αυτοκατευθυνόμενα γίνονται αυτά τα μοντέλα,

the harder it is for computer scientists

τόσο δυσκολότερο είναι για τους μηχανικούς υπολογιστών

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

να καθορίσουν πώς οι αυτοδίδακτοι αλγόριθμοι φτάνουν στη λύση τους.

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

Ερευνητές ήδη βλέπουν τρόπους να κάνουν την εκμάθηση μηχανών πιο διαυγή.

But as AI becomes more involved in our everyday lives,

Αλλά όσο η τεχνητή νοημοσύνη συμμετέχει περισσότερο στην καθημερινότητά μας,

these enigmatic decisions have increasingly large impacts

αυτές οι αινιγματικές αποφάσεις επηρεάζουν όλο και περισσότερο

on our work, health, and safety.

την εργασία, την υγεία και την ασφάλειά μας.

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

Όσο λοιπόν οι μηχανές συνεχίζουν εκμάθηση έρευνας, διαπραγμάτευσης και επικοινωνίας,

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

πρέπει επίσης να σκεφτούμε πώς να τους διδάξουμε

να μάθουν η μία στην άλλη να λειτουργούν ηθικά.