How does artificial intelligence learn? - Briana Brownell

Traducător: Andreea Madalina Mardale Corector: Claudia Pravat

Today, artificial intelligence helps doctors diagnose patients,

Astăzi, inteligența artificială ajută medicii să diagnosticheze pacienți,

pilots fly commercial aircraft, and city planners predict traffic.

piloții să zboare cu aeronave comerciale

și urbaniștii să prezică traficul.

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

Indiferent de ceea ce face IA,

informaticienii care au programat-o

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

nu ştiu exact cum funcționează.

This is because artificial intelligence is often self-taught,

Acest lucru se datorează faptului că IA este adesea autodidactă,

working off a simple set of instructions

folosind un set simplu de instrucțiuni

to create a unique array of rules and strategies.

pentru a crea o serie unică de reguli și strategii.

So how exactly does a machine learn?

Așadar, cum învață mai exact o mașină?

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

Există diverse modalități de a construi programe autodidacte.

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

Dar toate se bazează pe cele trei tipuri de învățare automată:

unsupervised learning, supervised learning, and reinforcement learning.

învățare nesupravegheată, supravegheată și de consolidare.

To see these in action,

Pentru a le vedea în acțiune,

let’s imagine researchers are trying to pull information

să ne imaginăm că cercetătorii încearcă să extragă informații

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

dintr-un set de date medicale ce conțin profilul a mii de pacienți.

First up, unsupervised learning.

Prima, învățarea nesupravegheată.

This approach would be ideal for analyzing all the profiles

Această abordare ar fi ideală pentru a analiza toate profilurile

to find general similarities and useful patterns.

pentru a găsi similitudini generale și modele utile.

Maybe certain patients have similar disease presentations,

Poate unii pacienți au simptome similare

or perhaps a treatment produces specific sets of side effects.

sau poate un anume tratament produce efecte secundare distincte.

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

Această abordare de căutare a tiparelor poate fi utilizată pentru a identifica

between patient profiles and find emerging patterns,

similitudini între profilurile pacienților și a găsi tipare emergente,

all without human guidance.

toate acestea fără îndrumare umană.

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

Dar să ne imaginăm că medicii caută ceva mai specific.

These physicians want to create an algorithm

Vor să creeze un algoritm

for diagnosing a particular condition.

pentru a diagnostica o anumită afecțiune.

They begin by collecting two sets of data—

Încep prin colectarea a două seturi de date:

medical images and test results from both healthy patients

imagistică și rezultate ale testelor de la pacienții sănătoși

and those diagnosed with the condition.

și de la cei diagnosticați cu această afecțiune.

Then, they input this data into a program

Apoi, aceste date se introduc într-un program,

designed to identify features shared by the sick patients

pentru a identifica caracteristicile întâlnite la pacienții bolnavi,

but not the healthy patients.

dar nu și la cei sănătoși.

Based on how frequently it sees certain features,

După frecvența anumitor caracteristici,

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

programul le va atribui anumite valori,

generating an algorithm for diagnosing future patients.

generând un algoritm pentru diagnosticarea viitorilor pacienți.

However, unlike unsupervised learning,

Cu toate acestea, spre deosebire de învățarea nesupravegheată,

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

medicii și informaticienii au un rol activ în ceea ce se întâmplă în continuare.

Doctors will make the final diagnosis

Medicii vor da diagnosticul final

and check the accuracy of the algorithm’s prediction.

și vor verifica acuratețea predicției algoritmului.

Then computer scientists can use the updated datasets

Apoi, informaticienii pot utiliza datele actualizate

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

pentru a ajusta parametrii programului și a-i îmbunătăți acuratețea.

This hands-on approach is called supervised learning.

Această abordare practică se numește învățare supravegheată.

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

Acum, să presupunem că medicii vor să creeze un alt algoritm

to recommend treatment plans.

pentru a recomanda tratamentul.

Since these plans will be implemented in stages,

Deoarece aceste planuri vor fi puse în aplicare în etape

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

și se pot schimba în funcție de răspunsul fiecărui individ la tratamente,

the doctors decide to use reinforcement learning.

medicii decid să folosească învățarea prin consolidare.

This program uses an iterative approach to gather feedback

Acest program are o abordare iterativă pentru a colecta feedback

about which medications, dosages and treatments are most effective.

cu privire la medicamentele, dozele și tratamentele cele mai eficiente.

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

Apoi, compară aceste date cu profilul fiecărui pacient

to create their unique, optimal treatment plan.

pentru a crea un tratament unic și optim.

As the treatments progress and the program receives more feedback,

În timp ce tratamentele progresează și programul primește feedback,

it can constantly update the plan for each patient.

acesta poate actualiza constant planul pentru fiecare pacient.

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

Niciuna dintre aceste trei tehnici nu e mai inteligentă decât alta.

While some require more or less human intervention,

Deși unele cer mai multă intervenţie umană decât altele,

they all have their own strengths and weaknesses

toate au puncte forte și puncte slabe,

which makes them best suited for certain tasks.

ceea ce le face potrivite pentru anumite sarcini.

However, by using them together,

Cu toate acestea, folosindu-le împreună,

researchers can build complex AI systems,

cercetătorii pot construi sisteme complexe de AI,

where individual programs can supervise and teach each other.

unde programele individuale pot supraveghea și învăța reciproc.

For example, when our unsupervised learning program

Când programul de învățare nesupravegheată

finds groups of patients that are similar,

găsește grupuri de pacienți similari,

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

ar putea trimite datele spre un program de învățare supravegheată.

That program could then incorporate this information into its predictions.

Programul ar putea să încorporeze aceste informații în previziunile sale.

Or perhaps dozens of reinforcement learning programs

Sau poate zeci de programe de învățare de consolidare

might simulate potential patient outcomes

ar putea simula rezultatele pacienților

to collect feedback about different treatment plans.

pentru a aduna feedback despre diverse tratamente.

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

Există multe modalități de a crea sisteme de învățare automată

and perhaps the most promising models

și poate cele mai promițătoare modele

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

sunt cele care imită relația dintre neuronii creierului.

These artificial neural networks can use millions of connections

Aceste rețele neuronale artificiale pot utiliza milioane de conexiuni

to tackle difficult tasks like image recognition, speech recognition,

pentru a aborda sarcini dificile, precum recunoașterea imaginii,

recunoașterea vorbirii

and even language translation.

și chiar traducerea limbajului.

However, the more self-directed these models become,

Dar cu cât aceste modele devin mai independente,

the harder it is for computer scientists

cu atât mai greu pentru informaticieni

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

să stabilească modul în care algoritmii autodidacţi găsesc soluţia.

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

Cercetătorii caută modalități de a face învățarea automată mai transparentă.

But as AI becomes more involved in our everyday lives,

Dar pe măsură ce IA se implică mai mult în viața noastră,

these enigmatic decisions have increasingly large impacts

aceste decizii au un impact din ce în ce mai mare

on our work, health, and safety.

asupra muncii, sănătății și siguranței noastre.

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

Pe măsură ce mașinile continuă să învețe a investiga, a negocia și a comunica,

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

trebuie să descoperim și cum să le învățăm să se învețe reciproc să funcționeze etic.